摘要
多状态模型用于通过离散状态的疾病描述个人的自然历史。基于电子病历的观测数据资源为研究此类疾病提供了新的机会。然而，这些数据包括在离散采样时间对过程的观察，这可能是预先安排好的、非信息性的，也可能是由症状驱动的、关于个人潜在疾病状态的信息性的。我们为这种情况开发了一种新的联合观察和疾病过渡模型。根据潜在的连续时间马尔可夫链对疾病过程进行建模；以及观察过程，根据Markov-modulated-Poisson过程，观察率取决于个体的潜在疾病状态。疾病过程是在信息性或非信息性采样时间观察的，可能存在误分类错误。我们证明了该模型是可计算的，并设计了一种用于参数估计的期望最大化算法。通过使用模拟数据，我们展示了联合观察和疾病转移模型的估计如何导致对疾病率参数的偏差更小、更精确的估计。我们将该模型应用于继发性乳腺癌事件的研究，利用乳腺X射线照相术和活检记录，这些记录来自有原发性乳腺肿瘤病史的女性样本。
建议引用
简·M·兰格。；Rebecca A.Hubbard。；井上，Lurdes Y.T。；和Minin，Vladimir，“多状态疾病过程和随机信息观察时间的联合模型，以及电子病历数据的应用”（2014年1月）。威斯康星大学生物统计学工作论文系列。工作文件401。
https://biostats.bepress.com/uwbiostat/paper401
