×
陈玉川;James J.陈。

集成生存树以识别个性化医学中的子种群。 （英语） Zbl 1358.62089号

生物。J。 58，编号51151-1163（2016）。
摘要：近年来，个性化药物在提高药物开发的安全性和有效性方面受到了高度重视。个性化医疗旨在提供适合患者特征的医疗服务，如基因组生物标记物、疾病史等，以便优化治疗效益。亚群识别是将患者分为几个不同的亚组，每个亚组对应一个最佳治疗。对于两个亚组，传统上拟合多变量Cox比例风险模型，并在结果为生存期终点时用于计算风险评分。中位数通常被选为分离患者的临界值。然而，使用中值作为截止值非常主观，有时在数据不平衡的情况下可能不合适。在这里，我们提出了一种新的基于树的方法，该方法采用相对风险树算法来识别亚组患者。在生成相对风险树后，我们根据平均协变量应用k-means聚类对终端节点进行分组。由于单棵树的性能是非常不稳定的，所以我们采用集成打包方法来提高单棵树性能。通过仿真研究，比较了我们提出的方法和多元Cox模型的性能。我们提出的方法在两个公共癌症数据集上的应用也进行了说明。

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
62号05 可靠性和寿命测试
62小时05 多元概率分布的表征与结构理论；交配

关键词：

Cox比例风险模型;集合方法;个性化医疗;子组识别;存活树木;多元Cox模型

软件：

生存
PDF格式BibTeX公司 XML格式引用
\textit{Y.C.Chen}和textit{J.J.Chen}.生物。J.58，第5号，1151--1163（2016；Zbl 1358.62089）
全文： 内政部

参考文献：

[1] Bender，R.、Thomas，A.和Maria，B.（2005年）。生成生存时间以模拟Cox比例危险模型。医学统计学241713-1723。
[2] Bou‐Hamad，I.、Larocque，D.和Ben‐Ameur，H.（2011）。存活树木综述。统计调查5，44-71·Zbl 1274.62648号
[3] Breiman，L.（1996）。装袋预测器。机器学习24123-140·Zbl 0858.68080号
[4] Breslow，N.（1972年）。D.R.Cox对论文讨论的贡献。英国皇家统计学会杂志，B34系列，216-217。
[5] Chen，D.T.、Hsu，Y.L.、Fulp，W.J.、Coppola，D.、Haura，E.B.、Yeatman，T.J.和CressW。D.（2011）。早期非小细胞肺癌恶性风险基因特征的预测价值。《国家癌症研究所杂志》103，1859-1870年。
[6] Ciampi，A.、Thiffault，J.、Nakache，J.P.和Asselain，B.（1986年）。通过逐步回归、相关性分析和递归分区进行分层：三种具有协变量的生存数据分析方法的比较。计算统计与数据分析4185-204·Zbl 0649.62106号
[7] Davis，R.B.和Anderson，J.R.（1989）。指数生存树。医学统计8，947-961。
[8] Doove，L.L.、Dusseldorp，E.、VanDeun，K.和VanMechelen，I.（2013）。对五种递归划分方法进行比较，以发现参与有意义的治疗-亚组相互作用的个人亚组。数据分析和分类进展8，403-425·Zbl 1414.62239号
[9] Dusseldorp，E.、Conversano，C.和VanOs，B.J.（2010年）。同时结合加性和基于树的回归模型：stima。计算与图形统计杂志19，514-530。
[10] Foster，J.、Taylor，J.和Ruberg，S.（2011年）。随机临床试验数据的亚组鉴定。医学统计302867-2880。
[11] Freidlin，B.、Jiang，W.和Simon，R.（2010）。交叉验证的自适应签名设计。临床癌症研究16，691-698。
[12] Freidlin，B.和Simon，R.（2005a）。随机停药设计的评估。临床肿瘤学杂志23，5094-5098。
[13] Freidlin，B.和Simon，R.（2005b）。适应性签名设计：为敏感患者生成并前瞻性测试基因表达签名的适应性临床试验设计。临床癌症研究11，7872-7878。
[14] Gordon，L.和Olshen，R.A.（1985）。树结构生存分析。癌症治疗报告69，1065-1069。
[15] Hartigan，J.A.和Wong，M.A.（1979年）。算法AS 136：K‐means聚类算法。英国皇家统计学会杂志，C28100-108系列·Zbl 0447.62062号
[16] LeBlanc，M.和Crowley，J.（1992年）。审查生存数据的相对风险树。生物统计学48，411-425。
[17] Lipkovich，I.、Dmitrienko，A.、Denne，J.和Enas，G.（2011年）。基于差异效应搜索的亚组识别——一种用于确定患者亚群对治疗反应的递归划分方法。医学统计302601-2621。
[18] Lloyd，S.P.（1982）。PCM中的最小二乘量化。IEEE信息理论汇刊28，129-137·Zbl 0504.94015号
[19] MacQueen，J.（1967）。多元观测值分类和分析的一些方法。第五届伯克利数理统计与概率研讨会论文集，1281-297。加州伯克利：加利福尼亚大学出版社·Zbl 0214.46201号
[20] Mandrekar，S.J.和Sargent，D.J.（2009年a）。预测性生物标志物验证的临床试验设计：理论考虑和实际挑战。《临床肿瘤学杂志》27，4027-4034。
[21] Mandrekar，S.J.和Sargent，D.J.（2009b）。预测性生物标志物验证的临床试验设计：一种尺寸并不适合所有人。生物制药统计杂志19，530-542。
[22] Matsui，S.、Simon，R.、Qu，P.、Shaughnessy，J.D.Jr.、Barlogie，B.和Crowley，J.（2012）。在预测医学随机临床试验中开发和验证连续基因组签名。临床癌症研究186065-6073。
[23] Nelson，W.（1969年）。在只有坐标可观测的情况下估计随机向量的分布。技术计量学12，923-924·Zbl 0209.50004号
[24] Sargent，D.J.、Conley，B.A.、Allegra，C.和Collette，L.（2005）。癌症治疗试验中预测性标志物验证的临床试验设计。临床肿瘤学杂志2020-2027。
[25] Segal，M.R.（1988年）。审查数据的回归树。生物统计学44，35-48·Zbl 0707.62224号
[26] Su，X.，Tsai，C.L.，Wang，H.，Nickerson，D.M.和Li，B.（2009）。通过递归分区进行子群分析。机器学习研究杂志10，141-158。
[27] Tang，H.，Xiao，G.，Behrens，C.，Schiller，J.，Allen，J.、Chow，C.W.、Suraokar，M.、Corvalan，A.、Mao，J.和White，M.，Wistuba，I.、Minna，J.以及Xie，Y.（2013）。12基因集预测非小细胞肺癌患者辅助化疗的生存益处。临床癌症研究19，1577-1586。
[28] 坦普尔，R.J.（2005）。浓缩设计：癌症治疗发展的效率。临床肿瘤学杂志23，4838-4839。
[29] Therneau，T.（2015）。S.版本2.38中的生存分析包，http://CRAN.R网站‐project.org/package=生存。
[30] Tsai，C.A.、Chen，D.T.、Chen、J.J.、Balch，C.M.、Thompson，J.F.和Soong，S.J.（2007）。一种基于树的综合分类方法，用于局部黑色素瘤患者的预后分组。生物制药统计杂志17，445-460。
[31] Zeileis，A.、Hothorn，T.和Hornik，K.（2008）。基于模型的递归分区。计算与图形统计杂志17，492-514。
[32] Zhang，H.和Singer，B.（2010年）。递归分区及其应用。纽约州纽约州施普林格·Zbl 1271.62016年
[33] Zhu，C.Q.，Ding，K.，Strumpf，D.，Weir，B.A.，Meyerson，M.，Pennell，N.，Thomas，R.K.，Naoki，K.、Ladd‐Acosta，C.，Liu，N.、Pintile，M.、Der，S.、Seymour，L.，Jurisica，I.，Shepherd，F.A.和Tsao，M.S.（2010年）。非小细胞肺癌术后辅助化疗的预后和预测基因特征。《临床肿瘤学杂志》28，4417-4424。
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。