Evidencio Berechnungen
Wir möchten hinsichtlich der zugrunde liegenden Berechnungen für die von Evidencio unterstützten Standardalgorithmustypen vollständig transparent sein. Diese Seite listet unsere Standardalgorithmustypen und die zugehörigen Berechnungen auf.
Lineare Regressionsalgorithmen
Lineare Regressionsalgorithmen werden verwendet, um kontinuierliche Ergebnisse vorherzusagen. Die Vorhersage wird geschätzt durch:
vorhergesagtes Ergebnis `P = \beta_0 + X\beta`
Logistische Regressionsalgorithmen:
Logistische Regressionsalgorithmen werden verwendet, um Wahrscheinlichkeiten vorherzusagen. Die Vorhersage wird geschätzt durch:
vorhergesagte Wahrscheinlichkeit `P = e^(X\beta)/(1+e^(X\beta))`
Cox-Proportional-Hazards-Regression
Cox-Proportional-Hazard-Algorithmen werden zur Vorhersage der Wahrscheinlichkeit `S(t)` verwendet, dass der Patient zu einem bestimmten Zeitpunkt (z. B. 5 Jahre nach der Operation) frei von einem Ereignis (z. B. ein biochemisches Rezidiv) zu einem bestimmten Zeitpunkt (z. B. 5 Jahre nach der Operation). Für die Überlebensanalyse wird die Vorhersage geschätzt durch: `S(t) = S_0(t)^exp(X\beta)`
Benutzerdefinierte Berechnung
Benutzer können benutzerdefinierte Berechnungen basierend auf benutzerdefinierten mathematischen Formeln definieren, die in Form von Algorithmus-Variablen ausgedrückt werden. Evidencio unterstützt sowohl einzelne als auch bedingte benutzerdefinierte Formeln. Die benutzerdefinierten Formel(n), die von einem Evidencio-Algorithmus verwendet werden, können immer im Detailbereich des jeweiligen Algorithmuss angezeigt werden, sodass die Algorithmus-Benutzer die zugrunde liegende Algorithmuslogik genau identifizieren können.
Beispiel für bedingte Formeln:
R-Skript-Algorithmen
Evidencio unterstützt die Verwendung von R-Script-Code zur Definition der Berechnungslogik für Vorhersagealgorithmen und Rechner. R-Script-Algorithmen können komplexe und verschachtelte Funktionen enthalten, sofern sie ein einzelnes Ergebnis liefern.
Parameterumwandlungen
In Evidencio können Sie Variablen- / Parameterumwandlungen für jede kontinuierliche Algorithmus-Variablen definieren, um beispielsweise nichtlineares Verhalten zu berücksichtigen. Wir unterstützen sowohl einfache Transformationen als auch bedingte (bereichsbasierte) Transformationen (z. B. kubische Splines), um ein breites Spektrum nichtlinearen Verhaltens zu bewältigen.
Daten des Vertrauensintervalls
Auf Evidencio können Sie Ihren Algorithmenn Vertrauensintervalldaten zuordnen. Ihre Konfidenzintervalldaten können als Bootstrap-Datensatz oder als Kovarianzmatrix angegeben werden. Sie können einfach Ihre Bootstrap- oder Matrixdaten kopieren, z. Excel oder ein anderes Datenblatt.