排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
摘要:时依性混杂是纵向观察性研究数据中常见,但较难用传统回归模型控制的特殊混杂。边缘结构模型通过计算逆概率权重对原始人群进行加权,获得新的虚拟人群,消除混杂因素的影响,是目前控制时依性混杂较流行的方法。近年来,随着机器学习的发展,利用数据自适应算法计算逆概率权重的边缘结构模型逐步受到关注。Super Learner是其中较新颖的一种方法,其能很好地规避传统估计逆概率权重方法的缺陷。该文基于前人的相关研究,总结传统边缘结构模型和逆概率权重的构建与计算,介绍Super Learner的构建、优缺点以及目前在药物流行病学相关研究中的实际应用,并提出未来可研究和待解决的问题。 相似文献
2.
3.
4.
5.
摘要:随着电子健康记录在医疗保健研究中的广泛应用,为了整合多个临床中心的数据进行分析和预测,以达到实现多中心临床试验的研究目的,分布式算法应运而生。本文通过查阅相关文献的研究方法,对数篇文献中提及的分布式算法进行了归纳、总结、整合和比较,初步得出了一些结论。在不考虑迭代通信的情况下首选不产生信息损失的GLORE算法,偏倚为0,标准差为1;若在其他临床中心的数据仅可被借用一次,则首选ODAL算法;而与原始ODAL算法相比,如果存在潜在的外部临床中心,则首选Robust-ODAL。因此应根据各临床中心给出数据的不同情况,灵活选择不同的分布式算法,以发挥不同算法的优势。 相似文献
1