Información del autor
Autor Zwinderman, Aeilko H. |
Documentos disponibles escritos por este autor (9)
Crear una solicitud de compra Refinar búsqueda
TÃtulo : Analysis of Safety Data of Drug Trials : An Update Tipo de documento: documento electrónico Autores: Cleophas, Ton J., ; Zwinderman, Aeilko H., 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. Idioma : Inglés (eng) Palabras clave: BiologÃa Investigación biomédica EstadÃstica y Computación Clasificación: 610.72 Resumen: Los autores, como profesores de estadÃstica en varias universidades de Europa, están preocupados por la mala calidad del análisis de los datos de seguridad de los ensayos clÃnicos, a pesar de su importancia en el desarrollo de fármacos y la farmacovigilancia. Los ensayos clÃnicos 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 estadÃstica. Este método bastante tosco se ha complementado recientemente con metodologÃas 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 atÃpicos, los factores de confusión y los factores de interacción son comunes en los ensayos clÃnicos, 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 analÃticos modernos que hasta ahora no se han utilizado en gran medida. Los 16 capÃtulos tienen dos caracterÃsticas 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 capÃtulo 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. . Tipo de medio : Computadora Summary : The authors, as professors in statistics at various universities in Europe, are worrried about the poor quality of safety data analysis of clinical trials, despite its importance in drug development and pharmacovigilance. Clinical trials, not adequately addressing safety, are unethical. An effective approach for the purpose is to present summaries of prevalences. In order to estimate the probability, that the differences between treatment and control group did not occur merely by chance, a statistical test can be performed. This pretty crude method has recently be supplemented with better sensitive methodologies, based on machine learning clusters and networks, and multivariate analyses. Another important novelty with safety data analysis is the new insights into hypothesis testing, favoring the alternative hypotheses instead of the null hypotheses. Finally the issue of dependency is addressed. Adverse effects may be either dependent or independent of the main outcome. Dependent adverse effect are dependent not only on the treatment modalities, but also on the outcome of the trials. Random heterogeneities, outliers, confounders, interaction factors are common in clinical trials, and all of them can be considered kinds of adverse effects of the dependent type. Random regressions and analyses of variance, high dimensional clusterings, partial correlations, structural equations models, and other Bayesian methods are helpful for their analysis. The current edition was particularly written for medical and health professionals and students. It provides examples of modern analytic methods so far largely unused. All of the 16 chapters have two core characteristics, first they are for current usage, second they try and tell what readers need to know in order to understand the methods. Step by step analyses are given and self-assessment examples are supplied. Each chapter can be studied as a stand-alone. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Analysis of Safety Data of Drug Trials : An Update [documento electrónico] / Cleophas, Ton J., ; Zwinderman, Aeilko H., . - 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.
Idioma : Inglés (eng)
Palabras clave: BiologÃa Investigación biomédica EstadÃstica y Computación Clasificación: 610.72 Resumen: Los autores, como profesores de estadÃstica en varias universidades de Europa, están preocupados por la mala calidad del análisis de los datos de seguridad de los ensayos clÃnicos, a pesar de su importancia en el desarrollo de fármacos y la farmacovigilancia. Los ensayos clÃnicos 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 estadÃstica. Este método bastante tosco se ha complementado recientemente con metodologÃas 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 atÃpicos, los factores de confusión y los factores de interacción son comunes en los ensayos clÃnicos, 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 analÃticos modernos que hasta ahora no se han utilizado en gran medida. Los 16 capÃtulos tienen dos caracterÃsticas 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 capÃtulo 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. . Tipo de medio : Computadora Summary : The authors, as professors in statistics at various universities in Europe, are worrried about the poor quality of safety data analysis of clinical trials, despite its importance in drug development and pharmacovigilance. Clinical trials, not adequately addressing safety, are unethical. An effective approach for the purpose is to present summaries of prevalences. In order to estimate the probability, that the differences between treatment and control group did not occur merely by chance, a statistical test can be performed. This pretty crude method has recently be supplemented with better sensitive methodologies, based on machine learning clusters and networks, and multivariate analyses. Another important novelty with safety data analysis is the new insights into hypothesis testing, favoring the alternative hypotheses instead of the null hypotheses. Finally the issue of dependency is addressed. Adverse effects may be either dependent or independent of the main outcome. Dependent adverse effect are dependent not only on the treatment modalities, but also on the outcome of the trials. Random heterogeneities, outliers, confounders, interaction factors are common in clinical trials, and all of them can be considered kinds of adverse effects of the dependent type. Random regressions and analyses of variance, high dimensional clusterings, partial correlations, structural equations models, and other Bayesian methods are helpful for their analysis. The current edition was particularly written for medical and health professionals and students. It provides examples of modern analytic methods so far largely unused. All of the 16 chapters have two core characteristics, first they are for current usage, second they try and tell what readers need to know in order to understand the methods. Step by step analyses are given and self-assessment examples are supplied. Each chapter can be studied as a stand-alone. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Efficacy Analysis in Clinical Trials an Update : Efficacy Analysis in an Era of Machine Learning Tipo de documento: documento electrónico Autores: Cleophas, Ton J., ; Zwinderman, Aeilko H., 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. Idioma : Inglés (eng) Palabras clave: BiologÃa BiometrÃa Investigación biomédica BioestadÃstica Clasificación: 610.72 Resumen: El aprendizaje automático y el big data están de moda. Sin embargo, prácticamente no se utiliza en ensayos clÃnicos. Esto es asà 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 clÃnicos que se han analizado sistemáticamente con aprendizaje automático. Además, todos los análisis de aprendizaje automático se probaron con análisis tradicionales. Se incluyen estadÃsticas 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 analÃticos 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. Tipo de medio : Computadora Summary : Machine learning and big data is hot. It is, however, virtually unused in clinical trials. This is so, because randomization is applied to even out multiple variables. Modern medical computer files often involve hundreds of variables like genes and other laboratory values, and computationally intensive methods are required. This is the first publication of clinical trials that have been systematically analyzed with machine learning. In addition, all of the machine learning analyses were tested against traditional analyses. Step by step statistics for self-assessments are included. The authors conclude, that machine learning is often more informative, and provides better sensitivities of testing than traditional analytic methods do. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Efficacy Analysis in Clinical Trials an Update : Efficacy Analysis in an Era of Machine Learning [documento electrónico] / Cleophas, Ton J., ; Zwinderman, Aeilko H., . - 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.
Idioma : Inglés (eng)
Palabras clave: BiologÃa BiometrÃa Investigación biomédica BioestadÃstica Clasificación: 610.72 Resumen: El aprendizaje automático y el big data están de moda. Sin embargo, prácticamente no se utiliza en ensayos clÃnicos. Esto es asà 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 clÃnicos que se han analizado sistemáticamente con aprendizaje automático. Además, todos los análisis de aprendizaje automático se probaron con análisis tradicionales. Se incluyen estadÃsticas 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 analÃticos 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. Tipo de medio : Computadora Summary : Machine learning and big data is hot. It is, however, virtually unused in clinical trials. This is so, because randomization is applied to even out multiple variables. Modern medical computer files often involve hundreds of variables like genes and other laboratory values, and computationally intensive methods are required. This is the first publication of clinical trials that have been systematically analyzed with machine learning. In addition, all of the machine learning analyses were tested against traditional analyses. Step by step statistics for self-assessments are included. The authors conclude, that machine learning is often more informative, and provides better sensitivities of testing than traditional analytic methods do. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Machine Learning in Medicine – A Complete Overview Tipo de documento: documento electrónico Autores: Cleophas, Ton J., ; Zwinderman, Aeilko H., 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. Idioma : Inglés (eng) Palabras clave: BiologÃa Ciencias Médicas EstadÃsticas Ciencias sociales Humanidades Investigación biomédica Ciencias de la Salud Humanidades y Ciencias Sociales Clasificación: 610.72 Resumen: Una salud y una atención sanitaria adecuadas ya no son posibles sin una supervisión adecuada de los datos mediante metodologÃas modernas de aprendizaje automático, como modelos de clústeres, redes neuronales y otras metodologÃas de extracción de datos. El libro actual es la primera publicación de una descripción completa de las metodologÃas 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 contenÃan 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 clÃnica. Por lo tanto, cada capÃtulo 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 analÃticos tradicionales. En la segunda edición se ha dado cabida al uso del aprendizaje automático no sólo al análisis de datos clÃnicos observacionales, sino también al de ensayos clÃnicos 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 metodologÃas 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 logÃstico 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. Tipo de medio : Computadora Summary : Adequate health and health care is no longer possible without proper data supervision from modern machine learning methodologies like cluster models, neural networks, and other data mining methodologies. The current book is the first publication of a complete overview of machine learning methodologies for the medical and health sector, and it was written as a training companion, and as a must-read, not only for physicians and students, but also for any one involved in the process and progress of health and health care. In this second edition the authors have removed the textual errors from the first edition. Also, the improved tables from the first edition, have been replaced with the original tables from the software programs as applied. This is, because, unlike the former, the latter were without error, and readers were better familiar with them. The main purpose of the first edition was, to provide stepwise analyses of the novel methods from dataexamples, but background information and clinical relevance information may have been somewhat lacking. Therefore, each chapter now contains a section entitled "Background Information". Machine learning may be more informative, and may provide better sensitivity of testing than traditional analytic methods may do. In the second edition a place has been given for the use of machine learning not only to the analysis of observational clinical data, but also to that of controlled clinical trials. Unlike the first edition, the second edition has drawings in full color providing a helpful extra dimension to the data analysis. Several machine learning methodologies not yet covered in the first edition, but increasingly important today, have been included in this updated edition, for example, negative binomial and Poisson regressions, sparse canonical analysis, Firth's bias adjusted logistic analysis, omics research, eigenvalues and eigenvectors. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Machine Learning in Medicine – A Complete Overview [documento electrónico] / Cleophas, Ton J., ; Zwinderman, Aeilko H., . - 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.
Idioma : Inglés (eng)
Palabras clave: BiologÃa Ciencias Médicas EstadÃsticas Ciencias sociales Humanidades Investigación biomédica Ciencias de la Salud Humanidades y Ciencias Sociales Clasificación: 610.72 Resumen: Una salud y una atención sanitaria adecuadas ya no son posibles sin una supervisión adecuada de los datos mediante metodologÃas modernas de aprendizaje automático, como modelos de clústeres, redes neuronales y otras metodologÃas de extracción de datos. El libro actual es la primera publicación de una descripción completa de las metodologÃas 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 contenÃan 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 clÃnica. Por lo tanto, cada capÃtulo 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 analÃticos tradicionales. En la segunda edición se ha dado cabida al uso del aprendizaje automático no sólo al análisis de datos clÃnicos observacionales, sino también al de ensayos clÃnicos 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 metodologÃas 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 logÃstico 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. Tipo de medio : Computadora Summary : Adequate health and health care is no longer possible without proper data supervision from modern machine learning methodologies like cluster models, neural networks, and other data mining methodologies. The current book is the first publication of a complete overview of machine learning methodologies for the medical and health sector, and it was written as a training companion, and as a must-read, not only for physicians and students, but also for any one involved in the process and progress of health and health care. In this second edition the authors have removed the textual errors from the first edition. Also, the improved tables from the first edition, have been replaced with the original tables from the software programs as applied. This is, because, unlike the former, the latter were without error, and readers were better familiar with them. The main purpose of the first edition was, to provide stepwise analyses of the novel methods from dataexamples, but background information and clinical relevance information may have been somewhat lacking. Therefore, each chapter now contains a section entitled "Background Information". Machine learning may be more informative, and may provide better sensitivity of testing than traditional analytic methods may do. In the second edition a place has been given for the use of machine learning not only to the analysis of observational clinical data, but also to that of controlled clinical trials. Unlike the first edition, the second edition has drawings in full color providing a helpful extra dimension to the data analysis. Several machine learning methodologies not yet covered in the first edition, but increasingly important today, have been included in this updated edition, for example, negative binomial and Poisson regressions, sparse canonical analysis, Firth's bias adjusted logistic analysis, omics research, eigenvalues and eigenvectors. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Modern Bayesian Statistics in Clinical Research Tipo de documento: documento electrónico Autores: Cleophas, Ton J., ; Zwinderman, Aeilko H., 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. Idioma : Inglés (eng) Palabras clave: Ciencias Médicas BiometrÃa Ciencias de la Salud BioestadÃstica Clasificación: 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 estadÃstica 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 estadÃsticas? 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 estadÃstico SPSS ha comenzado a proporcionar un módulo combinado titulado EstadÃsticas bayesianas que incluye casi todas las pruebas bayesianas modernas (pruebas t bayesianas, análisis de varianza (anova), regresión lineal, tablas cruzadas, etc.). Las estadÃsticas bayesianas modernas se basan en probabilidades biológicas y pueden ajustarse mejor a los datos clÃnicos que las pruebas tradicionales basadas en distribuciones normales. Esta es la primera edición que implica sistemáticamente las estadÃsticas bayesianas modernas en el análisis de datos clÃnicos 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 estadÃsticas 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. . Tipo de medio : Computadora Summary : The current textbook has been written as a help to medical / health professionals and students for the study of modern Bayesian statistics, where posterior and prior odds have been replaced with posterior and prior likelihood distributions. Why may likelihood distributions better than normal distributions estimate uncertainties of statistical test results? Nobody knows for sure, and the use of likelihood distributions instead of normal distributions for the purpose has only just begun, but already everybody is trying and using them. SPSS statistical software version 25 (2017) has started to provide a combined module entitled Bayesian Statistics including almost all of the modern Bayesian tests (Bayesian t-tests, analysis of variance (anova), linear regression, crosstabs etc.). Modern Bayesian statistics is based on biological likelihoods, and may better fit clinical data than traditional tests based normal distributions do. This is the first edition to systematically implymodern Bayesian statistics in traditional clinical data analysis. This edition also demonstrates that Markov Chain Monte Carlo procedures laid out as Bayesian tests provide more robust correlation coefficients than traditional tests do. It also shows that traditional path statistics are both textually and conceptionally like Bayes theorems, and that structural equations models computed from them are the basis of multistep regressions, as used with causal Bayesian networks. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Modern Bayesian Statistics in Clinical Research [documento electrónico] / Cleophas, Ton J., ; Zwinderman, Aeilko H., . - 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.
Idioma : Inglés (eng)
Palabras clave: Ciencias Médicas BiometrÃa Ciencias de la Salud BioestadÃstica Clasificación: 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 estadÃstica 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 estadÃsticas? 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 estadÃstico SPSS ha comenzado a proporcionar un módulo combinado titulado EstadÃsticas bayesianas que incluye casi todas las pruebas bayesianas modernas (pruebas t bayesianas, análisis de varianza (anova), regresión lineal, tablas cruzadas, etc.). Las estadÃsticas bayesianas modernas se basan en probabilidades biológicas y pueden ajustarse mejor a los datos clÃnicos que las pruebas tradicionales basadas en distribuciones normales. Esta es la primera edición que implica sistemáticamente las estadÃsticas bayesianas modernas en el análisis de datos clÃnicos 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 estadÃsticas 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. . Tipo de medio : Computadora Summary : The current textbook has been written as a help to medical / health professionals and students for the study of modern Bayesian statistics, where posterior and prior odds have been replaced with posterior and prior likelihood distributions. Why may likelihood distributions better than normal distributions estimate uncertainties of statistical test results? Nobody knows for sure, and the use of likelihood distributions instead of normal distributions for the purpose has only just begun, but already everybody is trying and using them. SPSS statistical software version 25 (2017) has started to provide a combined module entitled Bayesian Statistics including almost all of the modern Bayesian tests (Bayesian t-tests, analysis of variance (anova), linear regression, crosstabs etc.). Modern Bayesian statistics is based on biological likelihoods, and may better fit clinical data than traditional tests based normal distributions do. This is the first edition to systematically implymodern Bayesian statistics in traditional clinical data analysis. This edition also demonstrates that Markov Chain Monte Carlo procedures laid out as Bayesian tests provide more robust correlation coefficients than traditional tests do. It also shows that traditional path statistics are both textually and conceptionally like Bayes theorems, and that structural equations models computed from them are the basis of multistep regressions, as used with causal Bayesian networks. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Modern Meta-Analysis : Review and Update of Methodologies Tipo de documento: documento electrónico Autores: Cleophas, Ton J., ; Zwinderman, Aeilko H., 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. Idioma : Inglés (eng) Palabras clave: Ciencias Médicas Ciencias de la Salud Clasificación: 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 capÃtulos 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 cientÃfica. 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? SÃ, los hay, particularmente en el campo de la psicologÃa. Los psicólogos inventaron los metanálisis en 1970 y han actualizado metodologÃas continuamente. Aunque muy interesante, su trabajo, al igual que toda la disciplina de la psicologÃa, 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 estadÃsticos profesionales, tienden a utilizar programas de software con programas de menú miserables y que requieren aprender mucha sintaxis. Esto es prohibitivo para los profesionales clÃnicos y otros profesionales de la salud. La edición actual es el primer libro de texto en el campo del metanálisis escrito Ãntegramente por dos cientÃficos clÃnicos y consta de muchos ejemplos de datos y análisis paso a paso, en su mayorÃa de la propia investigación clÃnica 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.-. Tipo de medio : Computadora Summary : Modern meta-analyses do more than combine the effect sizes of a series of similar studies. Meta-analyses are currently increasingly applied for any analysis beyond the primary analysis of studies, and for the analysis of big data. This 26-chapter book was written for nonmathematical professionals of medical and health care, in the first place, but, in addition, for anyone involved in any field involving scientific research. The authors have published over twenty innovative meta-analyses from the turn of the century till now. This edition will review the current state of the art, and will use for that purpose the methodological aspects of the authors' own publications, in addition to other relevant methodological issues from the literature. Are there alternative works in the field? Yes, there are, particularly in the field of psychology. Psychologists have invented meta-analyses in 1970, and have continuously updated methodologies. Although very interesting, their work, justlike the whole discipline of psychology, is rather explorative in nature, and so is their focus to meta-analysis. Then, there is the field of epidemiologists. Many of them are from the school of angry young men, who publish shocking news all the time, and JAMA and other publishers are happy to publish it. The reality is, of course, that things are usually not as bad as they seem. Finally, some textbooks, written by professional statisticians, tend to use software programs with miserable menu programs and requiring lots of syntax to be learnt. This is prohibitive to clinical and other health professionals. The current edition is the first textbook in the field of meta-analysis entirely written by two clinical scientists, and it consists of many data examples and step by step analyses, mostly from the authors' own clinical research. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Modern Meta-Analysis : Review and Update of Methodologies [documento electrónico] / Cleophas, Ton J., ; Zwinderman, Aeilko H., . - 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.
Idioma : Inglés (eng)
Palabras clave: Ciencias Médicas Ciencias de la Salud Clasificación: 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 capÃtulos 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 cientÃfica. 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? SÃ, los hay, particularmente en el campo de la psicologÃa. Los psicólogos inventaron los metanálisis en 1970 y han actualizado metodologÃas continuamente. Aunque muy interesante, su trabajo, al igual que toda la disciplina de la psicologÃa, 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 estadÃsticos profesionales, tienden a utilizar programas de software con programas de menú miserables y que requieren aprender mucha sintaxis. Esto es prohibitivo para los profesionales clÃnicos y otros profesionales de la salud. La edición actual es el primer libro de texto en el campo del metanálisis escrito Ãntegramente por dos cientÃficos clÃnicos y consta de muchos ejemplos de datos y análisis paso a paso, en su mayorÃa de la propia investigación clÃnica 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.-. Tipo de medio : Computadora Summary : Modern meta-analyses do more than combine the effect sizes of a series of similar studies. Meta-analyses are currently increasingly applied for any analysis beyond the primary analysis of studies, and for the analysis of big data. This 26-chapter book was written for nonmathematical professionals of medical and health care, in the first place, but, in addition, for anyone involved in any field involving scientific research. The authors have published over twenty innovative meta-analyses from the turn of the century till now. This edition will review the current state of the art, and will use for that purpose the methodological aspects of the authors' own publications, in addition to other relevant methodological issues from the literature. Are there alternative works in the field? Yes, there are, particularly in the field of psychology. Psychologists have invented meta-analyses in 1970, and have continuously updated methodologies. Although very interesting, their work, justlike the whole discipline of psychology, is rather explorative in nature, and so is their focus to meta-analysis. Then, there is the field of epidemiologists. Many of them are from the school of angry young men, who publish shocking news all the time, and JAMA and other publishers are happy to publish it. The reality is, of course, that things are usually not as bad as they seem. Finally, some textbooks, written by professional statisticians, tend to use software programs with miserable menu programs and requiring lots of syntax to be learnt. This is prohibitive to clinical and other health professionals. The current edition is the first textbook in the field of meta-analysis entirely written by two clinical scientists, and it consists of many data examples and step by step analyses, mostly from the authors' own clinical research. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
