Berekeningen - Evidencio
Evidencio Berekeningen

Evidencio wil volledig transparant zijn over de gebruikte rekenmethoden voor algoritmes op het Evidencio platform. Deze pagina vermeld onze standaard algoritme typen en de bijbehorende berekeningen. Wilt u inzicht in de volledige berekening voor een specifiek algoritme, incl. variabele transformaties, condities, etc. maak dan een kopie van het betreffende algoritme en klik op 'edit' om alle algoritme details te kunnen bekijken.

Lineaire Regressie Algoritmes

Lineaire regressie algoritmes worden gebruikt om continue uitkomsten te berekenen. De uitkomst wordt geschat m.b.v.:
Voorspelde uitkomst `P = \beta_0 + X\beta`

Logistische Regressie Algoritmes:

Logistische regressie algoritmes worden gebruikt om kansen te voorspellen. De uitkomst wordt geschat op basis van:
Geschatte kans `P = e^(X\beta)/(1+e^(X\beta))`

Cox proportional-hazards regressie

Cox proportional-hazards algoritmes worden gebruikt om de kans `S(t)` te voorspellen, dat een patiënt vrij is van een event (bijv. biochemisch voorval) op een specifiek moment (bijv. 5 jaar na een ingreep). De voorspelling wordt geschat m.b.v.: `S(t) = S_0(t)^exp(X\beta)`

Eigen Formule

Gebruikers kunnen maatwerk predictie berekeningen maken op basis van eigen wiskundige formuleringen in termen van de algoritme variabelen. Evidencio ondersteunt zowel enkelvoudige als conditionele wiskundige formules. De maatwerk formule(s) die gebruikt worden in een Evidencio algoritme kunnen altijd worden ingezien in de details-sectie van een maatwerk algoritme, zodat algoritme gebruikers inzicht hebben in de gebruikte logica.
Voorbeeld van conditionele formules:

R-Script Algoritmes

Evidencio ondersteunt het gebruik van R-Script code om de logica voor predictie algoritmes en calculatoren vast te leggen. R-Script algoritmes kunnen complexe en geneste functies bevatten, zo lang ze maar een enkelwaardige uitkomst produceren.

Parameter transformaties

Op Evidencio kunt u variabelen/parameter transformaties definiëren voor algoritme parameters om bijv. non-lineair gedrag te ondervangen. Zowel enkelvoudige transformaties als ook conditionele (interval specifieke) transformaties (bijv. cubic splines) zijn mogelijk.

Betrouwbaarheidsinterval

U kunt betrouwbaarheidsintervallen specificeren voor uw algoritmes op Evidencio. Data voor het berekenen van een betrouwbaarheidsinterval kan worden ingevoerd als bootstrap data-set of als covariantiematrix. U kunt eenvoudig de betreffende data knippen en plakken vanuit bijv. Excel of een andere data-sheet.

Legenda voor berekeningen
`\beta_0` Intercept, weergegeven als "Intercept"
`\beta_(varN)` Coëfficiënt schatting, geassocieerd met een covariant/variabele
`\gamma` Schaalparameter in survival-regressie algoritmes, weergegeven als "Scaling Parameter"
`X\beta` Samengestelde lineaire predictor, sommatie van de intercept en alle `\beta` waarden vermenigvuldigd met de respectievelijke variabele. Bijv.: `\beta_0 + \beta_(var1) * var1 + \beta_(var2) * var2 + \beta_(varN) * varN`
`S_0(t)` De baseline survival functie, de proportie overleving wanneer alleen covarianten gelijk aan 0 zijn (`X\beta = 0`).
Evidencio v3.38 © 2015 - 2025 Evidencio. Alle rechten voorbehouden