Accuracy of predicting the vancomycin concentration in Japanese cancer patients by the Sawchuk–Zaske method or Bayesian method
2
Citation
10
Reference
10
Related Paper
Citation Trend
Abstract:
Background In cancer patients treated with vancomycin, therapeutic drug monitoring is currently performed by the Bayesian method that involves estimating individual pharmacokinetics from population pharmacokinetic parameters and trough concentrations rather than the Sawchuk–Zaske method using peak and trough concentrations. Although the presence of malignancy influences the pharmacokinetic parameters of vancomycin, it is unclear whether cancer patients were included in the Japanese patient populations employed to estimate population pharmacokinetic parameters for this drug. The difference of predictive accuracy between the Sawchuk–Zaske and Bayesian methods in Japanese cancer patients is not completely understood. Objective To retrospectively compare the accuracy of predicting vancomycin concentrations between the Sawchuk–Zaske method and the Bayesian method in Japanese cancer patients. Methods Using data from 48 patients with various malignancies, the predictive accuracy (bias) and precision of the two methods were assessed by calculating the mean prediction error, the mean absolute prediction error, and the root mean squared prediction error. Results Prediction of the trough and peak vancomycin concentrations by the Sawchuk–Zaske method and the peak concentration by the Bayesian method showed a bias toward low values according to the mean prediction error. However, there were no significant differences between the two methods with regard to the changes of the mean prediction error, mean absolute prediction error, and root mean squared prediction error. Conclusion The Sawchuk–Zaske method and Bayesian method showed similar accuracy for predicting vancomycin concentrations in Japanese cancer patients.Keywords:
Mean absolute error
Ένα από τα πιο καίρια ερωτήματα για τους χρήστες του διαδικτύου, είναι πώς θα καταφέρουν να διαχειριστούν την τεράστια ποσότητα διαθέσιμης πληροφορίας, ώστε να καταλήξουν σε επιλογή προϊόντων που ανταποκρίνονται όσο το δυνατό καλύτερα στις προτιμήσεις και ανάγκες τους. Αντίστοιχα, οι εταιρείες που παρέχουν προϊόντα ή υπηρεσίες μέσω του διαδικτύου, προσπαθούν συστηματικά να εντοπίσουν μεθόδους ώστε να αποκωδικοποιήσουν με ακρίβεια τα προφίλ προτίμησης των χρηστών, με στόχο να καταφέρουν να προσαρμόσουν κατάλληλα τα προϊόντα τους και να αυξήσουν τις πωλήσεις τους.Για τους παραπάνω λόγους, η επιστημονική και ερευνητική κοινότητα που δραστηριοποιείται στο τομέα της ανάλυσης δεδομένων και το μάρκετινγκ έχει επικεντρώσει την προσπάθεια της, στην δημιουργία μεθοδολογιών που θα απαντήσουν όσο το δυνατόν πιο αποτελεσματικά τα παραπάνω ερωτήματα. Οι περισσότερες από αυτές τις μεθοδολογίες καταλήγουν στην ανάπτυξη προσαρμοστικών συστημάτων που αντλούν δεδομένα από το διαδίκτυο και εξάγουν προτάσεις για τους χρήστες. Η πιο γνωστή κατηγορία τέτοιου είδους συστημάτων είναι τα συστήματα συστάσεων (Recommender Systems). Στην παρούσα ερευνητική εργασία παρουσιάζεται η μεθοδολογία και τα αποτελέσματα πιλοτικής λειτουργίας ενός νέου υβριδικού συστήματος συστάσεων που βασίζεται στη χρήση μεθόδων ανάλυσης συναισθήματος, πολυκριτήριας ανάλυσης καθώς και μεθόδων φιλτραρίσματος. Η μεθοδολογία καταλήγει σε τέσσερα διαφορετικά είδη σύστασης, με άκρως ενδιαφέροντα αποτελέσματα.Μέσω του μεθοδολογικού πλαισίου γίνεται εφικτός ο προσδιορισμός των προτιμησιακών προφίλ των χρηστών του συστήματος, τα οποία εν συνεχεία αντιστοιχίζονται σε «προφίλ πελατών» που επιλέγουν συγκεκριμένα προϊόντα/υπηρεσίες που τους «ταιριάζουν».Έτσι, καταλήγουμε σε προσωποποιημένες συστάσεις προϊόντων στον χρήστη του συστήματος, που είναι ανάλογες των προτιμήσεων του. Επιπλέον δίνεται στο χρήστη η δυνατότητα να φιλτράρει τις διαθέσιμες εναλλακτικές με σχετική επιλογή από ένα σύνολο κατ’ αποκοπή κριτηρίων. Η χρήση του κατωφλιού ελάχιστης ικανοποίησης, που προσδιορίζεται από τα αποτελέσματα της ανάλυσης συναισθήματος στα σχόλια των πελατών, εγγυάται την ποιότητα των συστάσεων.Τα δεδομένα του συστήματος είναι πραγματικές απόψεις και βαθμολογίες χρηστών για καταλύματα, καθώς και χαρακτηριστικά καταλυμάτων που αντλήθηκαν από γνωστή διαδικτυακή πλατφόρμα κρατήσεων. H ανάπτυξη του συστήματος βασίστηκε στην μεθοδολογία CRISP-DM(Shearer, 2000a). Η αξιολόγηση του συστήματος συστάσεων γίνεται με μέτρηση της ακρίβειας προβλέψεων αξιολογήσεων σε πείραμα με πραγματικούς χρήστες.Για τη μελέτη περίπτωσης χρησιμοποιήθηκαν δεδομένα για τα τουριστικά καταλύματα του Νομού Χανίων. Τα πιο σημαντικά χαρακτηριστικά της συγκεκριμένης ερευνητικής προσπάθειας είναι: α. H χρήση μεγάλου όγκου πραγματικών δεδομένων σε αντίθεση με τις περισσότερες από τις υπάρχουσες έρευνες που χρησιμοποιούν έτοιμα τεστ σετ δεδομένων. β. Η χρησιμοποίηση όλης της διαθέσιμης αντλημένης πληροφορίας προκειμένου να καταλήξουμε σε σύσταση. Πιο συγκεκριμένα στην παρούσα μεθοδολογία χρησιμοποιούνται δεδομένα βαθμολογιών προϊόντων για την ανάλυση ικανοποίησης πελατών, δεδομένα απόψεων για τη συναισθηματική ανάλυση, στατικά δεδομένα των προϊόντων σαν κατ’ αποκοπή κριτήρια σε αντίθεση με τις περισσότερες μελέτες όπου χρησιμοποιούνται είτε βαθμολογίες, είτε ανάλυση σχολίων για την τελική σύσταση.γ. Η χρήση των αποτελεσμάτων της ανάλυσης συναισθήματος ως κατώφλια ποιότητας σύστασης. δ. Η επιτυχής εφαρμογή παραλλαγής της πρόσφατα παρουσιασθείσας μεθόδου WAP, για τη δημιουργία προτιμησιακού προφίλ χρήστη.ε. Η απαίτηση για εισαγωγή ελάχιστων δεδομένων από το χρήστη.στ. Ο ελάχιστος χρόνος που απαιτείται για την παραγωγή της σύστασης κατά τη λειτουργία του συστήματος.η. Η αποφυγή άντλησης προσωπικών δεδομένων του χρήστη για χρήση τους στη διαδικασία της σύστασης. θ. H αποφυγή του προβλήματος της καθυστερημένης εκκίνησης (cold start). ι. Τα άκρως ικανοποιητικά αποτελέσματα με βάση τις μετρικές που χρησιμοποιήθηκαν για τη δοκιμή του συστήματος.κ. Η χρησιμότητα του συστήματος είναι χαρακτηριστική για όλες τις ομάδες στόχου, καθώς δίνεται η δυνατότητα παροχής χρήσιμης πληροφορίας τόσο στον πελάτη με σύσταση ανάλογη των αναγκών του, όσο και στον πάροχο υπηρεσίας/προϊόντος, προσδιορίζοντας του τις τάσεις όσον αφορά την ικανοποίηση των πελατών. Οι κύριες μετρικές που χρησιμοποιούνται για την μέτρηση της ποιότητας των συστάσεων που παράγονται είναι οι: Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE).H διατριβή ολοκληρώνεται, με προτάσεις, για μελλοντική έρευνα και επέκταση του παρόντος συστήματος.
Mean absolute error
Root mean square
Absolute (philosophy)
Mean square
Cite
Citations (0)
The paper portrays a linear model for synchronous prediction of the dissolved oxygen (DO) level in a protected urban lake by using independent variables in real-time monitoring of the water quality parameters. Multi-linear regression and machine learning techniques were applied to the Dissolved Oxygen (DO) using the basic four parameters of Water Quality Index (WQI). Three real-time industry standard sensors PHEHT, CTZN, OPTOD were used for sampling, data was then interpolated through ArcGIS kriging method. 25 correlations were checked through the ML algorithm, a correlation heat map was produced and the top five relations were taken under consideration and validated by r-score and root mean squared error (RMSE) to develop the linear regression model. The performance of the model was validated through the RMSE, mean squared error (MSE), and mean absolute error (MAE) the r2 accuracy came to 0.983 when it is checked against the sample data. The suggested model can be used as a technique for unknown or malfunctioned sensor’s null DO data prediction.
Mean absolute error
Predictive modelling
Cite
Citations (2)
Abstract. The root-mean-squared error (RMSE) and mean absolute error (MAE) are widely used metrics for evaluating models. Yet, there remains enduring confusion over their use, such that a standard practice is to present both, leaving it to the reader to decide which is more relevant. In a recent reprise to the 200-year debate over their use, Willmott and Matsuura (2005) and Chai and Draxler (2014) give arguments for favoring one metric or the other. However, this comparison can present a false dichotomy. Neither metric is inherently better: RMSE is optimal for normal (Gaussian) errors, and MAE is optimal for Laplacian errors. When errors deviate from these distributions, other metrics are superior.
Mean absolute error
Confusion
Mean square
Cite
Citations (690)
Mean absolute error
Gray (unit)
Cite
Citations (24)
본 연구에서는 Long Short Term Memory (LSTM) 신경망과 Gated Recurrent Unit(GRU) 신경망을 Internet of Things (IoT) 파워미터에 적용하여 단기 전력사용량 예측방법을 제안하고, 실제 가정의 전력사용량 데이터 를 토대로 예측 성능을 분석한다. 성능평가 지표로써 Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Mean Percentage Error (MPE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE) 를 이용한다. 실험 결과는 GRU 기반의 모델이 LSTM 기반의 모델에 비해 MAPE 기준으로 4.52%, MPE 기준으로 5.59%만큼의 성능개선을 보였다.
Mean absolute error
Cite
Citations (0)
Predicting body fat percentage is essential for addressing the obesity problem. This paper compares the performance of several machine learning models based on Regression, to predict the body fat percentage. Using a dataset of 252 participants with information on age, weight, height, and fat percentage, the models were assessed based on multiple performance criteria, including Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) and Mean Squared Error(MSE). The results demonstrates that Random Forest Regressor surpass other models with a lower RMSE of 0.276. These findings suggest that machine learning models can be a valuable tool for precise BFP, the use of machine learning provides a faster and more precise method for predicting body fat percentage. Overall, the study's results suggest that machine learning models can be valuable tool for accurate body fat percentage prediction.
Cite
Citations (5)
In this paper, the prediction performance evaluation of Stanford University Interim (SUI) Model and the extended SUI model are presented. More importantly, the effectiveness of two model tuning approaches, namely, RMSE-based tuning and multi-parameter tuning are assessed based on empirical pathloss data obtained for a suburban area in Uyo, Akwa Ibom state. Although the RMSE tuning is quite simple, the results showed that in some cases it does not minimize the prediction error to an acceptable level (6dB to 7dB) for practical applications. However, in the two models, the multi-parameter tuning effectively minimized the prediction error to an acceptable level with mean prediction error of about 0.00001 dB, RMSE that are less than 2.45 dB and prediction accuracies above 98.2%. On the other hand, the RMSE-tuned models have mean prediction error of above ± 1.5 dB, RMSE that above 8.8 dB and prediction accuracies less than 94.3%. In all, the SUI model performed better than the extended SUI.
Interim
Mean absolute error
Cite
Citations (0)
Abstract. Both the root mean square error (RMSE) and the mean absolute error (MAE) are regularly employed in model evaluation studies. Willmott and Matsuura (2005) have suggested that the RMSE is not a good indicator of average model performance and might be a misleading indicator of average error and thus the MAE would be a better metric for that purpose. Their paper has been widely cited and may have influenced many researchers in choosing MAE when presenting their model evaluation statistics. However, we contend that the proposed avoidance of RMSE and the use of MAE is not the solution to the problem. In this technical note, we demonstrate that the RMSE is not ambiguous in its meaning, contrary to what was claimed by Willmott et al. (2009). The RMSE is more appropriate to represent model performance than the MAE when the error distribution is expected to be Gaussian. In addition, we show that the RMSE satisfies the triangle inequality requirement for a distance metric.
Mean absolute error
Cite
Citations (610)
Mean absolute error
Tracking error
Cite
Citations (0)
Abstract. The mean absolute error (MAE) and root mean squared error (RMSE) are widely used metrics for evaluating models. Yet, there remains enduring confusion over their use, such that a standard practice is to present both, leaving it to the reader to decide. Some of this confusion arises from a recent debate between Willmott and Draxler (2005) and Chai and Draxler (2014), in which either side presents their arguments for one metric over the other. Neither side was completely correct; however, because neither metric is inherently better: MAE is optimal for Laplacian errors, and RMSE is optimal for normal (Gaussian) errors. When errors deviate from these distributions, other metrics are superior.
Mean absolute error
Confusion
Square root
Mean square
Root mean square
Cite
Citations (78)