整理完之後的問題如下：
1. 機器學習模型無法估計樣本數，那要怎麼知道結果是穩定的？（重新再跑一次看結果會不會一致？）
2. 當初為什麼不照上下肢題目的比例去選？
3. 分數雖然變得可比較性，但可比較性似無沒有太大意義。我認為的原因如下：雖然可以用AI-ML去逼近原始分數，但是轉換後的原始分數，沒有辦法呈現各關節的狀況。且FM也沒有常模。還是難以推估個案能力；所以對於臨床人員來說，分數解讀的問題還是在。
4. 文中提到用，Person's r 看反應性，但person'r的數值不是差距，這個概念想要釐清。
5. 如何決定幾個cell/幾層layer
AI-FM 整理
AI-FM研究目的：AI-FM想要突破的主要問題為短版FM (12-FM / 32-FM)的分數無法與原版分數相比較，所以臨床應用性低。
研究方法與結果：
第一步：
1.
受試者資料：使用次級資料
2.
將此筆資料（208筆）分成8:2，80%用以發展、20%用以測試
第二步
1. 選題：上肢/下肢各選5題；選題方式：使用randomized lasso method。
概念大致如下：
「抽取少數樣本量，使用該群樣本之各題分數預測其總分，並挑出相關係數最高的5題」此過程重複多次，再挑出出現次數最高的5題，當作最終題目。
2.
建立計分系統
使用Artifical neural network（類似多層的全有全無率，所以文中才說可能是線性/非線性）
概念大致如下：
「選題後，得題分數會「乘以某係數」後將題目資訊輸入information shared layer中的cell，在cell中，會加總原題目「得分X係數」，並判斷是否有通過某閾值，如有通過，則再乘以某係數傳到下一層的cell；如未通過則乘以0。以此可以將有重要資訊的題目保留，並替除不重要之題目。」
*因為有很多不同段之係數轉換，故其分數轉換非線性。
「保留重要資訊後，再進入到information specific layer，將被保留的重要資訊分數膨脹以推估總分」
第三步
1.
檢查其心理計量特性
i. 同時效度：
FM 與 AI –FM之pearson’s r = 0.95~0.99（優於其他版本）
ii.收斂效度：
全部UE-FM與BI之pearson’s r = 0.54~0.76
全部LE-FM與BI之pearson’s r = 0.58~0.82 （與PASS優於其他版本，與BI劣於其他版本）
iii.反應性：
UE （優於其他版本）
AI-FM：4.9~6.7；SRMs=0.37-0.71
FM與AI-FM person’s=0.72~0.95
LE（其他版本相似）
AI-FM：2.4-3.4；SRMs=0.37-0.71
FM與AI-FM person’s=0.78~0.91
iv. 再測信度
UE：AI-FM ICC = 0.92；MDC=13.2；MDC%=20%（ICC劣於其他版本；MDC優於其他版本）
LE：AI-FM ICC = 0.88；MDC=5.3；MDC%=15.6% （劣於其他版本）
結論：
1.
AI-FM較有效率（比12-FM、37-FM更短）
2.
有好的同時效度、再測信度；MDC優於其他版本
3.
AI-FM可以非常逼近原始分數
沒有留言:
張貼留言