Spezialisierte KI-Agenten für statistische Analysen

So einfach wie ChatGPT, aber lokal

Öffnen Sie einen Ordner und fragen Sie in Ihren eigenen Worten. Blade führt R auf Ihrem Computer aus, damit Tabellen, Grafiken und Skript schnell vorliegen.

Preise

Study A CHD risk factors

Study A › CHD risk factors

framingham.csv4,240 rows · 16 columns

age	sysBP	BMI	TenYearCHD
39	106	26.97	0
46	121	28.73	0
48	127.5	25.34	0
61	150	28.58	1
46	130	23.1	0
43	180	30.3	0

Which risk factors relate most to ten-year CHD?

Thinking

Shell.ExecRscript framingham_stats.RDone

Age and systolic BP are the strongest, then hypertension and diastolic BP.

with TenYearCHD	r	95% CI	p
age	0.23	0.20 to 0.25	< .001
sysBP	0.22	0.19 to 0.24	< .001
prevalentHyp	0.18	0.15 to 0.21	< .001
diaBP	0.15	0.12 to 0.17	< .001

Supervised

Study A CHD risk factors

Study A › CHD risk factors

R 4.4RunningRan in 0.4 s

1# Framingham -- linear regression output (OLS)2df <- read.csv("framingham.csv", check.names = FALSE)3 4# 2. multiple: sysBP5m2 <- lm(sysBP ~ age + male + BMI + heartRate + totChol,6         data = df)7print(summary(m2))

Console

Call:lm(formula = sysBP ~ age + male + BMI + heartRate + totChol,     data = df) Residuals:    Min      1Q  Median      3Q     Max -64.300 -12.481  -2.465   9.921 125.865  Coefficients:             Estimate Std. Error t value Pr(>|t|)    (Intercept) 22.531293   3.091221   7.289 3.72e-13 ***age          0.864168   0.035665  24.230  < 2e-16 ***male        -1.128182   0.596856  -1.890   0.0588 .  BMI          1.425642   0.072987  19.533  < 2e-16 ***heartRate    0.290839   0.024571  11.837  < 2e-16 ***totChol      0.036349   0.006852   5.305 1.19e-07 ***---Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 18.84 on 4165 degrees of freedom  (69 observations deleted due to missingness)Multiple R-squared:  0.2642,	Adjusted R-squared:  0.2633 F-statistic: 299.1 on 5 and 4165 DF,  p-value: < 2.2e-16

	male	age	education	currentSmoker	cigsPerDay	BPMeds	prevalentHyp	totChol	sysBP	diaBP	BMI	heartRate	glucose	TenYearCHD
1	1	39	4	0	0	0	0	195	106	70	26.97	80	77	0
2	0	46	2	0	0	0	0	250	121	81	28.73	95	76	0
3	1	48	1	1	20	0	0	245	127.5	80	25.34	75	70	0
4	0	61	3	1	30	0	1	225	150	95	28.58	65	103	1
5	0	46	3	1	23	0	0	285	130	84	23.1	85	85	0
6	0	43	2	0	0	0	1	228	180	110	30.3	77	99	0
7	0	63	1	0	0	0	0	205	138	71	33.11	60	85	1
8	0	45	2	1	20	0	0	313	100	71	21.68	79	78	0
9	1	52	1	0	0	0	1	260	141.5	89	26.36	76	79	0
10	1	43	1	1	30	0	1	225	162	107	23.61	93	88	0
11	0	50	1	0	0	0	0	254	133	76	22.91	75	76	0
12	0	43	2	0	0	0	0	247	131	88	27.64	72	61	0
13	1	46	1	1	15	0	1	294	142	94	26.31	98	64	0
14	0	41	3	0	0	1	1	332	124	88	31.31	65	84	0
15	0	39	2	1	9	0	0	226	114	64	22.35	85	NA	0
16	0	38	2	1	20	0	1	221	140	90	21.35	95	70	1
17	1	48	3	1	10	0	1	232	138	90	22.37	64	72	0
18	0	46	2	1	20	0	0	291	112	78	23.38	80	89	1
19	0	38	2	1	5	0	0	195	122	84.5	23.24	75	78	0
20	1	41	2	0	0	0	0	195	139	88	26.88	85	65	0

==============================================================================
0. SAMPLE
==============================================================================
Rows: 4240   Columns: 16

==============================================================================
1. SIMPLE LINEAR REGRESSION: systolic BP ~ age
==============================================================================

Call:
lm(formula = sysBP ~ age, data = df)

Residuals:
    Min      1Q  Median      3Q     Max 
-57.382 -13.627  -2.627  10.182 148.042 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 82.14199    1.82570   44.99   <2e-16 ***
age          1.01276    0.03628   27.91   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 20.25 on 4238 degrees of freedom
Multiple R-squared:  0.1553,	Adjusted R-squared:  0.1551 
F-statistic:   779 on 1 and 4238 DF,  p-value: < 2.2e-16


Equation: sysBP = 82.142 + 1.0128 * age
n = 4240, R2 = 0.1553, adj R2 = 0.1551, residual SE = 20.253 mmHg
95% CI for slope: [0.9416, 1.0839]

==============================================================================
2. MULTIPLE LINEAR REGRESSION: sysBP ~ age + male + BMI + heartRate + totChol
==============================================================================

Call:
lm(formula = sysBP ~ age + male + BMI + heartRate + totChol, 
    data = df)

Residuals:
    Min      1Q  Median      3Q     Max 
-64.300 -12.481  -2.465   9.921 125.865 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 22.531293   3.091221   7.289 3.72e-13 ***
age          0.864168   0.035665  24.230  < 2e-16 ***
male        -1.128182   0.596856  -1.890   0.0588 .  
BMI          1.425642   0.072987  19.533  < 2e-16 ***
heartRate    0.290839   0.024571  11.837  < 2e-16 ***
totChol      0.036349   0.006852   5.305 1.19e-07 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 18.84 on 4165 degrees of freedom
  (69 observations deleted due to missingness)
Multiple R-squared:  0.2642,	Adjusted R-squared:  0.2633 
F-statistic: 299.1 on 5 and 4165 DF,  p-value: < 2.2e-16


n = 4171, R2 = 0.2642, adj R2 = 0.2633, F = 299.07, residual SE = 18.840

Fragen zu Ihren Daten

Öffnen Sie CSV-, Excel- oder SPSS-Dateien und beschreiben Sie Ihre Frage.

Ergebnisse lesen

Tabellen, Diagramme und Voraussetzungen an einem Ort prüfen.

Das R-Skript behalten

Prüfen Sie den Code, führen Sie ihn erneut aus oder teilen Sie ihn mit Kollegen.

Ein Arbeitsbereich für jede Studie

Daten, Gespräche und R-Skripte bleiben zusammen. Wechseln Sie Projekte, ohne den Faden zu verlieren.

Blade Desktop

Study A

Study A 4 files

framingham.csvCSV · 192 KB2m
framingham_analysis.RR · 6 KB2m
R_fig3_correlation.pngPNG · 258 KB2m
framingham_analysis.pngPNG · 360 KB1h

Forschung ist schwer. Statistik muss es nicht sein

Die Datenerhebung dauerte Monate. Die Analyse muss das nicht.

Wo 588 klinische Studien hängen blieben:

44,3 %
Patientenrekrutierung
26,7 %
Datenerhebung
21,5 %
Datenanalyse und Interpretation
20,4 %
Studiendesign
20,2 %
Publikation

Jedes Quadrat steht für 1 % der 588 Studien. Cullati et al., BMC Medical Research Methodology, 2016

Führungskräfte vertrauen uns

Für Geschäftsentscheidungen und Forschung, die klare Antworten brauchen.

Skala

„Blade hält Daten, Analyse und R-Skript zusammen, damit unser Team jedes Ergebnis nachvollziehen kann.“

Febrilian

CEO, Skala

Risetku

„Eine Studie sollte zusammenbleiben: die Daten, die Analyse und die Gespräche dahinter.“

Elvan Wiyarta

CEO, Risetku

Von Rohdaten zu Ergebnissen, die Sie berichten können

Preisdetails

Blade Free

Rp0

Sehen Sie, was Blade mit Ihren eigenen Daten macht.

Die vollständige Desktop-App
Analyse in R auf Ihrem Computer
Einige Fragen pro Tag

Blade herunterladen

Läuft auf macOS und Windows.

Blade Pro

Rp299.000 für einen Monat

Für Fristen und intensive Forschungsmonate.

Alles aus Free
Fragen Sie so viel, wie die Arbeit braucht
Eine Zahlung, keine automatische Verlängerung

Blade Pro holen

Bezahlen Sie mit QRIS oder einem virtuellen Bankkonto.