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