Model assessmentWe labeled samples

Model assessment
We labeled samples (i.e., subjects in a specific wave) as fallers if they reported at least one fall at the follow-up after the baseline assessment. Similarly, if they reported more than one fall, they were labeled as multiple fallers. All the samples and their associated predictions (history of falls, gait speed, SPPB, FRAT-up, Lasso) were used to evaluate the discriminative ability of the different tools (Fig 1).
We calculated Receiver Operating Characteristic (ROC) curves of the risk scores for fallers and multiple fallers. The ROC curves for the model fitted with Lasso were derived using the means μ of the predictive distributions. The discriminative ability was measured as the area under the ROC curve (AUC). The AUC 95% confidence intervals were calculated via the DeLong method [35]. The AUCs were compared with Delong tests for paired ROC curves [35].
The Lasso model was also evaluated for calibration (i.e. the agreement between its predictions and the observed number of falls) by means of a reliability diagram, marginal calibration plot, and probability integral transform (PIT). Reliability diagrams (also known as calibration plots or attribute diagrams) are generally used for dichotomous outcomes [36]. Here the reliability diagram was adapted for count data and used to plot the observed fall rate against the predicted fall rate. The marginal calibration plot shows the observed and predicted number of samples for each possible outcome [37]. PIT is used as diagnostics of probabilistic calibration. It detects whether the variance of the probabilistic predictions agrees with the dispersion of the observations (neutral dispersion), or whether it expresses too little or too much uncertainty (under-dispersion or over-dispersion, respectively) [30]. It was calculated according to the non-randomized procedure for count data described in [37].

ผลลัพธ์ (ไทย) 1:

แบบจำลองการประเมินเรามีป้ายชื่อตัวอย่าง (เช่น วิชาในคลื่นเฉพาะ) เป็นและมิถุนายนปีถ้าเขารายงานอย่างน้อยหนึ่งตกที่ติดตามหลังจากการประเมินข้อมูลพื้นฐาน ในทำนองเดียวกัน ถ้าพวกเขารายงานมากกว่า หนึ่งฤดูใบไม้ร่วง พวกเขาถูกติดป้ายเป็นหลายและมิถุนายนปี ตัวอย่างและการคาดการณ์ของพวกเขาเกี่ยวข้อง (ประวัติศาสตร์น้ำตก เดินเร็ว SPPB, FRAT ขึ้น แลซโซ) ใช้ในการประเมินความสามารถของเครื่องมือต่าง ๆ (รูปที่ 1) discriminativeเราสามารถคำนวณเส้นโค้งลักษณะการทำงานตัวรับสัญญาณ (ROC) ของคะแนนความเสี่ยงสำหรับและมิถุนายนปีและหลายและมิถุนายนปี เส้นโค้ง ROC สำหรับแบบจำลองที่มีแบบ Lasso ได้มาใช้μหมายความของการกระจายการคาดการณ์ ความสามารถในการ discriminative โดยวัดเป็นพื้นที่ใต้โค้ง ROC (AUC) AUC 95% ช่วงความเชื่อมั่นที่คำนวณ ด้วยวิธี DeLong [35] AUCs ถูกเปรียบเทียบกับการทดสอบ Delong คู่เส้นโค้ง ROC [35]แบบจำลองแบบ Lasso ยังถูกประเมินสำหรับการสอบเทียบ (เช่นข้อตกลงระหว่างการคาดคะเนและสังเกตจำนวนของน้ำตก) โดยวิธีไดอะแกรมความน่าเชื่อถือ พล็อตเทียบกำไร และความน่าเป็นการแปลงเชิงปริพันธ์ (PIT) ไดอะแกรมความน่าเชื่อถือ (เรียกว่าสอบเทียบแปลงหรือแอตทริบิวต์ไดอะแกรม) ทั่วไปใช้ผลนาน [36] นี่ไดอะแกรมความน่าเชื่อถือถูกปรับจำนวนข้อมูล และใช้ในการพล็อตราคาตกที่สังเกตได้กับอัตราการตกคาดการณ์ พล็อตเทียบกำไรแสดงสังเกต และคาดการณ์จำนวนของตัวอย่างสำหรับแต่ละผลลัพธ์ที่เป็นไปได้ [37] หลุมเป็นวินิจฉัยของน่าจะเทียบได้ ตรวจพบ ว่าความแปรปรวนของการคาดคะเนน่าจะเห็นด้วยกับการกระจายตัวของการสังเกต (การกระจายกลาง), หรือ ว่ามันแสดงออกถึงความไม่แน่นอนน้อยเกินไป หรือมากเกินไป (ขีดกระจายหรือกระจายมากเกินไป ตามลำดับ) [30] คำนวณตามขั้นตอนการสุ่มไม่นับข้อมูลที่อธิบายไว้ใน [37]

ผลลัพธ์ (ไทย) 2:

การประเมินรุ่น
เราที่มีป้ายกำกับตัวอย่าง (เช่นวิชาในคลื่นที่เฉพาะเจาะจง) เป็น fallers ถ้าพวกเขารายงานอย่างน้อยหนึ่งในฤดูใบไม้ร่วงที่ติดตามผลหลังจากการประเมินพื้นฐาน ในทำนองเดียวกันถ้าพวกเขารายงานมากกว่าหนึ่งในฤดูใบไม้ร่วงพวกเขาถูกระบุว่าเป็น fallers หลาย ตัวอย่างทั้งหมดและการคาดการณ์ที่เกี่ยวข้อง (ประวัติศาสตร์ของฟอลส์, ความเร็วการเดิน SPPB, Frat ขึ้นเชือก) ถูกนำมาใช้ในการประเมินความสามารถในการจำแนกของเครื่องมือที่แตกต่างกัน (รูปที่ 1).
เราคำนวณ Receiver ปฏิบัติการลักษณะ (ROC) เส้นโค้งของ คะแนนความเสี่ยงสำหรับการ fallers และ fallers หลาย เส้นโค้ง ROC สำหรับรูปแบบการติดตั้งกับเชือกได้มาโดยใช้วิธีการμของการกระจายการทำนาย ความสามารถในการจำแนกวัดเป็นพื้นที่ใต้เส้นโค้งร็อค (AUC) AUC ช่วงความเชื่อมั่น 95% จะถูกคำนวณผ่านวิธี DeLong [35] AUCS ถูกนำมาเปรียบเทียบกับการทดสอบ Delong สำหรับจับคู่โค้ง ROC [35].
รูปแบบเชือกยังถูกประเมินสำหรับการสอบเทียบ (เช่นข้อตกลงระหว่างการคาดการณ์และจำนวนสังเกตของน้ำตกที่) โดยวิธีการของแผนภาพความน่าเชื่อถือของพล็อตการสอบเทียบร่อแร่และความน่าจะเป็น หนึ่งแปลง (PIT) แผนภาพความน่าเชื่อถือ (หรือเรียกว่าแปลงการสอบเทียบหรือไดอะแกรมแอตทริบิวต์) โดยทั่วไปจะใช้สำหรับผล dichotomous [36] นี่แผนภาพความน่าเชื่อถือเหมาะสำหรับเป็นข้อมูลนับและใช้ในการวางแผนอัตราฤดูใบไม้ร่วงสังเกตกับอัตราฤดูใบไม้ร่วงที่คาดการณ์ไว้ พล็อตการสอบเทียบร่อแร่แสดงจำนวนการสังเกตและคาดการณ์ของกลุ่มตัวอย่างสำหรับแต่ละผลที่เป็นไปได้ [37] PIT ใช้เป็นวินิจฉัยของการสอบเทียบความน่าจะเป็น ตรวจพบว่าความแปรปรวนของการคาดการณ์น่าจะเห็นด้วยกับการกระจายตัวของการสังเกต (การกระจายกลาง) หรือไม่ว่าจะเป็นการแสดงออกถึงความไม่แน่นอนน้อยเกินไปหรือมากเกินไป (ภายใต้การกระจายตัวหรือกระจายตามลำดับ) [30] มันได้รับการคำนวณตามขั้นตอนที่ไม่สุ่มข้อมูลนับอธิบายไว้ใน [37]

ผลลัพธ์ (ไทย) 3:

การประเมินแบบเราติดป้ายตัวอย่าง ( เช่น วิชาในคลื่นเฉพาะ ) เป็น fallers ถ้าพวกเขามีอย่างน้อยหนึ่งตกอยู่ที่การติดตามหลังจากเริ่มต้นการประเมิน ในทำนองเดียวกัน ถ้าพวกเขามีมากกว่าหนึ่งล้ม พวกเขาก็ถูกระบุว่าเป็นหลาย fallers . ทุกตัวอย่างและการคาดการณ์ที่เกี่ยวข้องของพวกเขา ( ประวัติของตก ความเร็วในการเดิน sppb frat , ขึ้นเชือก ) ใช้เพื่อประเมินความสามารถในค่าของเครื่องมือที่แตกต่างกัน ( ตารางที่ 1 )เราคำนวณรับผ่าตัดชนิด ( ROC ) เส้นโค้งของความเสี่ยงทาง fallers และหลาย fallers . Roc เส้นโค้งสำหรับรุ่นเข็มขัดเชือกได้ใช้วิธีμของการแจกแจงแบบ . ความสามารถในการวัดค่าเป็นพื้นที่ภายใต้โค้ง ROC ( ยา ) ค่า 95% ช่วงความเชื่อมั่นได้ผ่าน Delong วิธี [ 35 ] การ aucs เปรียบเทียบกับการทดสอบคู่ร็อคเส้นโค้ง Delong [ 35 ]บ่วงบาศแบบประเมินสำหรับการสอบเทียบ คือ ข้อตกลงระหว่างการคาดคะเน และสังเกตจำนวน Falls ) โดยวิธีการของความน่าเชื่อถือของการสอบเทียบและแผนภาพโครงเรื่อง ความน่าจะเป็นการแปลงเชิงปริพันธ์ ( หลุม ) แผนภาพความน่าเชื่อถือ ( หรือเรียกว่าแปลงการสอบเทียบหรือแผนภาพคุณลักษณะ ) โดยทั่วไปจะใช้สำหรับไดโคโตมัสผล [ 36 ] ที่นี่เครื่องมือแผนภาพถูกดัดแปลงสำหรับข้อมูลนับและใช้เพื่อวางแผนและคาดการณ์อัตราตกกับตก อัตรา พล็อตการสอบเทียบโดยแสดงสังเกตและคาดการณ์จำนวนกลุ่มตัวอย่างในแต่ละที่เป็นไปได้ผล [ 37 ] หลุมที่ใช้เป็นเครือข่ายของการสอบเทียบ ตรวจพบว่า ความแปรปรวนของการคาดคะเนความน่าจะเป็นเห็นด้วยกับการกระจายตัวของค่าสังเกต ( กระจายกลาง ) หรือ ไม่ว่าจะแสดงความไม่แน่นอนน้อยเกินไป หรือมากเกินไป ( ภายใต้การกระจายหรือการกระจายตามลำดับ ) [ 30 ] มันคำนวณตามขั้นตอนไม่สุ่มนับข้อมูลที่อธิบายไว้ใน [ 37 ]