跳到主页面内容
美国国旗

美国政府的官方网站

Dot政府

gov意味着它是官方的。
联邦政府网站通常以.gov或.mil结尾。之前分享敏感信息,确保你在联邦政府政府网站。

Https公司

该站点是安全的。
这个https(https)://确保您连接到官方网站,并且您提供的任何信息都是加密的并安全传输。

访问密钥 NCBI主页 MyNCBI主页 主要内容 主导航
.2022年3月;78(1):324-336.
doi:10.1111/biom.13404。 Epub 2020年12月11日。

基于惩罚回归的同步空间平滑和离群值检测,应用于电子健康记录中的儿童肥胖监测

附属公司

基于惩罚回归的同步空间平滑和离群值检测,应用于电子健康记录中的儿童肥胖监测

Young-Geun Choi先生等人。 生物识别. 2022年3月.

摘要

近年来,电子健康记录(EHR)已成为数据驱动的颗粒级监测平台。在本文中,我们利用EHRs来早期预防儿童肥胖。该方法同时为肥胖流行率提供了平滑的疾病图和异常值信息,有助于提高公众意识和促进有针对性的干预。更准确地说,我们考虑一个惩罚多级广义线性模型。我们将区域贡献分解为平滑和稀疏信号,这些信号通过融合和对似然函数施加稀疏惩罚的组合自动识别。此外,我们权衡了建议的可能性,以解释EHR数据产生的遗漏和潜在的不代表性。我们开发了一种新的交替最小化算法,该算法计算效率高,易于实现,并保证收敛。仿真研究证明了该方法的优越性能。最后,我们将我们的方法应用于威斯康星大学人口健康信息交换数据库。

关键词:儿童肥胖监测;疾病测绘;电子健康记录;融合惩罚;离群点检测;稀疏惩罚。

PubMed免责声明

数字

图1。
图1。
MCC,在1000次复制中改变异常值的数量。
图2。
图2。
RMSE的β^,在1000次复制中改变异常值的数量。
图3。
图3。
儿童肥胖监测中的估计基线患病率和确定的异常值。每个多边形代表一个普查区块组。左上:建议方法的结果。异常值标记为趋势上方的黑色(黄色),γ^>0(低于趋势,γ^<0). 右上角:GLMM的结果。异常值标记为趋势上方的黑色(黄色),第页^>2.5σ^(低于趋势,第页^<2.5σ^). 左下:GLMM-CAR的结果。异常值的标记方式与GLMM相同。右下角:通过扫描统计发现具有最高似然比的聚类,该聚类低于趋势。

类似文章

引用人

工具书类

    1. Besag J、York J和Molli A(1991年)。贝叶斯图像恢复,在空间统计中有两个应用。统计数学研究所年鉴,43(1):1–20。
    1. CDC(2016)。行为风险因素监测系统,2015年BRFSS数据的可比性(版本#1-修订日期:2016年6月)。技术报告。
    1. Chernozhukov V、Hansen C和Liao Y(2017年)。对密集和稀疏信号总和恢复的熔岩攻击。统计年鉴,45(1):39–76。
    1. Efron B和Tibshirani RJ(1994)。引导程序简介。查普曼和霍尔/CRC。
    1. ESRI(2012)。环境系统研究所挂毯分割参考指南。CA:雷德兰。

出版物类型