医療機器と手技の学習曲線の推定:階層的モデル化【Powered by NICT】

Govindarajulu Usha S.; Stillo Marco; Goldfarb David; Matheny Michael E.; Matheny Michael E.; Resnic Frederic S.

文献

J-GLOBAL ID：201702284576249929 整理番号：17A1166742

医療機器と手技の学習曲線の推定:階層的モデル化【Powered by NICT】

Learning curve estimation in medical devices and procedures: hierarchical modeling

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=17A1166742&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=17A1166742&from=J-GLOBAL&jstjournalNo=A1551A") }}

著者 (6件)： , , , , ,
資料名：
巻： 36 号： 17 ページ： 2764-2785 発行年： 2017年
JST資料番号： A1551A ISSN： 0277-6715 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

医療機器法の使用では,学習効果は,医療機器の安全性調査の重要な成分であることが示されている。これらの効果の推定を支援するために,施設内のクラスター化した医師による治療を受けた患者を表す複雑なシミュレートしたデータセット内のこれらの速度をモデル化するための複数の方法を評価した。機関と医師の間の学習階層を組み込むために学習曲線のためのユニークなモデル化を用い,一般化推定方程式(GEE)および一般化線形混合効果モデルのような階層的データで動作する確立された方法内でそれらをモデル化した。は,両方法がうまく作動するが,それらをGEEは,モデリングの容易さとモデルの収束の失敗の実質的に低い速度のための一般化線形混合効果モデルに優るいくつかの利点を持つ可能性があることを見出した。GEEを用いたに焦点を当て,学習曲線の形状を変化させる別のシミュレーションを行ったと同様にプロットに種々の平滑化法を採用した。階層的方法は学習曲線の数学的モデリングで用いることができるが,新しい医療機器の使用における医師と病院階層データの関数として学習効果を正確にモデル化するためのGEEは,複数の模擬シナリオを通して良好に機能する傾向があったと結論した。「学習遊離データセットを生成するために用いられた形状の選択は,データセット特異的であることを見いだし,一方,平滑化法の選択したお互いに無視できるほど異なっていた。これは階層的医師および病院データのためのこのユニークな学習曲線関数に適合させるために最良かを理解するために重要な適用であった。Copyright 2017 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

著者キーワード (6件)： , , , , ,

数値計算 , 運転者

, ,

前のページに戻る