×

针对复发性事件和终末期事件,将延迟进入关节虚弱模型。 (英语) Zbl 07719498号

总结:在复发性事件的研究中,通常需要联合建模方法,以允许终端事件(如死亡)的潜在依赖性审查。对于从事件过程开始观察个体的情况,研究了具有附加依赖参数的复发事件和死亡的联合脆弱性模型。然而,样本通常是在晚些时候选择的,这导致输入延迟,因此只有尚未经历终端事件的个人才会被包括在内。在联合脆弱性模型中,这种左截断对脆弱性分布有影响,如果二者相关,则需要在递归过程和终端事件过程中考虑脆弱性分布。在一项全面的模拟研究中,我们证明了不调整延迟进入的影响,并推导出了正确调整的边际似然,它可以表示为两个积分与脆弱性分布的比值。我们扩展了L·刘X.黄【Stat.Med.27,2665–2683(2008年;doi:10.1002/sim.3077)]以包括潜在的左截断。通过高斯求积进行数值积分,将基线强度指定为分段常数函数,假设潜在协变量对强度具有乘法效应。我们应用该方法估计老年人群中复发性尿路感染的年龄特异性强度和死亡率。

MSC公司:

62Nxx号 生存分析和审查数据
62页第10页 统计学在生物学和医学中的应用;元分析
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] 阿伯林,JH;van den Berg,GJ,持续时间分析中未观察到的异质性分布,生物统计学,94,1,87-99(2007)·Zbl 1142.62415号 ·doi:10.1093/biomet/asm013
[2] TA Balan;马萨诸塞州容克;Johannesma,PC;Putter,H.,复发事件数据脆弱性模型的确定校正,Stat Med,35,4183-4201(2016)·数字对象标识代码:10.1002/sim.6968
[3] Cai Q,Wang M-C,Chan KCG(2017)幸存者群体纵向、复发事件和失效时间数据的联合建模。生物统计学73:1150-1160。doi:10.1111/biom.12693·Zbl 1405.62161号
[4] 马萨诸塞州Caljouw;范登霍特,WB;H·推杆。;Achterberg,WP公司;冷却液,HJM;Gussekloo,J.,《蔓越莓胶囊预防弱势老年人尿路感染的有效性:一项长期护理机构中的双盲随机安慰剂对照试验》,美国老年医学会杂志,62,103-110(2014)·doi:10.1111/jgs.12593
[5] 厨师,RJ;Lawless,JF,复发事件和终止事件的边际分析,Stat Med,16911-924(1997)·doi:10.1002/(SICI)1097-0258(19970430)16:8<911::AID-SIM544>3.0.CO;2-I型
[6] 厨师,RJ;Lawless,JF,复发事件的统计分析。生物与健康统计(2007年),纽约:斯普林格,纽约·Zbl 1159.62061号
[7] 克劳瑟,MJ;安德森,TM-L;兰伯特,PC;肯塔基州艾布拉姆斯;Humphreys,K.,《纵向数据和生存数据的联合建模:纳入延迟输入和模型错误评估》,《统计医学》,35,1193-1209(2016)·doi:10.1002/sim.6779
[8] 杜恰图,L。;Janssen,P.,《脆弱模型》(2008),柏林:施普林格出版社,柏林·Zbl 1210.62153号
[9] Emura,T。;中町,M。;Murotani,K。;Rondeau,V.,用于荟萃分析的肿瘤进展和死亡之间的联合脆弱连接模型,《统计方法医学研究》,26,2649-2666(2017)·doi:10.1177/0962280215604510
[10] 埃里克森,F。;Martinussen,T。;Scheike,TH,左腿截肢的成簇生存数据,Scand J Stat,421149-1166(2015)·Zbl 1419.62280号 ·doi:10.1111/sjos.12157
[11] Ghosh,D。;Lin,DY,在依赖性审查的情况下重复事件数据的半参数分析,生物统计学,59877-885(2003)·兹比尔1274.62671 ·doi:10.1111/j.0006-341X.2003.00102.x
[12] 黄,C-Y;Wang,M-C,复发事件过程和失效时间数据的联合建模和估计,美国统计协会,991153-1165(2004)·Zbl 1055.62108号 ·doi:10.1198/0162145000001033
[13] Jazić,I。;Haneuse,S。;法语,B。;MacGrogan,G。;Rondeau,V.,《终末期复发事件嵌套病例对照研究的设计与分析》,《Stat Med》,38,22,4348-4362(2019)·doi:10.1002/sim.8302
[14] Jensen,H。;布鲁克迈耶,R。;阿比,P。;Andersen,PK,左旋多变量生存数据的共享脆弱性模型(2004),Biostatistisk Afdeling:Tusculanum博物馆,Biosstatistisk A fdeling
[15] Kalbfleisch,法学博士;德国绍贝尔;叶,Y。;Gong,Q.,分析复发和终末期事件的估计函数方法,生物计量学,69366-374(2013)·Zbl 1274.62802号 ·doi:10.1111/biom.1025
[16] 克莱因,JP;Moeschberger,ML,生存分析。删失和截断数据技术(2003),柏林:施普林格出版社,柏林·Zbl 1011.62106号 ·doi:10.1007/b97377
[17] 无法律效力,JF;Fong,DYT,临床和观察研究中的状态-持续时间模型,Stat Med,18,2365-2376(1999)·doi:10.1002/(SICI)1097-0258(19990915/30)18:17/18<2365::AID-SIM262>3.0.CO;2个Q
[18] 刘,D。;德国绍贝尔;Kalbfleisch,JD,集群复发事件数据的计算效率边际模型,生物统计学,68,637-647(2012)·Zbl 1274.62824号 ·文件编号:10.1111/j.1541-0420.2011.01676.x
[19] 刘,L。;Huang,X.,在脆弱比例风险模型中使用高斯求积进行估计,Stat Med,272665-2683(2008)·doi:10.1002/sim.3077
[20] 刘,L。;弗吉尼亚州沃尔夫;Huang,X.,复发事件和终末事件的共享脆弱性模型,生物统计学,60747-756(2004)·Zbl 1274.62827号 ·doi:10.1111/j.0006-341X.2004.00225.x
[21] Piulachs,X。;Andrinopoulou,E-R;M.Guillén。;Rizopoulos,D.,《零膨胀整数与时变关联左转事件时间的贝叶斯联合模型:在老年保健中的应用》,《统计医学》,40,1,147-166(2021)·doi:10.1002/sim.8767
[22] R核心团队(2020)R:统计计算的语言和环境。奥地利维也纳R统计计算基金会
[23] 罗杰斯,JK;Yaroshinsky,A。;Pocock,SJ;斯托卡尔,D。;Pogoda,J.,《复发事件与相关信息退出时间的分析:联合脆弱性模型的应用》,《统计医学》,35,2195-2205(2016)·数字对象标识代码:10.1002/sim.6853
[24] 伦杜,V。;马图林·佩利西耶,S。;贾明·加达,H。;布鲁斯特,V。;Soubeyran,P.,使用最大惩罚似然估计的复发事件和死亡的联合脆弱性模型:在癌症事件中的应用,生物统计学,8,4,708-721(2007)·Zbl 1267.62110号 ·doi:10.1093/biostatistics/kxl043
[25] 伦杜,V。;毛根,A。;A.劳伦特。;伯尔,C。;Helmer,C.,《集群和间隔相关结果的动态预测模型:调查痴呆风险的耦合内相关性》,《统计方法医学研究》,26,5,2168-2183(2017)·doi:10.1177/0962280215594835
[26] Rondeau V、Gonzalez JR、Mazroui Y、Mauguen A、Diakite A、Laurent A、Lopez M、Król A、Sofeu CL、Dumerc J、Rustand D、Chauvet J、Coent、Le Q(2021)脆弱包:一般脆弱模型:带预测的共享、联合和嵌套脆弱模型;失效时间替代终点的评估。R包版本3.5.0。https://CRAN.R-project.org/package=脆弱包
[27] 范登伯格,GJ;Drepper,B.,用左旋数据推断共享脆弱生存模型,《经济学评论》,35,1075-1098(2016)·Zbl 1491.62140号 ·doi:10.1080/07474938.2014.975640
[28] van den Hout,A。;Muniz-Terrera,G.,老龄化研究中离散纵向结果的联合模型,J R Stat Soc Ser C,65,167-186(2016)·doi:10.1111/rssc.12114
[29] Wienke,A.,生存分析中的脆弱模型(2011),博卡拉顿:查普曼和霍尔/CRC生物统计学系列,博卡拉通
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。