نتایج جستجو برای: کاکس
تعداد نتایج: 400 فیلتر نتایج به سال:
سابقه و هدف: مدل مخاطره متناسب کاکس، رایجترین روش برای تجزیه و تحلیل اثر متغیرها بر روی زمان بقاء میباشد، اما، تحت شرایط معین مدلهای پارامتری میتوانند بر مدل کاکس برتری داشته باشند. در مطالعه حاضر با استفاده از مدل کاکس و جایگزین های پارامتری از قبیل مدل وایبل، نمایی و لگ نرمال، عوامل مؤثر بر بقاء بیماران مبتلا به سرطان معده، ارزیابی و کارآیی مدلها برای ارائه بهترین مدل مقایسه گردید. مواد ...
سابقه و هدف: یکی از رایج ترین روش ها برای تجزیه و تحلیل اثر متغیرهای توضیحی برروی زمان بقاء، مدل نیمه پارامتریک کاکس می باشد، با این وجود، تحت شرایط خاص، مدل های پارامتریک زمان شکست شتابیده بر مدل کاکس برتری دارند. هدف از مطالعه حاضر ارزیابی کارایی مدل های پارامتریک و نیمه پارامتریک در تحلیل بقای بیماران مبتلا به سرطان معده است. مواد و روش ها: در این مطالعه گذشته نگر با مراجعه به پرونده بیماران...
سابقه و هدف: در داده های ریسک رقابتی وقتی یک فرد پیشامدی غیر از پیشامد مورد نظر را تجربه کند، احتمال پیشامد مورد نظر تغییر می کند؛ بنابراین لازم است تحلیل ریسک رقابتی انجام شود. هدف از مطالعه حاضر به کارگیری مدل های ریسک رقابتی برای تحلیل عوامل مخاطره در بیماران مبتلا به سرطان سینه می باشد. مواد و روش ها: این مطالعه از نوع کوهورت و متعلق به 6206 بیمار مبتلا به سرطان سینه است و شامل تمامی زنان م...
چکیده مقدمه و هدف: مدل مخاطره متناسب کاکس، رایج ترین روش برای تجزیه و تحلیل اثر متغیرها بر روی زمان بقا می باشد، اما تحت شرایط معین، مدل های پارامتری می توانند بر مدل کاکس برتری داشته باشند. در مطالعه حاضر با استفاده از مدل کاکس و جایگزین های پارامتری از قبیل مدل های وایبول، نمایی و همچنین برآورد ناپارامتری کاپلان- مه یر، عوامل مؤثر بر بقاء بیماران مبتلا به سکته قلبی حاد، ارزیابی و کارآیی مدلها...
چکید ه سابقه و هدف مدل رگرسیون کاکس، یکی از روشهای رایج تحلیل دادههای بقا میباشد که قبل از به کارگیری آن لازم است فرض متناسب بودن خطرات برقرار باشد. اخیراً مدلهای شبکه عصبی بدون نیاز به فرض خاص، جایگزینی مناسب در پیشبینی بقا میباشند. هدف از این مطالعه، مقایسه توانایی مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیشبینی بقای بیماران لوسمی حاد بود. مواد و روش ها در یک مطالعه گذشتهنگر، ...
چکیده مقدمه و هدف: مدل مخاطره متناسب کاکس، رایج ترین روش برای تجزیه و تحلیل اثر متغیرها بر روی زمان بقا می باشد، اما تحت شرایط معین، مدل های پارامتری می توانند بر مدل کاکس برتری داشته باشند. در مطالعه حاضر با استفاده از مدل کاکس و جایگزین های پارامتری از قبیل مدل های وایبول، نمایی و همچنین برآورد ناپارامتری کاپلان- مه یر، عوامل مؤثر بر بقاء بیماران مبتلا به سکته قلبی حاد، ارزیابی و کارآیی مدلها...
مقدمه: سرطان روده بزرگ جزء سرطان های شایع و کشنده است و پیش بینی این که افراد تا چه زمانی زنده می مانند از اهمیت بالایی برخوردار است. هدف از این مقاله برازش مدل کاکس و منحنی کاپلان مایر برای داده های سرطان روده بزرگ بیمارستان طالقانی و مقایسه آن دو با معیار زیان آشکار است. مواد و روش ها: این مطالعه توصیفی-تحلیلی بر روی بیماران مبتلا به سرطان روده بزرگ مراجعه کننده به بیمارستان طالق...
مدل خطرهای متناسب کاکس یکی از پرکاربردترین مدلها برای برازاندن به داده های بقا است که بر اساس فرضهای همگنی جامعه، استقلال و هم توزیع بودن داده های بقا بنا شده است. اما در بسیاری از مواقع خطرهای واحدهای آماری متفاوت بوده و فرض همگنی جامعه برقرار نیست. یکی از دلایل این تفاوت وجود عوامل خطر ناشناخته یا مشاهده نشده است که لحاظ نکردن آنها و استفاده از مدلهایی همچون مدل خطرهای متناسب کاکس میتواند نتا...
یکی از روش های تحلیل داده های بقا، استفاده از مدل رگرسیونی کاکس است که نیازمند پذیره هایی مانند متناسب بودن مخاطرات است. در دهه های اخیر به کارگیری مدل شبکه عصبی مصنوعی برای پیش بینی داده های بقا، افزایش یافته است. این مطالعه به منظور پیش بینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل رگرسیونی کاکس و شبکه عصبی مصنوعی انجام شده است.طی سالهای 1381 لغایت 1385، تعداد 639 بیمار مراجعه کننده با ...
مقدمه: سرطان روده بزرگ جزء سرطان های شایع و کشنده است و پیش بینی این که افراد تا چه زمانی زنده می مانند از اهمیت بالایی برخوردار است. هدف از این مقاله برازش مدل کاکس و منحنی کاپلان مایر برای داده های سرطان روده بزرگ بیمارستان طالقانی و مقایسه آن دو با معیار زیان آشکار است. مواد و روش ها: این مطالعه توصیفی-تحلیلی بر روی بیماران مبتلا به سرطان روده بزرگ مراجعه کننده به بیمارستان طالقانی شهر تهرا...
نمودار تعداد نتایج جستجو در هر سال
با کلیک روی نمودار نتایج را به سال انتشار فیلتر کنید