Clinical Prediction Models / Steyerberg, Ewout W.  

Público ISBD Ningún comentario para este título. Título : Clinical Prediction Models : A Practical Approach to Development, Validation, and Updating Tipo de documento: documento electrónico Autores: Steyerberg, Ewout W., Mención de edición: 2 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XXXIII, 558 p. 226 ilustraciones, 161 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-16399-0 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: Biometría  Medicina Interna  Bioestadística Clasificación: 57.015.195 Resumen: La segunda edición de este volumen proporciona información e ilustraciones prácticas sobre cómo se pueden aplicar los conceptos estadísticos modernos y los métodos de regresión en los problemas de predicción médica, incluidos los resultados de diagnóstico y pronóstico. Se han logrado muchos avances en los enfoques estadísticos para la predicción de resultados, pero se necesita una estrategia sensata para el desarrollo, la validación y la actualización de modelos, de modo que los modelos de predicción puedan respaldar mejor la práctica médica. Existe una creciente necesidad de una medicina personalizada basada en la evidencia que utilice un enfoque individualizado para la toma de decisiones médicas. En esta era de Big Data, existe un acceso ampliado a grandes volúmenes de datos recopilados de manera rutinaria y un mayor número de aplicaciones para los modelos de predicción, como la detección temprana dirigida de enfermedades y los enfoques individualizados para las pruebas de diagnóstico y el tratamiento. Clinical Prediction Models presenta una lista de verificación práctica que debe tenerse en cuenta para el desarrollo de un modelo de predicción válido. Los pasos incluyen consideraciones preliminares como el manejo de valores faltantes; codificación de predictores; selección de efectos principales e interacciones para un modelo multivariable; estimación de parámetros del modelo con métodos de contracción e incorporación de datos externos; evaluación del rendimiento y la utilidad; validación interna; y formato de presentación. El texto también aborda problemas comunes que hacen que los modelos de predicción no sean óptimos, como tamaños de muestra pequeños, afirmaciones exageradas y poca generalización. El texto está destinado principalmente a epidemiólogos clínicos y bioestadísticos. Incluyendo muchos estudios de casos y conjuntos de datos y código R disponibles públicamente, el libro también es apropiado como libro de texto para un curso de posgrado sobre modelos predictivos en diagnóstico y pronóstico. Si bien es de naturaleza práctica, el libro también proporciona una perspectiva filosófica sobre el análisis de datos en medicina que va más allá del modelado predictivo. Las actualizaciones de esta edición nueva y ampliada incluyen: • Una discusión de Big Data y sus implicaciones para el diseño de modelos de predicción • Problemas de aprendizaje automático • Más simulaciones con valores ''y'' faltantes • Discusión ampliada sobre la heterogeneidad entre cohortes • Descripción de ShinyApp • Ilustración LASSO actualizada • Nuevos estudios de casos . Nota de contenido: Introduction -- Applications of prediction models.Study design for prediction modeling -- Statistical Models for Prediction -- Overfitting and optimism in prediction models -- Choosing between alternative statistical models -- Missing values -- Case study on dealing with missing values -- Coding of Categorical and Continuous Predictors -- Restrictions on candidate predictors -- Selection of main effects -- Assumptions in regression models: Additivity and linearity -- Modern estimation methods -- Estimation with external information -- Evaluation of performance -- Evaluation of Clinical Usefulness -- Validation of Prediction Models -- Presentation formats -- Patterns of external validity -- Updating for a new setting -- Updating for multiple settings -- Case study on a prediction of 30-day mortality -- Case study on Survival Analysis: prediction of cardiovascular events -- Overall lessons and data sets -- References. Tipo de medio : Computadora Summary : The second edition of this volume provides insight and practical illustrations on how modern statistical concepts and regression methods can be applied in medical prediction problems, including diagnostic and prognostic outcomes. Many advances have been made in statistical approaches towards outcome prediction, but a sensible strategy is needed for model development, validation, and updating, such that prediction models can better support medical practice. There is an increasing need for personalized evidence-based medicine that uses an individualized approach to medical decision-making. In this Big Data era, there is expanded access to large volumes of routinely collected data and an increased number of applications for prediction models, such as targeted early detection of disease and individualized approaches to diagnostic testing and treatment. Clinical Prediction Models presents a practical checklist that needs to be considered for development of avalid prediction model. Steps include preliminary considerations such as dealing with missing values; coding of predictors; selection of main effects and interactions for a multivariable model; estimation of model parameters with shrinkage methods and incorporation of external data; evaluation of performance and usefulness; internal validation; and presentation formatting. The text also addresses common issues that make prediction models suboptimal, such as small sample sizes, exaggerated claims, and poor generalizability. The text is primarily intended for clinical epidemiologists and biostatisticians. Including many case studies and publicly available R code and data sets, the book is also appropriate as a textbook for a graduate course on predictive modeling in diagnosis and prognosis. While practical in nature, the book also provides a philosophical perspective on data analysis in medicine that goes beyond predictive modeling. Updates to this new and expanded edition include: • A discussion of Big Data and its implications for the design of prediction models • Machine learning issues • More simulations with missing 'y' values • Extended discussion on between-cohort heterogeneity • Description of ShinyApp • Updated LASSO illustration • New case studies . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Clinical Prediction Models : A Practical Approach to Development, Validation, and Updating [documento electrónico] / Steyerberg, Ewout W.,  . -  2 ed.  . - [s.l.] : Springer, 2019 . - XXXIII, 558 p. 226 ilustraciones, 161 ilustraciones en color. ISBN : 978-3-030-16399-0 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: Biometría  Medicina Interna  Bioestadística Clasificación: 57.015.195 Resumen: La segunda edición de este volumen proporciona información e ilustraciones prácticas sobre cómo se pueden aplicar los conceptos estadísticos modernos y los métodos de regresión en los problemas de predicción médica, incluidos los resultados de diagnóstico y pronóstico. Se han logrado muchos avances en los enfoques estadísticos para la predicción de resultados, pero se necesita una estrategia sensata para el desarrollo, la validación y la actualización de modelos, de modo que los modelos de predicción puedan respaldar mejor la práctica médica. Existe una creciente necesidad de una medicina personalizada basada en la evidencia que utilice un enfoque individualizado para la toma de decisiones médicas. En esta era de Big Data, existe un acceso ampliado a grandes volúmenes de datos recopilados de manera rutinaria y un mayor número de aplicaciones para los modelos de predicción, como la detección temprana dirigida de enfermedades y los enfoques individualizados para las pruebas de diagnóstico y el tratamiento. Clinical Prediction Models presenta una lista de verificación práctica que debe tenerse en cuenta para el desarrollo de un modelo de predicción válido. Los pasos incluyen consideraciones preliminares como el manejo de valores faltantes; codificación de predictores; selección de efectos principales e interacciones para un modelo multivariable; estimación de parámetros del modelo con métodos de contracción e incorporación de datos externos; evaluación del rendimiento y la utilidad; validación interna; y formato de presentación. El texto también aborda problemas comunes que hacen que los modelos de predicción no sean óptimos, como tamaños de muestra pequeños, afirmaciones exageradas y poca generalización. El texto está destinado principalmente a epidemiólogos clínicos y bioestadísticos. Incluyendo muchos estudios de casos y conjuntos de datos y código R disponibles públicamente, el libro también es apropiado como libro de texto para un curso de posgrado sobre modelos predictivos en diagnóstico y pronóstico. Si bien es de naturaleza práctica, el libro también proporciona una perspectiva filosófica sobre el análisis de datos en medicina que va más allá del modelado predictivo. Las actualizaciones de esta edición nueva y ampliada incluyen: • Una discusión de Big Data y sus implicaciones para el diseño de modelos de predicción • Problemas de aprendizaje automático • Más simulaciones con valores ''y'' faltantes • Discusión ampliada sobre la heterogeneidad entre cohortes • Descripción de ShinyApp • Ilustración LASSO actualizada • Nuevos estudios de casos . Nota de contenido: Introduction -- Applications of prediction models.Study design for prediction modeling -- Statistical Models for Prediction -- Overfitting and optimism in prediction models -- Choosing between alternative statistical models -- Missing values -- Case study on dealing with missing values -- Coding of Categorical and Continuous Predictors -- Restrictions on candidate predictors -- Selection of main effects -- Assumptions in regression models: Additivity and linearity -- Modern estimation methods -- Estimation with external information -- Evaluation of performance -- Evaluation of Clinical Usefulness -- Validation of Prediction Models -- Presentation formats -- Patterns of external validity -- Updating for a new setting -- Updating for multiple settings -- Case study on a prediction of 30-day mortality -- Case study on Survival Analysis: prediction of cardiovascular events -- Overall lessons and data sets -- References. Tipo de medio : Computadora Summary : The second edition of this volume provides insight and practical illustrations on how modern statistical concepts and regression methods can be applied in medical prediction problems, including diagnostic and prognostic outcomes. Many advances have been made in statistical approaches towards outcome prediction, but a sensible strategy is needed for model development, validation, and updating, such that prediction models can better support medical practice. There is an increasing need for personalized evidence-based medicine that uses an individualized approach to medical decision-making. In this Big Data era, there is expanded access to large volumes of routinely collected data and an increased number of applications for prediction models, such as targeted early detection of disease and individualized approaches to diagnostic testing and treatment. Clinical Prediction Models presents a practical checklist that needs to be considered for development of avalid prediction model. Steps include preliminary considerations such as dealing with missing values; coding of predictors; selection of main effects and interactions for a multivariable model; estimation of model parameters with shrinkage methods and incorporation of external data; evaluation of performance and usefulness; internal validation; and presentation formatting. The text also addresses common issues that make prediction models suboptimal, such as small sample sizes, exaggerated claims, and poor generalizability. The text is primarily intended for clinical epidemiologists and biostatisticians. Including many case studies and publicly available R code and data sets, the book is also appropriate as a textbook for a graduate course on predictive modeling in diagnosis and prognosis. While practical in nature, the book also provides a philosophical perspective on data analysis in medicine that goes beyond predictive modeling. Updates to this new and expanded edition include: • A discussion of Big Data and its implications for the design of prediction models • Machine learning issues • More simulations with missing 'y' values • Extended discussion on between-cohort heterogeneity • Description of ShinyApp • Updated LASSO illustration • New case studies . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200