×
简·M·兰格。;古拉蒂，罗马人;艾米·莱昂纳森。;Lin，Daniel W。;丽莎·纽科姆（Lisa F.Newcomb）。;布鲁斯·特罗克。;H·巴伦廷·卡特;彼得·卡罗尔。;马修·库珀伯格。;珍妮特·考恩（Janet E.Cowan）。;劳伦斯·克劳茨。;露丝·埃齐奥尼

评估和比较不同监测方案下的癌症进展风险。 （英语） Zbl 1405.62186号

附录申请。斯达。 第12期，第3期，1773-1795（2018）.
总结：癌症诊断和治疗后的结果通常通过医患接触或专业诊断检查在离散时间观察。尽管它们在癌症研究中作为终点普遍存在，但这些结果给分析带来了挑战。特别是，不同监测方案的研究或患者群体之间的比较可能会因就诊频率的差异而混淆。我们提出了一个基于多状态和隐马尔可夫模型的统计框架，该模型在给定离散观测时间的连续时间尺度上表示事件。为了证明这一框架，我们考虑了在不同监测频率的多个积极监测队列中比较前列腺癌进展风险的问题。我们表明，不同的监测计划部分解释了队列间观察到的进展风险差异。我们的应用可以得出这样的结论，即在考虑不同的监测频率后，不同队列之间潜在癌症进展风险的差异仍然存在。

引用于三文件

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析
2005年6月2日 马尔可夫过程：估计；隐马尔可夫模型
62号05 可靠性和寿命测试

关键词：

隐马尔可夫模型;多状态模型;面板数据;前列腺癌;主动监测
PDF格式BibTeX公司 XML格式引用
\textit{J.M.Lange}等人，Ann.Appl。Stat.12，No.3，1773--1795（2018；Zbl 1405.62186）
全文： 内政部 欧几里得

参考文献：

[1] Andersen，P.K.和Keiting，N.（2002年）。用于事件历史分析的多状态模型。统计方法医学研究11 91–115·Zbl 1121.62568号 ·doi:10.1191/0962280202SM276ra
[2] Baum，L.E.、Petrie，T.、Soules，G.和Weiss，N.（1970年）。马尔可夫链概率函数统计分析中的最大化技术。安。数学。统计数据41 164–171·Zbl 0188.49603号 ·doi:10.1214/aoms/1177697196
[3] 布莱特·M和索伦森·M（2005）。离散观测马尔可夫跳过程的统计推断。J.R.Stat.Soc.，塞尔维亚。B统计方法67 395–410·Zbl 1069.62061号 ·doi:10.1111/j.1467-9868.2005.00508.x
[4] Coley，R.Y.、Zeger，S.L.、Mamawala，M.、Pienta，K.J.和Carter，H.B.（2016）。预测病理学Gleason评分，为前列腺癌个性化管理计划提供信息。《欧洲药典》第72卷第135–141页。
[5] Cumani，A.（1982）。齐次马尔可夫过程建模故障时间分布的规范表示。微电子。Reliab.22 583–602。
[6] Dall'Era，M.A.（2015）。影响选择和坚持积极监测的患者和疾病因素。货币。操作。神经科25 272–276。
[7] Donnelly，C.、McFetridge，L.M.、Marshall，A.H.和Mitchell，H.J.（2017）。利用Coxian相型分布对纵向数据和存活数据进行联合分析的两阶段方法。统计方法医学研究将出现。PMID:28633604。
[8] Foucher，Y.、Giral，M.、Soulilou，J.-P.和Daures，J.-P（2007）。具有多个终端事件的多状态和间隔感知数据的半马尔可夫模型。在肾移植中的应用。Stat.Med.26 5381–5393。
[9] Frydman，H.和Szarek，M.（2009年）。基于缺失中间过渡状态的区间删失观测的马尔可夫“疾病-死亡”过程的非参数估计。生物统计学65 143–151·Zbl 1159.62075号 ·doi:10.1111/j.1541-0420.2008.01056.x
[10] Gignac，G.A.、Morris，M.J.、Heller，G.、Schwartz，L.H.和Scher，H.I.（2008）。前列腺癌临床试验结果评估：21世纪巴别塔。癌症113 966–974。
[11] Grüger，J.、Kay，R.和Schumacher，M.（1991）。疾病状态模型中基于不完全观察的推断的有效性。生物识别47 595–605。
[12] Huang，X.和Wolfe，R.A.（2002年）。信息审查的脆弱模型。生物统计学58 510-520·Zbl 1210.62129号 ·doi:10.1111/j.0006-341X.2002.00510.x
[13] Hudgens，M.G.、Satten，G.A.和Longini，I.M.（2001）。区间截尾竞争风险生存数据的非参数极大似然估计。生物统计学57 74–80·Zbl 1209.62049号 ·doi:10.1111/j.0006-341X.2001.00074.x
[14] Humphrey，P.A.（2004年）。前列腺癌Gleason分级和预后因素。国防部。病理学17 292–306。
[15] Inoue，L.Y.T.、Trock，B.J.、Partin，A.W.、Carter，H.B.和Etzioni，R.（2014）。主动监测研究中的年级进展建模。统计医学33 930–939。
[16] Jackson，C.H.、Sharples，L.D.、Thompson，S.G.和Duffy，S.W.（2003）。具有分类错误的疾病进展的多状态马尔可夫模型。J.R.Stat.Soc.，塞尔维亚。D Stat.52 193–209。
[17] Kang，M.和Lagakos，S.W.（2007年）。半马尔可夫过程面板数据的统计方法及其在HPV中的应用。生物统计8 252-264·Zbl 1121.62073号 ·doi:10.1093/biostatistics/kxl006
[18] Klotz，L.、Vesprini，D.、Sethukavalan，P.、Jethava，V.、Zhang，L.，Jain，S.、Yamamoto，T.、Mamedov，A.和Loblaw，A.（2015）。前列腺癌患者大规模积极监测队列的长期随访。临床杂志。Oncol.33 272–277。
[19] Lange，J.M.和Minin，V.N.（2013）。拟合和解释面板数据的连续时间潜在马尔可夫模型。Stat.Med.32 4581–4595。
[20] Lange，J.M.、Hubbard，R.A.、Inoue，L.Y.T.和Minin，V.N.（2015）。多状态疾病过程和随机信息观察时间的联合模型，应用于电子医疗记录数据。生物统计学71 90–101·Zbl 1419.62384号 ·doi:10.1111/biom.12525
[21] Lange，J.M.、Gulati，R.、Leonardson，A.S.、Lin，D.W.、Newcomb，L.F.、Trock，B.J.、Carter，H.B.、Cooperberg，M.R.、Cowan，J.E.、Klotz，L.H.和Etzioni，R.（2018年）。对“不同监测方案下癌症进展风险的评估和比较”的补充。DOI:10.1214/17-AOAS1130SUPPA，DOI:10.214/17-AOAS1130SUPPB，DOI:10.1214/17-AOAS1130 SUPPC，DOI:10.1214/17%-AOAS1130 SUPPD，DOI:00.1214/17-AOAS11300SUPPE。
[22] Mandel，M.（2010年）。使用面板数据估计疾病进展。生物统计11 304–316·Zbl 1437.62553号
[23] Mao，L.，Lin，D.-Y.和Zeng，D.（2017）。间隔相关竞争风险数据的半参数回归分析。生物统计学73 857–865·Zbl 1522.62197号
[24] Marshall，G.和Jones，R.H.（1995年）。多状态模型与糖尿病视网膜病变。Stat.Med.14 1975–1983年。
[25] Moler，C.和Loan，C.V.（2003年）。二十五年后，十九种计算矩阵指数的可疑方法。SIAM第45版801–836·Zbl 1030.65029号 ·doi:10.1137/S00361445024180
[26] Narod，S.A.和Rakovitch，E.（2014）。诊断为DCIS或早期浸润性乳腺癌后乳腺内复发风险的比较。货币。Oncol.21 119-124。
[27] Newcomb，L.F.、Thompson Jr.、I.M.、Boyer，H.D.、Brooks，J.D.、Carroll，P.R.、Cooperberg，M.R.，Dash，A.、Ellis，W.J.、Fazli，L.、Feng，Z.、Martin，E.、Kunju，P.、Lance，R.S.、Mckenney，J.K.、Meng，M.V.、Marlo，M.、Sanda，M.G.、Simko，J.、So，A.、Tretiakova，M.，Troyer，D.A.、True，L.D.、Vakar-Lopez，F.、Virgin，J.，Wagner，A.、。，Wei，J.T.、Nelson，P.S.和Lin，D.W.为金丝雀前列腺活动监测研究调查员服务（2016年）。前瞻性多机构金丝雀PASS队列中积极监测临床局限性前列腺癌治疗的结果。J.Urol.195 206-221。
[28] Palisaar，J.R.、Noldus，J.、Löppenberg，B.、Von Bodman，C.、Sommer，F.和Eggert，T.（2012）。根据16项目前使用的低风险和积极监测标准对前列腺癌进行错误分类的综合报告。北京大学Int.110。
[29] Penson，D.F.（2012）。影响患者接受和坚持积极监测的因素。J.国家。癌症研究所专著45 207–212。
[30] Pinsky，P.、Parnes，H.和Ford，L.（2008）。前列腺癌预防试验中真实高级别疾病的发病率评估。癌症预防。第1182-186号决议。
[31] Popiolek，M.、Rider，J.R.、Andrén，O.、Andersson，S.-O.、Holmberg，L.、Adami，H.-O.和Johansson，J.-E.（2013）。早期局限性前列腺癌的自然病史：30年随访的最终报告。欧洲药典63 428–435。
[32] Ross，A.E.、Loeb，S.、Landis，P.、Partin，A.W.、Epstein，J.I.、Kettermann，A.、Feng，Z.、Carter，H.B.和Walsh，P.C.（2010）。随访期间前列腺特异性抗原动力学是前列腺癌监测项目干预的不可靠触发因素。临床杂志。Oncol.28 2810–2816。
[33] Rouanet，A.、Joly，P.、Dartigues，J.-F、Proust Lima，C.和Jacqmin Gadda，H.（2016）。纵向数据和间隔感知半竞争性事件的联合潜在类模型：在痴呆症中的应用。生物统计学72 1123–1135·Zbl 1390.62303号 ·doi:10.1111/biom.12530
[34] Sridhara，R.、Mandrekar，S.J.和Dodd，L.E.（2013）。随机临床试验中评估无进展生存终点的缺失数据和测量变异性。临床。癌症研究19 2613–2620。
[35] Steele，R.J.和Raftery，A.E.（2010年）。高斯混合模型的贝叶斯模型选择标准的性能。《统计决策和贝叶斯分析前沿》（M.-H.Chen、P.Muller、D.Sun、K.Ye和D.K.Dey编辑）113-130。纽约州施普林格。
[36] Stephenson，A.J.、Kattan，M.W.、Eastham，J.A.、Dotan，Z.A.、Bianco，F.J.、Lilja，H.和Scardino，P.T.（2006）。前列腺癌根治术后生化复发的定义：标准化定义的建议。临床杂志。Oncol.24 3973–3978。
[37] Titman，A.C.和Sharples，L.D.（2010年）。具有相型逗留分布的Semi-Markov模型。生物统计学66 742–752·Zbl 1203.62203号 ·文件编号：10.1111/j.1541-0420.2009.01339.x
[38] Tosoian，J.J.、Mamawala，M.、Epstein，J.I.、Landis，P.、Wolf，S.、Trock，B.J.和Carter，H.B.（2015）。高危前列腺癌前瞻性积极监测计划的中期和长期结果。临床杂志。Oncol.33 3379–3385。
[39] Tosoian，J.J.、Carter，H.B.、Lepor，A.和Loeb，S.（2016）。前列腺癌的积极监测：当代实践状况。Nat.Rev.Urol.116 1477–1490。
[40] Welty，C.J.、Cowan，J.E.、Nguyen，H.、Shinohara，K.、Perez，N.、Greene，K.L.、Chan，J.M.、Meng，M.V.、Simko，J.P.、Cooperberg，M.R.和Carroll，P.R.（2015）。局部前列腺癌大型活动监测队列中疾病重新分类的延长随访和风险因素。J.Urol.193 807–811。
[41] Zeng，L.、Cook，R.J.、Wen，L.和Boruvka，A.（2015）。间歇性进展评估导致无进展生存分析中的偏差。Stat.Med.34 3181–3193。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。