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。