While the Bayesian hierarchical reg

While the Bayesian hierarchical regression framework is
well established, the application of these methods for defining
CAs is novel. Existing methods for defining a CA are not
probability based, may require a priori selection of a distance
or patient flow threshold, or do not adjust easily for covariates.
In contrast with previously proposed and applied approaches
for CA analysis, the Bayesian regression models can estimate
the CA stochastically from the data using exceedance probabilities,
while adjusting for several covariates. Estimating
effects for patient demographics were beneficial for understanding
differences in the likelihood of being seen at MCC
according to patient characteristics. For example, we found
that non-white patients were significantly more likely to be
diagnosed at MCC than white patients. In addition, we could
handle different types of available data with different forms
of the regression model. Also, we could evaluate the benefit
of including a prior on random effects that assume spatial
correlation across counties by comparing a Bayesian measure
of goodness-of-fit. In our case, including a spatially correlated
prior for county effects was unnecessary because of the
strong spatial signal present in the patient data for being seen
at MCC.

ผลลัพธ์ (ไทย) 2:

ในขณะที่กรอบการถดถอยลำดับชั้นคชกรรมถูก
จัดตั้งขึ้นรวมทั้งการประยุกต์ใช้วิธีการเหล่านี้สำหรับการกำหนด
CAs เป็นนวนิยาย ที่มีอยู่วิธีการสำหรับการกำหนด CA จะไม่
น่าจะเป็นตามอาจต้องมีการคัดเลือกเบื้องต้นของระยะทาง
หรือเกณฑ์การไหลของผู้ป่วยหรือไม่ปรับได้อย่างง่ายดายสำหรับตัวแปร.
ในทางตรงกันข้ามกับที่นำเสนอก่อนหน้านี้และนำไปใช้วิธีการ
สำหรับการวิเคราะห์ CA, รูปแบบการถดถอยแบบเบย์สามารถประมาณการ
แคลิฟอร์เนีย stochastically จากข้อมูลที่ใช้น่าจะเป็น exceedance,
ขณะที่การปรับหลายตัวแปร การประเมิน
ผลกระทบสำหรับกลุ่มประชากรผู้ป่วยที่เป็นประโยชน์สำหรับการทำความเข้าใจ
ความแตกต่างในความน่าจะเป็นของการถูกมองเห็นได้ของ MCC
ตามลักษณะของผู้ป่วย ตัวอย่างเช่นเราพบ
ว่าผู้ป่วยที่ไม่ใช่สีขาวอย่างมีนัยสำคัญมีแนวโน้มที่จะ
ได้รับการวินิจฉัยที่ MCC กว่าผู้ป่วยสีขาว นอกจากนี้เราสามารถ
จัดการกับความแตกต่างของข้อมูลที่มีอยู่กับรูปแบบที่แตกต่างกัน
ของรูปแบบการถดถอย นอกจากนี้เรายังสามารถประเมินผลประโยชน์
รวมทั้งก่อนเกี่ยวกับผลกระทบสุ่มที่ถือว่าเชิงพื้นที่
ความสัมพันธ์ข้ามมณฑลโดยการเปรียบเทียบตัวชี้วัดแบบเบย์
ของความดีของพอดี ในกรณีของเรารวมทั้งมีความสัมพันธ์เชิงพื้นที่
ก่อนสำหรับผลกระทบเขตไม่จำเป็นเพราะการ
ที่แข็งแกร่งในปัจจุบันสัญญาณเชิงพื้นที่ในข้อมูลผู้ป่วยเพื่อการมองเห็น
ที่ MCC

ผลลัพธ์ (ไทย) 3:

ขณะที่กรอบการถดถอยแบบลำดับชั้นคือดีขึ้น , การใช้วิธีการเหล่านี้เพื่อกำหนดCAS เป็นนวนิยาย ที่มีอยู่ วิธีการกำหนด CA ไม่ได้ความน่าจะเป็นตาม อาจต้องเลือกระหว่างของระยะทางหรือการไหลของผู้ป่วยหรือไม่ปรับได้อย่างง่ายดายเพื่อความรู้ .ในทางตรงกันข้ามกับก่อนหน้านี้ได้เสนอแนวทางและการประยุกต์สำหรับ CA การวิเคราะห์ , การถดถอยแบบสามารถประมาณการแคลิฟอร์เนีย stochastically จากข้อมูลการใช้ exceedance ความน่าจะเป็นในขณะที่การปรับหลายความรู้ . การประมาณราคาผลกระทบต่อประชากรผู้ป่วยที่เป็นประโยชน์สำหรับความเข้าใจความแตกต่างในโอกาสของการเห็นที่ MCCตามลักษณะของผู้ป่วย ตัวอย่างเช่น , เราพบไม่ขาวผู้ป่วยอย่างมีนัยสำคัญมีแนวโน้มที่จะเป็นการวินิจฉัยผู้ป่วยที่ MCC กว่าสีขาว นอกจากนี้ เราสามารถจัดการกับประเภทที่แตกต่างกันของข้อมูลที่สามารถใช้ได้กับรูปแบบต่าง ๆการวิเคราะห์ความถดถอยแบบ นอกจากนี้ เราสามารถประเมินประโยชน์รวมถึงก่อนสุ่มผลที่ถือว่าพื้นที่ในความสัมพันธ์ข้ามจังหวัด โดยการเปรียบเทียบวัดส์ความดีของพอดี ในกรณีของเรา รวมถึงการเปลี่ยนความสัมพันธ์ก่อนสำหรับมณฑลผลไม่จำเป็นเพราะปัจจุบันในพื้นที่สัญญาณแรงข้อมูลคนไข้ที่มาเห็นที่ MCC .