NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Toplam puan (TS) verileri, Hareket Bozukluğu Topluluğu-Birleşik Parkinson Hastalığı Değerlendirme Ölçeği (MDS-UPDRS) gibi birkaç soru/maddeden oluşan kompozit ölçeklerden elde edilir. Toplanan bilgileri en iyi şekilde kullanan analiz yöntemi madde yanıt teorisi (IRT) modelleridir, ancak bunlar karmaşıktır ve mevcut olmayan madde düzeyinde veriler gerektirir. Bu nedenle, TS genellikle verilerin sınırlı doğasına saygı duymayan standart sürekli değişken (CV) modelleri ile analiz edilir. Sınırlandırılmış tamsayı (BI) modelleri veri doğasına saygı gösterir ancak kapsamlı bir şekilde araştırılmamıştır. Tekrarlanan önlemler için karışık modeller (MMRM), az sayıda varsayım gerektiren ve önyargısız bir şekilde bırakma işlemini ele alan bir alternatiftir. Bir IRT modeli varsa, TS'nin beklenen ortalama ve standart sapması, CV ve BI modellerinin IRT ölçeğindeki parametreleri tahmin etmesine izin veren IRT bilgili işlevler aracılığıyla hesaplanabilir. CV, BI ve MMRM'nin harici verilerdeki uyum, performans ve parametre hassasiyeti (uygun olduğunda) MDS-UPDRS motor alt ölçeğinden simüle edilmiş TS verilerini analiz etmek bu çalışmada araştırılmaktadır. Tüm modeller doğru tahminler ve eğilimler olmadan kalıntılar sağladı, ancak CV ve BI modellerinin uyumu IRT-bilgili işlevlerle geliştirildi. IRT bilgili BI modeli, IRT bilgili CV modelinden daha kesin parametre tahminlerine sahipti. IRT-bilgili modeller de dış verilerde en iyi performansa sahipken, MMRM modeli en kötü idi. Sonuç olarak, (1) IRT bilgili fonksiyonlar TS analizlerini geliştirir ve (2) IRT bilgili BI modelleri, IRT bilgili CV modellerinden daha kesin IRT parametre tahminlerine sahipti.
Özgün kaynak özetini okuyun
Total score (TS) data is generated from composite scales consisting of several questions/items, such as the Movement Disorder Society-Unified Parkinson's Disease Rating Scale (MDS-UPDRS). The analysis method that most fully uses the information gathered is item response theory (IRT) models, but these are complex and require item-level data which may not be available. Therefore, the TS is commonly analysed with standard continuous variable (CV) models, which do not respect the bounded nature of data. Bounded integer (BI) models do respect the data nature but are not as extensively researched. Mixed models for repeated measures (MMRM) are an alternative that requires few assumptions and handles dropout without bias. If an IRT model exists, the expected mean and standard deviation of TS can be computed through IRT-informed functions-which allows CV and BI models to estimate parameters on the IRT scale. The fit, performance on external data and parameter precision (when applicable) of CV, BI and MMRM to analyse simulated TS data from the MDS-UPDRS motor subscale are investigated in this work. All models provided accurate predictions and residuals without trends, but the fit of CV and BI models was improved by IRT-informed functions. The IRT-informed BI model had more precise parameter estimates than the IRT-informed CV model. The IRT-informed models also had the best performance on external data, while the MMRM model was worst. In conclusion, (1) IRT-informed functions improve TS analyses and (2) IRT-informed BI models had more precise IRT parameter estimates than IRT-informed CV models.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.