Autor Cleophas, Ton J.
|
|
Documentos disponibles escritos por este autor (9)
Hacer una sugerencia Refinar búsqueda
Título : Analysis of Safety Data of Drug Trials : An Update Tipo de documento: documento electrónico Autores: Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XI, 217 p. 191 ilustraciones, 28 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-05804-3 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Biología Investigación biomédica Estadística y Computación Índice Dewey: 610.72 Medicina (Investigación Experimental) Resumen: Los autores, como profesores de estadística en varias universidades de Europa, están preocupados por la mala calidad del análisis de los datos de seguridad de los ensayos clínicos, a pesar de su importancia en el desarrollo de fármacos y la farmacovigilancia. Los ensayos clínicos que no abordan adecuadamente la seguridad no son éticos. Un enfoque eficaz para este propósito es presentar resúmenes de prevalencias. Para estimar la probabilidad de que las diferencias entre el grupo de tratamiento y el de control no se produzcan simplemente por casualidad, se puede realizar una prueba estadística. Este método bastante tosco se ha complementado recientemente con metodologías más sensibles, basadas en grupos y redes de aprendizaje automático, y análisis multivariados. Otra novedad importante en el análisis de datos de seguridad son los nuevos conocimientos sobre la prueba de hipótesis, que favorecen las hipótesis alternativas en lugar de las hipótesis nulas. Finalmente se aborda el tema de la dependencia. Los efectos adversos pueden ser dependientes o independientes del resultado principal. Los efectos adversos dependientes dependen no sólo de las modalidades de tratamiento, sino también del resultado de los ensayos. Las heterogeneidades aleatorias, los valores atípicos, los factores de confusión y los factores de interacción son comunes en los ensayos clínicos, y todos ellos pueden considerarse tipos de efectos adversos del tipo dependiente. Las regresiones aleatorias y los análisis de varianza, los agrupamientos de alta dimensión, las correlaciones parciales, los modelos de ecuaciones estructurales y otros métodos bayesianos son útiles para su análisis. La edición actual fue escrita especialmente para estudiantes y profesionales médicos y de la salud. Proporciona ejemplos de métodos analíticos modernos que hasta ahora no se han utilizado en gran medida. Los 16 capítulos tienen dos características principales: en primer lugar, son para el uso actual y, en segundo lugar, intentan decir lo que los lectores necesitan saber para comprender los métodos. Se ofrecen análisis paso a paso y se proporcionan ejemplos de autoevaluación. Cada capítulo se puede estudiar de forma independiente. Nota de contenido: Preface -- General Introduction -- Significant and Insignificant Adverse Effect -- Incidence Ratios and Reporting Ratios of Adverse Effects -- Safety Analysis and the Alternative Hypothesis -- Forest Plots of Adverse Effects -- Graphics of Adverse Effects -- Repeated Measures Methods for Testing Adverse Effects -- Benefit Risk Ratios -- Equivalence, Non-inferiority and Superiority Testing of Adverse Effects -- Part II The Analysis of Dependent Adverse Effects -- Independent and Dependent Adverse Effects. Categorical Predictors Assessed as Dependent Adverse Effects. Adverse Effect of the Dependent Type in Crossover Trial -- Confoundings and Interactions Assessed as Dependent Adverse Effects -- Subgroup Characteristics Assessed as Dependent Adverse Effects -- Random Effects Assessed as Dependent Adverse Effects -- Outliers Assessed as Dependent Adverse Effects -- Index. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Analysis of Safety Data of Drug Trials : An Update [documento electrónico] / Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor . - 1 ed. . - [s.l.] : Springer, 2019 . - XI, 217 p. 191 ilustraciones, 28 ilustraciones en color.
ISBN : 978-3-030-05804-3
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Biología Investigación biomédica Estadística y Computación Índice Dewey: 610.72 Medicina (Investigación Experimental) Resumen: Los autores, como profesores de estadística en varias universidades de Europa, están preocupados por la mala calidad del análisis de los datos de seguridad de los ensayos clínicos, a pesar de su importancia en el desarrollo de fármacos y la farmacovigilancia. Los ensayos clínicos que no abordan adecuadamente la seguridad no son éticos. Un enfoque eficaz para este propósito es presentar resúmenes de prevalencias. Para estimar la probabilidad de que las diferencias entre el grupo de tratamiento y el de control no se produzcan simplemente por casualidad, se puede realizar una prueba estadística. Este método bastante tosco se ha complementado recientemente con metodologías más sensibles, basadas en grupos y redes de aprendizaje automático, y análisis multivariados. Otra novedad importante en el análisis de datos de seguridad son los nuevos conocimientos sobre la prueba de hipótesis, que favorecen las hipótesis alternativas en lugar de las hipótesis nulas. Finalmente se aborda el tema de la dependencia. Los efectos adversos pueden ser dependientes o independientes del resultado principal. Los efectos adversos dependientes dependen no sólo de las modalidades de tratamiento, sino también del resultado de los ensayos. Las heterogeneidades aleatorias, los valores atípicos, los factores de confusión y los factores de interacción son comunes en los ensayos clínicos, y todos ellos pueden considerarse tipos de efectos adversos del tipo dependiente. Las regresiones aleatorias y los análisis de varianza, los agrupamientos de alta dimensión, las correlaciones parciales, los modelos de ecuaciones estructurales y otros métodos bayesianos son útiles para su análisis. La edición actual fue escrita especialmente para estudiantes y profesionales médicos y de la salud. Proporciona ejemplos de métodos analíticos modernos que hasta ahora no se han utilizado en gran medida. Los 16 capítulos tienen dos características principales: en primer lugar, son para el uso actual y, en segundo lugar, intentan decir lo que los lectores necesitan saber para comprender los métodos. Se ofrecen análisis paso a paso y se proporcionan ejemplos de autoevaluación. Cada capítulo se puede estudiar de forma independiente. Nota de contenido: Preface -- General Introduction -- Significant and Insignificant Adverse Effect -- Incidence Ratios and Reporting Ratios of Adverse Effects -- Safety Analysis and the Alternative Hypothesis -- Forest Plots of Adverse Effects -- Graphics of Adverse Effects -- Repeated Measures Methods for Testing Adverse Effects -- Benefit Risk Ratios -- Equivalence, Non-inferiority and Superiority Testing of Adverse Effects -- Part II The Analysis of Dependent Adverse Effects -- Independent and Dependent Adverse Effects. Categorical Predictors Assessed as Dependent Adverse Effects. Adverse Effect of the Dependent Type in Crossover Trial -- Confoundings and Interactions Assessed as Dependent Adverse Effects -- Subgroup Characteristics Assessed as Dependent Adverse Effects -- Random Effects Assessed as Dependent Adverse Effects -- Outliers Assessed as Dependent Adverse Effects -- Index. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Efficacy Analysis in Clinical Trials an Update : Efficacy Analysis in an Era of Machine Learning Tipo de documento: documento electrónico Autores: Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XI, 304 p. 295 ilustraciones, 44 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-19918-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Biología Biometría Investigación biomédica Bioestadística Índice Dewey: 610.72 Medicina (Investigación Experimental) Resumen: El aprendizaje automático y el big data están de moda. Sin embargo, prácticamente no se utiliza en ensayos clínicos. Esto es así porque la aleatorización se aplica para igualar múltiples variables. Los archivos informáticos médicos modernos a menudo implican cientos de variables como genes y otros valores de laboratorio, y se requieren métodos computacionales intensivos. Esta es la primera publicación de ensayos clínicos que se han analizado sistemáticamente con aprendizaje automático. Además, todos los análisis de aprendizaje automático se probaron con análisis tradicionales. Se incluyen estadísticas paso a paso para las autoevaluaciones. Los autores concluyen que el aprendizaje automático suele ser más informativo y proporciona mejores sensibilidades de prueba que los métodos analíticos tradicionales. Nota de contenido: Preface -- Traditional and Machine-Learning Methods for Efficacy Analysis -- Optimal-Scaling for Efficacy Analysis -- Ratio-Statistic for Efficacy Analysis -- Ratio-Statistic for Efficacy Analysis -- Complex-Samples for Efficacy Analysis -- Bayesian-Networks for Efficacy Analysis -- Evolutionary-Operations for Efficacy Analysis -- Automatic-Newton-Modeling for Efficacy Analysis -- High-Risk-Bins for Efficacy Analysis -- Balanced-Iterative-Reducing-Hierarchy for Efficacy Analysis -- Cluster-Analysis for Efficacy Analysis -- Multidimensional-Scaling for Efficacy Analysis -- Binary Decision-Trees for Efficacy Analysis -- Continuous Decision-Trees for Efficacy Analysis -- Automatic-Data-Mining for Efficacy Analysis -- Support-Vector-Machines for Efficacy Analysis -- Neural-Networks for Efficacy Analysis -- Ensembled-Accuracies for Efficacy Analysis -- Ensembled-Correlations for Efficacy Analysis -- Gamma-Distributionsfor Efficacy Analysis -- Validation with Big Data, a Big Issue -- Index. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Efficacy Analysis in Clinical Trials an Update : Efficacy Analysis in an Era of Machine Learning [documento electrónico] / Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor . - 1 ed. . - [s.l.] : Springer, 2019 . - XI, 304 p. 295 ilustraciones, 44 ilustraciones en color.
ISBN : 978-3-030-19918-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Biología Biometría Investigación biomédica Bioestadística Índice Dewey: 610.72 Medicina (Investigación Experimental) Resumen: El aprendizaje automático y el big data están de moda. Sin embargo, prácticamente no se utiliza en ensayos clínicos. Esto es así porque la aleatorización se aplica para igualar múltiples variables. Los archivos informáticos médicos modernos a menudo implican cientos de variables como genes y otros valores de laboratorio, y se requieren métodos computacionales intensivos. Esta es la primera publicación de ensayos clínicos que se han analizado sistemáticamente con aprendizaje automático. Además, todos los análisis de aprendizaje automático se probaron con análisis tradicionales. Se incluyen estadísticas paso a paso para las autoevaluaciones. Los autores concluyen que el aprendizaje automático suele ser más informativo y proporciona mejores sensibilidades de prueba que los métodos analíticos tradicionales. Nota de contenido: Preface -- Traditional and Machine-Learning Methods for Efficacy Analysis -- Optimal-Scaling for Efficacy Analysis -- Ratio-Statistic for Efficacy Analysis -- Ratio-Statistic for Efficacy Analysis -- Complex-Samples for Efficacy Analysis -- Bayesian-Networks for Efficacy Analysis -- Evolutionary-Operations for Efficacy Analysis -- Automatic-Newton-Modeling for Efficacy Analysis -- High-Risk-Bins for Efficacy Analysis -- Balanced-Iterative-Reducing-Hierarchy for Efficacy Analysis -- Cluster-Analysis for Efficacy Analysis -- Multidimensional-Scaling for Efficacy Analysis -- Binary Decision-Trees for Efficacy Analysis -- Continuous Decision-Trees for Efficacy Analysis -- Automatic-Data-Mining for Efficacy Analysis -- Support-Vector-Machines for Efficacy Analysis -- Neural-Networks for Efficacy Analysis -- Ensembled-Accuracies for Efficacy Analysis -- Ensembled-Correlations for Efficacy Analysis -- Gamma-Distributionsfor Efficacy Analysis -- Validation with Big Data, a Big Issue -- Index. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Machine Learning in Medicine – A Complete Overview Tipo de documento: documento electrónico Autores: Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor Mención de edición: 2 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XXX, 667 p. 548 ilustraciones, 131 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-33970-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Biología Ciencias Médicas Estadísticas Ciencias sociales Humanidades Investigación biomédica Ciencias de la Salud Humanidades y Ciencias Sociales Índice Dewey: 610.72 Medicina (Investigación Experimental) Resumen: Una salud y una atención sanitaria adecuadas ya no son posibles sin una supervisión adecuada de los datos mediante metodologías modernas de aprendizaje automático, como modelos de clústeres, redes neuronales y otras metodologías de extracción de datos. El libro actual es la primera publicación de una descripción completa de las metodologías de aprendizaje automático para el sector médico y de la salud, y fue escrito como un compañero de capacitación y como una lectura obligada, no solo para médicos y estudiantes, sino también para cualquier persona. involucrados en el proceso y progreso de la salud y la atención sanitaria. En esta segunda edición los autores han eliminado los errores textuales de la primera edición. Además, las tablas mejoradas de la primera edición han sido reemplazadas por las tablas originales de los programas de software tal como se aplicaron. Esto se debe a que, a diferencia de los primeros, los segundos no contenían errores y los lectores estaban mejor familiarizados con ellos. El objetivo principal de la primera edición fue proporcionar análisis paso a paso de los nuevos métodos a partir de ejemplos de datos, pero es posible que haya faltado información de antecedentes e información de relevancia clínica. Por lo tanto, cada capítulo contiene ahora una sección titulada "Información general". El aprendizaje automático puede ser más informativo y proporcionar una mayor sensibilidad de las pruebas que los métodos analíticos tradicionales. En la segunda edición se ha dado cabida al uso del aprendizaje automático no sólo al análisis de datos clínicos observacionales, sino también al de ensayos clínicos controlados. A diferencia de la primera edición, la segunda edición tiene dibujos a todo color que proporcionan una dimensión adicional útil al análisis de datos. En esta edición actualizada se han incluido varias metodologías de aprendizaje automático que aún no se tratan en la primera edición, pero que son cada vez más importantes en la actualidad, por ejemplo, regresiones binomiales negativas y de Poisson, análisis canónicos dispersos, análisis logístico ajustado por sesgo de Firth, investigación ómica, valores propios y vectores propios. . . Nota de contenido: Preface -- Section I Cluster and Classification Models -- Hierarchical Clustering and K-means Clustering to Identify Subgroups in Surveys (50 Patients) -- Density-based Clustering to Identify Outlier Groups in Otherwise Homogeneous Data (50 Patients) -- Two Step Clustering to Identify Subgroups and Predict Subgroup Memberships in Individual Future Patients (120 Patients) -- Nearest Neighbors for Classifying New Medicines (2 New and 25 Old Opioids) -- Predicting High-Risk-Bin Memberships (1445 Families) -- Predicting Outlier Memberships (2000 Patients) -- Data Mining for Visualization of Health Processes (150 Patients) -- Trained Decision Trees for a More Meaningful Accuracy (150 Patients) -- Typology of Medical Data (51 Patients) -- Predictions from Nominal Clinical Data (450 Patients) -- Predictions from Ordinal Clinical Data (450 Patients) -- Assessing Relative Health Risks (3000 Subjects) -- Measurement Agreements (30 Patients) -- Column Proportions for Testing Differences between Outcome Scores (450 Patients) -- Pivoting Trays and Tables for Improved Analysis of Multidimensional Data (450 Patients) -- Online Analytical Procedure Cubes for a More Rapid Approach to Analyzing Frequencies (450 Patients) -- Restructure Data Wizard for Data Classified the Wrong Way (20 Patients) -- Control Charts for Quality Control of Medicines (164 Tablet Desintegration Times) -- Section II (Log) Linear Models -- Linear, Logistic, and Cox Regression for Outcome Prediction with Unpaired Data (20, 55, and 60 Patients) -- Generalized Linear Models for Outcome Prediction with Paired Data (100 Patients and 139 Physicians) -- Generalized Linear Models for Predicting Event-Rates (50 Patients) -- Factor Analysis and Partial Least Squares (PLS) for Complex-Data Reduction (250 Patients) -- Optimal Scaling of High-sensitivity Analysis of Health Predictors (250 Patients) -- Discriminant Analysis for Making a Diagnosis from Multiple Outcomes (45 Patients) -- Weighted Least Squares for Adjusting Efficacy Data with Inconsistent Spread (78 Patients) -- Partial Correlations for Removing Interaction Effects from Efficacy Data (64 Patients) -- Canonical Regression for Overall Statistics of Multivariate Data (250 Patients) -- Multinomial Regression for Outcome Categories (55 Patients) -- Various Methods for Analyzing Predictor Categories (60 and 30 Patients) -- Random Intercept Models for Both Outcome and Predictor Categories (55 Patients) -- Automatic Regression for Maximizing Linear Relationships (55 Patients) -- Simulation Models for Varying Predictors (9000 Patients) -- Generalized Linear Mixed Models for Outcome Prediction from Mixed Data (20 Patients) -- Two Stage Least Squares for Linear Models with Problematic Predictors (35 Patients) -- Autoregressive Models for Longitudinal Data (120 Monthly Population Records) -- Variance Components for Assessing the Magnitude of Random Effects (40 Patients) -- Ordinal Scaling for Clinical Scores with Inconsistent Intervals (900 Patients) -- Loglinear Models for Assessing Incident Rates with Varying Incident Risks (12 Populations) -- Loglinear Models for Outcome Categories (445 Patients) -- More on Polytomous Outcome Regressions (450 Patients) -- Heterogeneity in Clinical Research: Mechanisms Responsible (20 Studies) -- Performance Evaluation of Novel Diagnostic Tests (650 and 588 Patients) -- Quantile - Quantile Plots, a Good Start for Looking at Your Medical Data (50 Cholesterol Measurements and 52 Patients) -- Rate Analysis of Medical Data Better than Risk Analysis (52 Patients) -- Trend Tests Will Be Statistically Significant if Traditional Tests Are not (30 and 106 Patients) -- Doubly Multivariate Analysis of Variance for Multiple Observations from Multiple Outcome Variables (16 Patients) -- Probit Models for Estimating Effective Pharmacological Treatment Dosages (14 Tests) -- Interval Censored Data Analysis for Assessing Mean Time to Cancer Relapse (51 Patients) -- Structural Equation Modeling with SPSS Analysis of Moment Structures (Amos) for CauseEffect Relationships I (35 Patients) -- Structural Equation Modeling with SPSS Analysis of Moment Structures (Amos) for Cause Effect Relationships II (35 Patients) -- Firth's Bias-adjusted Estimates for Biased Logistic Data Models (23 Challenger launchings) -- Omics Research (125 Patients, 24 Predictor Variables) -- Sparse Canonical Correlation Analysis (12209 Genes in 45 Glioblastoma Carriers) -- Eigenvalues, Eigenvectors and Eigenfunctions (45 and 250 Patients) -- Section III Rules Models -- Neural Networks for Assessing Relationships that are Typically Nonlinear (90 Patients) -- Complex Samples Methodologies for Unbiased Sampling (9,678 Persons) -- Correspondence Analysis for Identifying the Best of Multiple Treatments in Multiple Groups (217 Patients) -- Decision Trees for Decision Analysis (1004 and 953 Patients) -- Multidimensional Scaling for Visualizing Experienced Drug Efficacies (14 Pain-killers and 42 Patients) -- Stochastic Processes for Long Term Predictions from Short Term Observations -- Optimal Binning for Finding High Risk Cut-offs (1445 Families) -- Conjoint Analysis for Determining the Most Appreciated Properties of Medicines to Be Developed (15 Physicians) -- Item Response Modeling for Analyzing Quality of Life with Better Precision (1000 Patients) -- Survival Studies with Varying Risks of Dying (50 and 60 Patients) -- Fuzzy Logic for Improved Precision of Pharmacological Data Analysis (9 Induction Dosages) -- Automatic Data Mining for the Best Treatment of a Disease (90 Patients) -- Pareto Charts for Identifying the Main Factors of Multifactorial Outcomes (2000 Admissions to Hospital) -- Radial Basis Neural Networks for Multidimensional Gaussian Data (90 persons) -- Automatic Modeling for Drug Efficacy Prediction (250 Patients) -- Automatic Modeling for Clinical Event Prediction (200 Patients) -- Automatic Newton Modeling in Clinical Pharmacology (15 Alfentanil dosages, 15 Quinidine time-concentration relationships) -- Spectral Plots for High Sensitivity Assessment of Periodicity (6 Years' Monthly C Reactive Protein Levels) -- Runs Test for Identifying Best Analysis Models (21 Estimates of Quantity and Quality of Patient Care) -- Evolutionary Operations for Health Process Improvement (8 Operation Room Settings) -- Bayesian Networks for Cause Effect Modeling (600 Patients) -- Support Vector Machines for Imperfect Nonlinear Data (200 Patients) -- Multiple Response Sets for Visualizing Clinical Data Trends (811 Patient Visits) -- Protein and DNA Sequence Mining -- Iteration Methods for Crossvalidation (150 Patients) -- Testing Parallel-groups with Different Sample Sizes and Variances (5 Parallel-group Studies) -- Association Rules between Exposure and Outcome (50 and 60 Patients) -- Confidence Intervals for Proportions and Differences in Proportions (100 and 75 Patients) -- Ratio Statistics for Efficacy Analysis of New Drugs 50 Patients) -- Fifth Order Polynomes of Circadian Rhythms (1 Patient) -- Gamma Distribution for Estimating the Predictors of MedicalOutcomes (110 Patients) -- Index. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Machine Learning in Medicine – A Complete Overview [documento electrónico] / Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor . - 2 ed. . - [s.l.] : Springer, 2020 . - XXX, 667 p. 548 ilustraciones, 131 ilustraciones en color.
ISBN : 978-3-030-33970-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Biología Ciencias Médicas Estadísticas Ciencias sociales Humanidades Investigación biomédica Ciencias de la Salud Humanidades y Ciencias Sociales Índice Dewey: 610.72 Medicina (Investigación Experimental) Resumen: Una salud y una atención sanitaria adecuadas ya no son posibles sin una supervisión adecuada de los datos mediante metodologías modernas de aprendizaje automático, como modelos de clústeres, redes neuronales y otras metodologías de extracción de datos. El libro actual es la primera publicación de una descripción completa de las metodologías de aprendizaje automático para el sector médico y de la salud, y fue escrito como un compañero de capacitación y como una lectura obligada, no solo para médicos y estudiantes, sino también para cualquier persona. involucrados en el proceso y progreso de la salud y la atención sanitaria. En esta segunda edición los autores han eliminado los errores textuales de la primera edición. Además, las tablas mejoradas de la primera edición han sido reemplazadas por las tablas originales de los programas de software tal como se aplicaron. Esto se debe a que, a diferencia de los primeros, los segundos no contenían errores y los lectores estaban mejor familiarizados con ellos. El objetivo principal de la primera edición fue proporcionar análisis paso a paso de los nuevos métodos a partir de ejemplos de datos, pero es posible que haya faltado información de antecedentes e información de relevancia clínica. Por lo tanto, cada capítulo contiene ahora una sección titulada "Información general". El aprendizaje automático puede ser más informativo y proporcionar una mayor sensibilidad de las pruebas que los métodos analíticos tradicionales. En la segunda edición se ha dado cabida al uso del aprendizaje automático no sólo al análisis de datos clínicos observacionales, sino también al de ensayos clínicos controlados. A diferencia de la primera edición, la segunda edición tiene dibujos a todo color que proporcionan una dimensión adicional útil al análisis de datos. En esta edición actualizada se han incluido varias metodologías de aprendizaje automático que aún no se tratan en la primera edición, pero que son cada vez más importantes en la actualidad, por ejemplo, regresiones binomiales negativas y de Poisson, análisis canónicos dispersos, análisis logístico ajustado por sesgo de Firth, investigación ómica, valores propios y vectores propios. . . Nota de contenido: Preface -- Section I Cluster and Classification Models -- Hierarchical Clustering and K-means Clustering to Identify Subgroups in Surveys (50 Patients) -- Density-based Clustering to Identify Outlier Groups in Otherwise Homogeneous Data (50 Patients) -- Two Step Clustering to Identify Subgroups and Predict Subgroup Memberships in Individual Future Patients (120 Patients) -- Nearest Neighbors for Classifying New Medicines (2 New and 25 Old Opioids) -- Predicting High-Risk-Bin Memberships (1445 Families) -- Predicting Outlier Memberships (2000 Patients) -- Data Mining for Visualization of Health Processes (150 Patients) -- Trained Decision Trees for a More Meaningful Accuracy (150 Patients) -- Typology of Medical Data (51 Patients) -- Predictions from Nominal Clinical Data (450 Patients) -- Predictions from Ordinal Clinical Data (450 Patients) -- Assessing Relative Health Risks (3000 Subjects) -- Measurement Agreements (30 Patients) -- Column Proportions for Testing Differences between Outcome Scores (450 Patients) -- Pivoting Trays and Tables for Improved Analysis of Multidimensional Data (450 Patients) -- Online Analytical Procedure Cubes for a More Rapid Approach to Analyzing Frequencies (450 Patients) -- Restructure Data Wizard for Data Classified the Wrong Way (20 Patients) -- Control Charts for Quality Control of Medicines (164 Tablet Desintegration Times) -- Section II (Log) Linear Models -- Linear, Logistic, and Cox Regression for Outcome Prediction with Unpaired Data (20, 55, and 60 Patients) -- Generalized Linear Models for Outcome Prediction with Paired Data (100 Patients and 139 Physicians) -- Generalized Linear Models for Predicting Event-Rates (50 Patients) -- Factor Analysis and Partial Least Squares (PLS) for Complex-Data Reduction (250 Patients) -- Optimal Scaling of High-sensitivity Analysis of Health Predictors (250 Patients) -- Discriminant Analysis for Making a Diagnosis from Multiple Outcomes (45 Patients) -- Weighted Least Squares for Adjusting Efficacy Data with Inconsistent Spread (78 Patients) -- Partial Correlations for Removing Interaction Effects from Efficacy Data (64 Patients) -- Canonical Regression for Overall Statistics of Multivariate Data (250 Patients) -- Multinomial Regression for Outcome Categories (55 Patients) -- Various Methods for Analyzing Predictor Categories (60 and 30 Patients) -- Random Intercept Models for Both Outcome and Predictor Categories (55 Patients) -- Automatic Regression for Maximizing Linear Relationships (55 Patients) -- Simulation Models for Varying Predictors (9000 Patients) -- Generalized Linear Mixed Models for Outcome Prediction from Mixed Data (20 Patients) -- Two Stage Least Squares for Linear Models with Problematic Predictors (35 Patients) -- Autoregressive Models for Longitudinal Data (120 Monthly Population Records) -- Variance Components for Assessing the Magnitude of Random Effects (40 Patients) -- Ordinal Scaling for Clinical Scores with Inconsistent Intervals (900 Patients) -- Loglinear Models for Assessing Incident Rates with Varying Incident Risks (12 Populations) -- Loglinear Models for Outcome Categories (445 Patients) -- More on Polytomous Outcome Regressions (450 Patients) -- Heterogeneity in Clinical Research: Mechanisms Responsible (20 Studies) -- Performance Evaluation of Novel Diagnostic Tests (650 and 588 Patients) -- Quantile - Quantile Plots, a Good Start for Looking at Your Medical Data (50 Cholesterol Measurements and 52 Patients) -- Rate Analysis of Medical Data Better than Risk Analysis (52 Patients) -- Trend Tests Will Be Statistically Significant if Traditional Tests Are not (30 and 106 Patients) -- Doubly Multivariate Analysis of Variance for Multiple Observations from Multiple Outcome Variables (16 Patients) -- Probit Models for Estimating Effective Pharmacological Treatment Dosages (14 Tests) -- Interval Censored Data Analysis for Assessing Mean Time to Cancer Relapse (51 Patients) -- Structural Equation Modeling with SPSS Analysis of Moment Structures (Amos) for CauseEffect Relationships I (35 Patients) -- Structural Equation Modeling with SPSS Analysis of Moment Structures (Amos) for Cause Effect Relationships II (35 Patients) -- Firth's Bias-adjusted Estimates for Biased Logistic Data Models (23 Challenger launchings) -- Omics Research (125 Patients, 24 Predictor Variables) -- Sparse Canonical Correlation Analysis (12209 Genes in 45 Glioblastoma Carriers) -- Eigenvalues, Eigenvectors and Eigenfunctions (45 and 250 Patients) -- Section III Rules Models -- Neural Networks for Assessing Relationships that are Typically Nonlinear (90 Patients) -- Complex Samples Methodologies for Unbiased Sampling (9,678 Persons) -- Correspondence Analysis for Identifying the Best of Multiple Treatments in Multiple Groups (217 Patients) -- Decision Trees for Decision Analysis (1004 and 953 Patients) -- Multidimensional Scaling for Visualizing Experienced Drug Efficacies (14 Pain-killers and 42 Patients) -- Stochastic Processes for Long Term Predictions from Short Term Observations -- Optimal Binning for Finding High Risk Cut-offs (1445 Families) -- Conjoint Analysis for Determining the Most Appreciated Properties of Medicines to Be Developed (15 Physicians) -- Item Response Modeling for Analyzing Quality of Life with Better Precision (1000 Patients) -- Survival Studies with Varying Risks of Dying (50 and 60 Patients) -- Fuzzy Logic for Improved Precision of Pharmacological Data Analysis (9 Induction Dosages) -- Automatic Data Mining for the Best Treatment of a Disease (90 Patients) -- Pareto Charts for Identifying the Main Factors of Multifactorial Outcomes (2000 Admissions to Hospital) -- Radial Basis Neural Networks for Multidimensional Gaussian Data (90 persons) -- Automatic Modeling for Drug Efficacy Prediction (250 Patients) -- Automatic Modeling for Clinical Event Prediction (200 Patients) -- Automatic Newton Modeling in Clinical Pharmacology (15 Alfentanil dosages, 15 Quinidine time-concentration relationships) -- Spectral Plots for High Sensitivity Assessment of Periodicity (6 Years' Monthly C Reactive Protein Levels) -- Runs Test for Identifying Best Analysis Models (21 Estimates of Quantity and Quality of Patient Care) -- Evolutionary Operations for Health Process Improvement (8 Operation Room Settings) -- Bayesian Networks for Cause Effect Modeling (600 Patients) -- Support Vector Machines for Imperfect Nonlinear Data (200 Patients) -- Multiple Response Sets for Visualizing Clinical Data Trends (811 Patient Visits) -- Protein and DNA Sequence Mining -- Iteration Methods for Crossvalidation (150 Patients) -- Testing Parallel-groups with Different Sample Sizes and Variances (5 Parallel-group Studies) -- Association Rules between Exposure and Outcome (50 and 60 Patients) -- Confidence Intervals for Proportions and Differences in Proportions (100 and 75 Patients) -- Ratio Statistics for Efficacy Analysis of New Drugs 50 Patients) -- Fifth Order Polynomes of Circadian Rhythms (1 Patient) -- Gamma Distribution for Estimating the Predictors of MedicalOutcomes (110 Patients) -- Index. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Modern Bayesian Statistics in Clinical Research Tipo de documento: documento electrónico Autores: Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: X, 188 p. 84 ilustraciones, 38 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-92747-3 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Ciencias Médicas Biometría Ciencias de la Salud Bioestadística Índice Dewey: 610 Medicina (Generalidades) Resumen: El libro de texto actual ha sido escrito como una ayuda para los estudiantes y profesionales médicos/de la salud para el estudio de la estadística bayesiana moderna, donde las probabilidades anteriores y posteriores han sido reemplazadas por distribuciones de probabilidad anteriores y posteriores. ¿Por qué las distribuciones de probabilidad pueden estimar mejor que las distribuciones normales las incertidumbres de los resultados de las pruebas estadísticas? Nadie lo sabe con seguridad, y el uso de distribuciones de probabilidad en lugar de distribuciones normales apenas ha comenzado, pero ya todo el mundo las está probando y utilizando. La versión 25 (2017) del software estadístico SPSS ha comenzado a proporcionar un módulo combinado titulado Estadísticas bayesianas que incluye casi todas las pruebas bayesianas modernas (pruebas t bayesianas, análisis de varianza (anova), regresión lineal, tablas cruzadas, etc.). Las estadísticas bayesianas modernas se basan en probabilidades biológicas y pueden ajustarse mejor a los datos clínicos que las pruebas tradicionales basadas en distribuciones normales. Esta es la primera edición que implica sistemáticamente las estadísticas bayesianas modernas en el análisis de datos clínicos tradicionales. Esta edición también demuestra que los procedimientos de Markov Chain Monte Carlo establecidos como pruebas bayesianas proporcionan coeficientes de correlación más sólidos que las pruebas tradicionales. También muestra que las estadísticas de trayectoria tradicionales son textual y conceptualmente similares a los teoremas de Bayes, y que los modelos de ecuaciones estructurales calculados a partir de ellos son la base de las regresiones de múltiples pasos, como se usan con las redes bayesianas causales. . Nota de contenido: Preface -- General Introduction to Modern Bayesian Statistics -- Traditional Bayes: Diagnostic Tests, Genetic Research, Bayes and Drug Trials -- Bayesian Tests for One Sample Continuous Data -- Bayesian Tests for One Sample Binary Data -- Bayesian Paired T-Tests -- Bayesian Unpaired T-Tests -- Bayesian Regressions -- Bayesian Analysis of Variance (Anova) -- Bayesian Loglinear Regression -- Bayesian Poisson Rate Analysis -- Bayesian Pearson Correlations -- Bayesian Statistics: Markov Chain Monte Carlo Sampling -- Bayes and Causal Relationships -- Bayesian Network -- Index. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Modern Bayesian Statistics in Clinical Research [documento electrónico] / Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor . - 1 ed. . - [s.l.] : Springer, 2018 . - X, 188 p. 84 ilustraciones, 38 ilustraciones en color.
ISBN : 978-3-319-92747-3
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Ciencias Médicas Biometría Ciencias de la Salud Bioestadística Índice Dewey: 610 Medicina (Generalidades) Resumen: El libro de texto actual ha sido escrito como una ayuda para los estudiantes y profesionales médicos/de la salud para el estudio de la estadística bayesiana moderna, donde las probabilidades anteriores y posteriores han sido reemplazadas por distribuciones de probabilidad anteriores y posteriores. ¿Por qué las distribuciones de probabilidad pueden estimar mejor que las distribuciones normales las incertidumbres de los resultados de las pruebas estadísticas? Nadie lo sabe con seguridad, y el uso de distribuciones de probabilidad en lugar de distribuciones normales apenas ha comenzado, pero ya todo el mundo las está probando y utilizando. La versión 25 (2017) del software estadístico SPSS ha comenzado a proporcionar un módulo combinado titulado Estadísticas bayesianas que incluye casi todas las pruebas bayesianas modernas (pruebas t bayesianas, análisis de varianza (anova), regresión lineal, tablas cruzadas, etc.). Las estadísticas bayesianas modernas se basan en probabilidades biológicas y pueden ajustarse mejor a los datos clínicos que las pruebas tradicionales basadas en distribuciones normales. Esta es la primera edición que implica sistemáticamente las estadísticas bayesianas modernas en el análisis de datos clínicos tradicionales. Esta edición también demuestra que los procedimientos de Markov Chain Monte Carlo establecidos como pruebas bayesianas proporcionan coeficientes de correlación más sólidos que las pruebas tradicionales. También muestra que las estadísticas de trayectoria tradicionales son textual y conceptualmente similares a los teoremas de Bayes, y que los modelos de ecuaciones estructurales calculados a partir de ellos son la base de las regresiones de múltiples pasos, como se usan con las redes bayesianas causales. . Nota de contenido: Preface -- General Introduction to Modern Bayesian Statistics -- Traditional Bayes: Diagnostic Tests, Genetic Research, Bayes and Drug Trials -- Bayesian Tests for One Sample Continuous Data -- Bayesian Tests for One Sample Binary Data -- Bayesian Paired T-Tests -- Bayesian Unpaired T-Tests -- Bayesian Regressions -- Bayesian Analysis of Variance (Anova) -- Bayesian Loglinear Regression -- Bayesian Poisson Rate Analysis -- Bayesian Pearson Correlations -- Bayesian Statistics: Markov Chain Monte Carlo Sampling -- Bayes and Causal Relationships -- Bayesian Network -- Index. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Modern Meta-Analysis : Review and Update of Methodologies Tipo de documento: documento electrónico Autores: Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XVI, 314 p. 246 ilustraciones, 63 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-55895-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Ciencias Médicas Ciencias de la Salud Índice Dewey: 610 Medicina (Generalidades) Resumen: Los metanálisis modernos hacen más que combinar los tamaños del efecto de una serie de estudios similares. Actualmente, los metanálisis se aplican cada vez más a cualquier análisis más allá del análisis primario de estudios y al análisis de big data. Este libro de 26 capítulos fue escrito para profesionales no matemáticos de la atención médica y de la salud, en primer lugar, pero, además, para cualquier persona involucrada en cualquier campo que involucre la investigación científica. Los autores han publicado más de veinte metanálisis innovadores desde principios de siglo hasta ahora. Esta edición revisará el estado actual del arte, y utilizará para ello los aspectos metodológicos de las propias publicaciones de los autores, además de otras cuestiones metodológicas relevantes de la literatura. ¿Existen trabajos alternativos en el campo? Sí, los hay, particularmente en el campo de la psicología. Los psicólogos inventaron los metanálisis en 1970 y han actualizado metodologías continuamente. Aunque muy interesante, su trabajo, al igual que toda la disciplina de la psicología, es de naturaleza más bien exploratoria, al igual que su enfoque en el metanálisis. Luego está el campo de los epidemiólogos. Muchos de ellos pertenecen a la escuela de jóvenes enojados, que publican noticias impactantes todo el tiempo, y JAMA y otros editores están felices de publicarlas. La realidad es, por supuesto, que las cosas no suelen ser tan malas como parecen. Finalmente, algunos libros de texto, escritos por estadísticos profesionales, tienden a utilizar programas de software con programas de menú miserables y que requieren aprender mucha sintaxis. Esto es prohibitivo para los profesionales clínicos y otros profesionales de la salud. La edición actual es el primer libro de texto en el campo del metanálisis escrito íntegramente por dos científicos clínicos y consta de muchos ejemplos de datos y análisis paso a paso, en su mayoría de la propia investigación clínica de los autores. . Nota de contenido: Preface -- Meta-Analysis in a Nutshell -- Mathematical Fram-ework -- Meta-Analysis and the Scientific Method -- Meta-Analysis and Random Effects Analysis -- Meta-Analysis Software Programs -- Meta-Analysis of Randomized Controlled Trials -- Meta-Analysis of Observational plus Randomized Studies -- Meta-Analysis of Observational Studies -- Meta-Regression -- Meta-Analysis of Diagnostic Studies -- Meta-Meta-Analyses -- Network Meta-Analysis -- Random Intercepts Meta-Analysis -- Probit Regression -- Meta-Analysis with General Loglinear Models -- Meta-Analysis with Variance Components -- Ensembled Correlation Coefficients -- Ensembled Accuracies -- Meta-Analyses with Multivariate Assessments -- Transforming Odds Ratios into Correlation Coefficients -- Meta-Analyses with Direct and Indirect Comparisons -- Contrast Coefficients Meta-Analysis -- Meta-Analysis with Evolutionary Operations.-. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Modern Meta-Analysis : Review and Update of Methodologies [documento electrónico] / Cleophas, Ton J., Autor ; Zwinderman, Aeilko H., Autor . - 1 ed. . - [s.l.] : Springer, 2017 . - XVI, 314 p. 246 ilustraciones, 63 ilustraciones en color.
ISBN : 978-3-319-55895-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Ciencias Médicas Ciencias de la Salud Índice Dewey: 610 Medicina (Generalidades) Resumen: Los metanálisis modernos hacen más que combinar los tamaños del efecto de una serie de estudios similares. Actualmente, los metanálisis se aplican cada vez más a cualquier análisis más allá del análisis primario de estudios y al análisis de big data. Este libro de 26 capítulos fue escrito para profesionales no matemáticos de la atención médica y de la salud, en primer lugar, pero, además, para cualquier persona involucrada en cualquier campo que involucre la investigación científica. Los autores han publicado más de veinte metanálisis innovadores desde principios de siglo hasta ahora. Esta edición revisará el estado actual del arte, y utilizará para ello los aspectos metodológicos de las propias publicaciones de los autores, además de otras cuestiones metodológicas relevantes de la literatura. ¿Existen trabajos alternativos en el campo? Sí, los hay, particularmente en el campo de la psicología. Los psicólogos inventaron los metanálisis en 1970 y han actualizado metodologías continuamente. Aunque muy interesante, su trabajo, al igual que toda la disciplina de la psicología, es de naturaleza más bien exploratoria, al igual que su enfoque en el metanálisis. Luego está el campo de los epidemiólogos. Muchos de ellos pertenecen a la escuela de jóvenes enojados, que publican noticias impactantes todo el tiempo, y JAMA y otros editores están felices de publicarlas. La realidad es, por supuesto, que las cosas no suelen ser tan malas como parecen. Finalmente, algunos libros de texto, escritos por estadísticos profesionales, tienden a utilizar programas de software con programas de menú miserables y que requieren aprender mucha sintaxis. Esto es prohibitivo para los profesionales clínicos y otros profesionales de la salud. La edición actual es el primer libro de texto en el campo del metanálisis escrito íntegramente por dos científicos clínicos y consta de muchos ejemplos de datos y análisis paso a paso, en su mayoría de la propia investigación clínica de los autores. . Nota de contenido: Preface -- Meta-Analysis in a Nutshell -- Mathematical Fram-ework -- Meta-Analysis and the Scientific Method -- Meta-Analysis and Random Effects Analysis -- Meta-Analysis Software Programs -- Meta-Analysis of Randomized Controlled Trials -- Meta-Analysis of Observational plus Randomized Studies -- Meta-Analysis of Observational Studies -- Meta-Regression -- Meta-Analysis of Diagnostic Studies -- Meta-Meta-Analyses -- Network Meta-Analysis -- Random Intercepts Meta-Analysis -- Probit Regression -- Meta-Analysis with General Loglinear Models -- Meta-Analysis with Variance Components -- Ensembled Correlation Coefficients -- Ensembled Accuracies -- Meta-Analyses with Multivariate Assessments -- Transforming Odds Ratios into Correlation Coefficients -- Meta-Analyses with Direct and Indirect Comparisons -- Contrast Coefficients Meta-Analysis -- Meta-Analysis with Evolutionary Operations.-. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
