Calculs - Evidencio
Calculs Evidencio

Nous voulons être totalement transparents en ce qui concerne les calculs sous-jacents pour les types de algorithmes standard supportés par Evidencio. Cette page liste nos types de algorithmes standards et les calculs associés.

Algorithmes de régression linéaire

Les algorithmes de régression linéaire sont utilisés pour prédire des résultats continus. La prédiction est estimée par:
résultat prédit `P = \beta_0 + X\beta`

Algorithmes de régression logistique:

Les algorithmes de régression logistique sont utilisés pour prédire des probabilités. La prédiction est estimée par:
probabilité prédite `P = e^(X\beta)/(1+e^(X\beta))`

Régression proportionnelle de Cox

Les algorithmes des hasards proportionnels de Cox sont utilisés pour prédire la probabilité `S(t)` que le patient soit indemne d'un événement (par exemple biochimique) à un moment donné (par exemple, 5 ans après la chirurgie). Pour l'analyse de survie, la prédiction est estimée par : `S(t) = S_0(t)^exp(X\beta)`

Calculs personnalisés

Les utilisateurs peuvent définir des calculs de prédiction personnalisés basés sur des formules mathématiques personnalisées exprimées en termes de variables d'algorithme. Evidencio supporte à la fois les formules personnalisées simples et conditionnelles. La (les) formule(s) personnalisée(s) utilisée(s) par un algorithme algorithme Evidencio peuvent toujours être visualisées dans la section des détails du algorithme respectif, de sorte que les utilisateurs du algorithme peuvent exactement identifier la logique sous-jacente du algorithme identifier exactement la logique sous-jacente du algorithme.
Exemple de formules conditionnelles:

Algorithmes R-Script

Evidencio supporte l'utilisation de code R-Script pour définir la logique de calcul des algorithmes de prédiction et des calculatrices. Les algorithmes R-Script peuvent contenir des fonctions complexes et imbriquées tant qu'elles produisent une valeur unique.

Transformations des paramètres

Evidencio vous permet de définir des transformations de variables/paramètres pour chaque variable continue du algorithme, par exemple pour tenir compte d'un comportement non linéaire, pour tenir compte d'un comportement non linéaire. Nous supportons à la fois les transformations simples et les transformations conditionnelles (basées sur l'intervalle) pour traiter un large spectre de comportements non linéaires ainsi que conditionnelles (basées sur une plage) (par exemple, les splines cubiques) pour traiter un large spectre de comportements non linéaires.

Données d'intervalle de confiance

Vous pouvez attribuer des données d'intervalle de confiance à vos algorithmes sur Evidencio. Vos données d'intervalle de confiance peuvent être spécifiées en termes d'un ensemble de données bootstrap ou en tant que matrice de covariance. Vous pouvez simplement copier-coller vos données bootstrap ou matricielles à partir d'ex. données matricielles à partir d'Excel ou d'une autre feuille de données.

Légende des calculs
`\beta_0` Terme d'interception, désigné par "Intercept"
`\beta_(varN)` Estimation du coefficient, associée à une covariable/variable
`\gamma` Paramètre d'échelle dans les algorithmes de régression de survie, désigné par "Scaling Parameter"
`X\beta` Algorithme prédicteur linéaire, estimé par la somme du terme d'interception et de toutes les valeurs `\beta` multipliées par cette variable. Par exemple : `\beta_0 + \beta_(var1) * var1 + \beta_(var2) * var2 + \beta_(varN) * varN`
`S_0(t)` La fonction de survie de base, la proportion de survie lorsque toutes les covariables sont égales à zéro. (`X\beta = 0`).
Evidencio v3.38 © 2015 - 2025 Evidencio. Tous droits réservés