タグ付けされた質問 「medicine」

スタンおよびフロントエンドパッケージを使用するrstanarmかbrms、以前のような混合モデルで行ったように、ベイジアン方式でデータを簡単に分析できますlme。Kruschke-Gelman-Wagenmakers-etcの本や記事のほとんどを私の机に置いていますが、これらは、ベイジアンの怒りのSkyllaとメディカルレビュアーのCharybdisの間で引き裂かれた、医療聴衆のために結果を要約する方法を教えてくれません（ 「拡散的なものではなく、重要なものが必要です」）。 例：胃の頻度（1 /分）は3つのグループで測定されます。健康なコントロールが基準です。参加者ごとにいくつかの測定値がありますので、頻繁に使用する次の混合モデルを使用しましたlme。 summary(lme(freq_min~ group, random = ~1|study_id, data = mo)) わずかに編集された結果： Fixed effects: freq_min ~ group Value Std.Error DF t-value p-value (Intercept) 2.712 0.0804 70 33.7 0.0000 groupno_symptoms 0.353 0.1180 27 3.0 0.0058 groupwith_symptoms 0.195 0.1174 27 1.7 0.1086 簡単にするために、2 * stdエラーを95％CIとして使用します。 頻繁な文脈では、私はこれを次のように要約したでしょう。 対照群では、推定頻度は2.7 /分でした（ここにCIを追加することもできますが、絶対CIと差分CIによって生じる混乱のために、これを避けることがあります）。 no_symptomsグループでは、頻度は0.4 /分、CI（0.11〜0.59）/分、p = …

21 statistical-significance  bayesian  stan  credible-interval  medicine 

caretR のパッケージを介して勾配ブースティングマシンアルゴリズムを試しています。 小さな大学入学データセットを使用して、次のコードを実行しました。 library(caret) ### Load admissions dataset. ### mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv") ### Create yes/no levels for admission. ### mydata$admit_factor[mydata$admit==0] <- "no" mydata$admit_factor[mydata$admit==1] <- "yes" ### Gradient boosting machine algorithm. ### set.seed(123) fitControl <- trainControl(method = 'cv', number = 5, summaryFunction=defaultSummary) grid <- expand.grid(n.trees = seq(5000,1000000,5000), interaction.depth = 2, shrinkage …

15 machine-learning  caret  boosting  gbm  hypothesis-testing  t-test  panel-data  psychometrics  intraclass-correlation  generalized-linear-model  categorical-data  binomial  model  intercept  causality  cross-correlation  distributions  ranks  p-value  z-test  sign-test  time-series  references  terminology  cross-correlation  definition  probability  distributions  beta-distribution  inverse-gamma  missing-data  paired-comparisons  paired-data  clustered-standard-errors  cluster-sample  time-series  arima  logistic  binary-data  odds-ratio  medicine  hypothesis-testing  wilcoxon-mann-whitney  unsupervised-learning  hierarchical-clustering  neural-networks  train  clustering  k-means  regression  ordinal-data  change-scores  machine-learning  experiment-design  roc  precision-recall  auc  stata  multilevel-analysis  regression  fitting  nonlinear  jmp  r  data-visualization  gam  gamm4  r  lme4-nlme  many-categories  regression  causality  instrumental-variables  endogeneity  controlling-for-a-variable 

これは前の質問のフォローアップです。ここに ： 治療結果を予測するニューラルネットワークモデル そして、この質問の別の側面を参照すると見なされるかもしれません： 少量サンプルの臨床研究における機械学習技術の応用 再投稿を提案したZachに感謝します。 CART、randomForest、ニューラルネットワーク、機械学習全般についてかなり真剣に読んだり、WEKAとRパッケージについて学習したり、スタンフォードエンジニアリングの講義http://www.ml-class.org/コース/クラス/インデックス、私はハスティーに3章います。臨床指向の研究で定期的に見られる種類のデータ-臨床パラメータの負荷+生化学的パラメータの負荷+ペンと紙のテストデータ+/-数値が小さい神経画像データを考えると、何かが足りないような気がします。私は、研究文献で適用されているML技術について定期的に読んでいません。私の質問は、私は疑わしい何かにとらわれて、それをよく知っている臨床医や生物統計学者を研究することによって正当化された疑いで見なされているのか、あるいはこれらの手法は「ビジネス分析」の外で本当に見落とされているか恐れられているのか？それを「ニッチ」に保つものは何ですか？

8 machine-learning  medicine