Találati lista | Tudóstér

001-es BibID:	BIBFORM104832
Első szerző:	Gravesteijn, Benjamin Yaël
Cím:	Machine learning algorithms performed no better than regression models for prognostication in traumatic brain injury / Benjamin Y. Gravesteijn, Daan Nieboer, Ari Ercole, Hester F. Lingsma, David Nelson, Ben van Calster, Ewout W. Steyerberg, CENTER-TBI collaborators
Dátum:	2020
ISSN:	0895-4356
Megjegyzések:	Objective We aimed to explore the added value of common machine learning (ML) algorithms for prediction of outcome for moderate and severe traumatic brain injury. Study Design and Setting We performed logistic regression (LR), lasso regression, and ridge regression with key baseline predictors in the IMPACT-II database (15 studies, n = 11,022). ML algorithms included support vector machines, random forests, gradient boosting machines, and artificial neural networks and were trained using the same predictors. To assess generalizability of predictions, we performed internal, internal-external, and external validation on the recent CENTER-TBI study (patients with Glasgow Coma Scale <13, n = 1,554). Both calibration (calibration slope/intercept) and discrimination (area under the curve) was quantified. Results In the IMPACT-II database, 3,332/11,022 (30%) died and 5,233(48%) had unfavorable outcome (Glasgow Outcome Scale less than 4). In the CENTER-TBI study, 348/1,554(29%) died and 651(54%) had unfavorable outcome. Discrimination and calibration varied widely between the studies and less so between the studied algorithms. The mean area under the curve was 0.82 for mortality and 0.77 for unfavorable outcomes in the CENTER-TBI study. Conclusion ML algorithms may not outperform traditional regression approaches in a low-dimensional setting for outcome prediction after moderate or severe traumatic brain injury. Similar to regression-based prediction models, ML algorithms should be rigorously validated to ensure applicability to new populations.
Tárgyszavak:	Orvostudományok Elméleti orvostudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk Machine learning Prognosis Traumatic brain injury Prediction Data science Cohort study
Megjelenés:	Journal Of Clinical Epidemiology. - 122 (2020), p. 95-107. -
További szerzők:	Nieboer, Daan Ercole, Ari Lingsma, Hester Nelson, David Calster, Ben van Steyerberg, Ewout W. Sándor János (1966-) (orvos-epidemiológus) CENTER-TBI collaborators
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM003601
Első szerző:	Lubsen, Jacobus
Cím:	Blood pressure reduction in stable angina by nifedipine was related to stroke and heart failure reduction but not to coronary interventions / Lubsen, J., Vokó Z., Poole-Wilson, P. A., Kirwan, B. A., de Brouwer, S.
Dátum:	2007
Tárgyszavak:	Orvostudományok Egészségtudományok idegen nyelvű folyóiratközlemény külföldi lapban
Megjelenés:	Journal of Clinical Epidemiology. - 60 : 7 (2007), p. 720-727. -
További szerzők:	Vokó Zoltán (1968-) (epidemiológus) Poole-Wilson, Philip A. Kirwan, Bridget-Anne de Brouwer, Sophie
Internet cím:	elektronikus változat DOI
Borító:
Saját polcon:

001-es BibID:	BIBFORM003600
Első szerző:	Poole-Wilson, Philip A.
Cím:	Resource utilization implications of treatment were able to be assessed from appropriately reported clinical trial data / Poole-Wilson P. A., Kirwan B. A., Vokó Z., de Brouwer S., Dunselman P. H., van Dalen F.J., Lubsen J., ACTION (A Coronary disease Trial Investigating Outcome with Nifedipine GITS) investigators
Dátum:	2007
Tárgyszavak:	Orvostudományok Egészségtudományok idegen nyelvű folyóiratközlemény külföldi lapban
Megjelenés:	Journal of clinical epidemiology. - 60 : 7 (2007), p. 727-733. -
További szerzők:	Kirwan, Bridget-Anne Vokó Zoltán (1968-) (epidemiológus) de Brouwer, Sophie Dunselman, Peter H.J.M. Dalen, Frederik J., van Lubsen, Jacobus ACTION (A Coronary disease Trial Investigating Outcome with Nifedipine GITS) investigators
Internet cím:	elektronikus változat DOI
Borító:
Saját polcon: