2426 पेपर
यह शोध पत्र ShrinkageTrees को प्रस्तुत करता है, जो एक R पैकेज है जो उन्नत नियमितीकरण रणनीतियों (regularization strategies), जिसमें नवीन 'हॉर्सशू फॉरेस्ट' (Horseshoe Forest) भी शामिल है, के साथ बेयसियन एडिटिव रिग्रेशन ट्री मॉडल को लागू करता है, ताकि उच्च-आयामी परिवेशों में सुदृढ़ उत्तरजीविता विश्लेषण (survival analysis) और कारण अनुमान (causal inference) को सक्षम बनाया जा सके।
यह शोध पत्र विषम और चिह्नित पॉइसन प्रक्रियाओं (स्व-उत्तेजित प्रक्रियाओं सहित) में एकाधिक ऑफलाइन चेंज-पॉइंट्स का पता लगाने के लिए एक क्रॉस-वैलिडेशन प्रक्रिया के साथ संयुक्त एक न्यूनतम कंट्रास्ट एस्टीमेटर का प्रस्ताव करता है, और एक आर (R) पैकेज कार्यान्वयन के माध्यम से सिमुलेशन और वास्तविक डेटा के जरिए इसकी प्रभावशीलता को प्रदर्शित करता है।
यह शोध पत्र एक एस्टिमेटर-रोबस्ट (estimator-robust), आउटकम-ब्लाइंड (outcome-blind) मिलान रणनीति प्रस्तावित करता है जो रैंडमाइज्ड कंट्रोल्ड ट्रायल्स (RCTs) को संवर्धित करने के लिए बाहरी रियल-वर्ल्ड डेटा को इष्टतम रूप से चुनने हेतु ट्रायल एनरोलमेंट और प्रोपेंसिटी स्कोर्स का लाभ उठाता है, जिससे औसत उपचार प्रभावों (average treatment effects) के लिए एडेप्टिव टार्गेटेड मैक्सिमम लाइकलीहुड एस्टीमेशन (A-TMLE) की दक्षता और कॉन्फिडेंस इंटरवल कवरेज में सुधार होता है।
यह शोधपत्र एक लचीले बेयसियन वीएआर (VAR) मॉडल को प्रस्तुत करता है जिसे रिग्रेशन ट्री के माध्यम से गैर-पैरामीट्रिक रूप से अनुमानित गैररेखीय कारकों द्वारा संवर्धित किया गया है, जो उच्च-आयामी परिवेश में पूर्वानुमान और संरचनात्मक आर्थिक विश्लेषण के लिए एक संक्षिप्त, सुदृढ़ और गणनात्मक रूप से कुशल ढांचा प्रदान करता है।
यह अध्ययन प्रदर्शित करता है कि ICD-10-आधारित "रोडमैप" एल्गोरिदम को परिष्कृत करने के लिए नैदानिक विशेषज्ञता के साथ बड़े भाषा मॉडल (लार्ज लैंग्वेज मॉडल्स) को संयोजित करना, गायब इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड डेटा की सटीक और स्केलेबल रिकवरी को सक्षम बनाता है, जो पारंपरिक, संसाधन-गहन विशेषज्ञ चार्ट समीक्षाओं के तुलनीय प्रदर्शन प्राप्त करता है।
यह शोध पत्र नैदानिक परीक्षणों में मिश्रित आवर्ती और टर्मिनल घटनाओं के विश्लेषण के लिए जॉइंट फ्रैलिटी मॉडल और लास्ट-इवेंट असिस्टेड रिकरेंट-इवेंट विन रेशियो की अनुभवजन्य तुलना करता है, जो सिमुलेशन और ऑन्कोलॉजी एवं कार्डियोलॉजी के वास्तविक अनुप्रयोगों के माध्यम से यह प्रदर्शित करता है कि जॉइंट फ्रैलिटी मॉडल अनुमान और नमूना आकार निर्धारण के लिए बेहतर सांख्यिकीय शक्ति और विश्वसनीयता प्रदान करता है, जबकि विन रेशियो एक प्राथमिकता प्राप्त जनसंख्या-स्तरीय सारांश माप प्रदान करता है।
यह शोध पत्र HDSense को प्रस्तुत करता है, जो एक गणनात्मक रूप से कुशल मीट्रिक है जो एक-आयामी हिस्टोग्रामों का उपयोग करके सूचना सामग्री और अतिरेक (redundancy) के बीच संतुलन बनाकर अवलोकन योग्य संवेदनशीलता को रैंक करता है, जिससे हैड्रोनाइज़ेशन जैसे जटिल मॉडलों के लिए पूर्ण लाइकलीहुड गणनाओं की आवश्यकता के बिना निकट-इष्टतम पैरामीटर-प्रतिबंधित उपसमुच्चयों की पहचान करना सक्षम होता है।
यह शोध पत्र LMT का प्रस्ताव करता है, जो एक बेयसियन कॉज़ल डिस्कवरी फ्रेमवर्क है जो सटीक रूप से विनिर्माण प्रणालियों में, विशेष रूप से कम-नमूना परिदृश्यों में, कारण संबंधों का अनुमान लगाने के लिए टेक्स्टुअल अलार्म रिकॉर्ड से लार्ज लैंग्वेज मॉडल द्वारा निकाले गए सिमेंटिक संकेतों को टाइमस्टैम्प-आधारित सांख्यिकीय साक्ष्यों के साथ एकीकृत करता है।
यह अध्ययन प्रदर्शित करता है कि एक एलोस्टैटिक लोड इंडेक्स का उपयोग करके अपूर्ण इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स से अस्पताल में भर्ती होने की भविष्यवाणी करना तब सबसे प्रभावी होता है जब मॉडलों को विशिष्ट रोगी डेटा-मिसिंग पैटर्न के अनुरूप ढाला जाता है, जिससे इन-सैंपल 0.73 का AUC प्राप्त होता है, हालांकि क्रॉस-वैलिडेशन प्रदर्शन गिरकर 0.63 हो जाता है।
STRATOS पहल के भीतर यह ब्लाइंडेड, न्यूट्रल तुलनात्मक सिमुलेशन अध्ययन 23 विधियों का मूल्यांकन करता है जो माप त्रुटि सुधार को लचीली प्रतिगमन तकनीकों के साथ जोड़ते हैं, जिसमें यह पाया गया है कि पॉइंटवाइज SIMEX गैर-रेखीय मॉडलों में कोवेरिएट माप त्रुटि को सुधारने के लिए आम तौर पर सबसे सटीक और सुदृढ़ दृष्टिकोण है, हालांकि कोई भी एकल विधि सभी परिदृश्यों में हावी नहीं होती है।