جستجوی مقالات مرتبط با کلیدواژه

latent variable modeling

در نشریات گروه پزشکی

تکرار جستجوی کلیدواژه latent variable modeling در مقالات مجلات علمی

انتخاب همه

کاربرد مدل متغیر پنهان بیزی در پیش بینی زودهنگام دیابت بارداری در شرایط بدون تست استاندارد مرجع کامل با استفاده از بتا گنادوتروپین جفتی انسانی

مائده امینی، انوشیروان کاظم نژاد*، فرید زایری، اعظم امیریان، نورالسادات کریمان

مجله اپیدمیولوژی ایران، سال شانزدهم شماره 1 (پیاپی 57، بهار 1399)، صص 71 -80

مقدمه و اهداف

دیابت بارداری یک عارضه طبی در بارداری بوده که تشخیص دیرهنگام آن می تواند اثرات نامطلوبی روی مادر و جنین بگذارد. هدف از انجام این پژوهش، برآورد پارامترهای دقت یک نشانگر زیستی برای پیش بینی زودهنگام دیابت بارداری در غیاب یک تست استاندارد مرجع کامل بود.

روش کار

این مطالعه روی 523 خانم باردار که در سال های 96 و 97 به بیمارستان های مهدیه و طالقانی تهران مراجعه کرده بودند، انجام شد. مقادیر اندازه گیری شده بتا گنادوتروپین جفتی انسانی به عنوان پیشگوی دیابت بارداری برای همه زنان شرکت کننده در هفته 17-14 بارداری در چک لیست مربوط ثبت شد. برای برآورد حساسیت، ویژگی و مساحت زیر منحنی راک، از مدل متغیر پنهان بیزی استفاده شد. برآورد بیزی پارامترها در بسته نرم افزاری R2OpenBUGS در نرم افزار R نسخه 3.5.3 محاسبه شد.

یافته ها

میانه سن بارداری زنان شرکت کننده در این مطالعه، 33 سال بود. در نبود آزمون مرجع کامل، یافته های مدل به کار رفته برای مقدارهای حساسیت، ویژگی و مساحت زیر منحنی راک مربوط به بتا گنادوتروپین جفتی انسانی به ترتیب برابر با 71 درصد (فاصله باورمند 95 درصد: 98/0-43/0)، 64 درصد (فاصله باورمند 95 درصد: 67/0-60/0) و 72/0 (فاصله باورمند 95 درصد: 98/0-50/0) بود.

نتیجه گیری

بر اساس یافته های به دست آمده در این مطالعه، بتا گنادوتروپین جفتی انسانی در غیاب تست مرجع کامل می تواند برای پیش بینی زودهنگام دیابت در خانم های باردار مناسب باشد.

کلید واژگان: مدل متغیر پنهان، منحنی راک، روش بیزی، دیابت بارداری، گنادوتروپین جفتی انسانی

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

Application of Bayesian Latent Variable Model for Early Detection of Gestational Diabetes Mellitus Without A Perfect Reference Standard Test by β‐human Chorionic Gonadotropin

M. Amini, A. Kazemnejad*, F. Zayeri, A. Amirian, N. Kariman

Iranian Journal of Epidemiology, Volume:16 Issue: 1, 2020, PP 71 -80

Background and Objectives

Gestational diabetes mellitus (GDM) is a medical problem in pregnancy, and its late diagnosis can cause adverse effects in the mother and fetus. The purpose of this research was to estimate the accuracy parameters of a biomarker for early prediction of gestational diabetes in the absence of a perfect reference standard test.

Methods

This study was conducted in 523 pregnant women who presented to Mahdieh Hospital and Taleghani Hospital affiliated with Shahid Beheshti University of Medical Sciences, Tehran, Iran 2017-2018. As a predictor for detecting GDM, beta- human chorionic gonadotropin (β-hCG) measurements were recorded during 14-17th weeks’ gestation in a checklist. The Bayesian latent variable model was used to estimate the sensitivity, specificity, and area under receiver operating characteristic curve (AUC). Bayesian parameter estimation was calculated using the R2OpenBUGS package in R version 3.5.3.

Results

The median gestational age was 33 years. In the absence of a perfect reference test, the applied model had a sensitivity, specificity, and AUC of 78% (95% credible interval (CrI): 0.66-0.83), 83% (95% CrI: 0.74-0.89), and 0.72 (95% CrI: 0.64-0.88) for β-hCG, respectively.

Conclusion

According to the results of this study, β-hCG may be an acceptable biomarker for early diagnosis of diabetes in pregnant women in the absence of a perfect reference test.

Keywords: Latent variable modeling, ROC curve, Bayesian approach, Gestational diabetes, Human chorionic gonadotropin

Abstract View Paper Research/Original Article Original: Persian
Quantitative Measure of Self-Perceived Gender Relations in Young Women in the Mekong Delta of Vietnam

Thanh Cong Bui, Christine M. Markham, Pamela M. Diamond, Ly Thi, Hai Tran, Michael W. Ross, Huong Thi, Hoai Nguyen, Thach Ngoc Le

Women’s Health Bulletin, Volume:4 Issue: 1, Jan 2017, P 22

Background
The conceptualization and measurement of gender-based relations and equity are still challenging to researchers worldwide. Given a growing number of health studies which want to take into account the roles of gender relations, there is a need for quantitative measures of this determinant..
Objectives
Based on the theory of gender and power and results from our previous qualitative work, this analysis aims to examine the applicability, reliability, and validity of a set of self-perceived gender-relation measures in the Mekong delta of Vietnam..
Methods
Data came from a cross-sectional survey of 1181 undergraduate female students from two universities. Second-order latent variable modeling was used to examine applicability of theoretical structures and validity of measuring items. Single-factor modeling was employed to screen for the most relevant dimensions of self-perceived gender relations..
Results
The second-order modeling showed good fit, suggesting that the theory well explained self-perceptions of gender relations. The consistency of models across 500 hypothetical bootstrapping samples further substantiated factorial validity of measures. Students who ever had a boyfriend held slightly different perceptions of gender relations compared to those who never had a boyfriend..
Conclusions
The final parsimonious set of measures which had best loadings onto perceived subordination consisted of ten dimensions; this provides a practical application to measure self-perceived gender relations in other health research..

Keywords: Gender Relations, Gender Equity, Confirmatory Factor Analysis, Latent Variable Modeling, Women, Vietnam

Abstract View Paper Original: English

نکته

نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

latent variable modeling