Analysis of Marked Recurrent Events in the Presence of a Terminating Event.
Notice bibliographique
Résumé
In many biomedical studies where the event of interest is recurrent (e.g., hospital admission), marks are observed upon the occurrence of each event (e.g., medical costs, length of stay). In Chapter II, we propose novel methods which contrast group-specific cumulative means, influenced by the recurrent event rate and survival probability. Our proposed methods utilize a form of hierarchical modeling: a proportional hazards model for the terminating event; a proportional rates model for the conditional recurrent event rate given survival; and a generalized estimating equations approach for the marks, given an event has occurred. Group-specific cumulative means are estimated (as processes over time) by averaging fitted values from the afore-listed models, with the averaging being with respect to the marginal covariate distribution. Large sample properties are derived, while simulation studies are conducted to assess finite sample properties. We apply the proposed methods to data obtained from the CANADA-USA Peritoneal Dialysis Study. Typically in observational studies, it is necessary to account for measured and un-measured heterogeneity across study subjects. This is often accomplished through model covariates (for measured factors) and frailty variates (to account for unmeasured predictors). In Chapter III, we propose fully parametric models and estimation is carried out simultaneously. Residual correlation across the terminating event, recurrent event and mark process is captured by a Normal frailty variate. Maximum likelihood based estimation is carried out via a Gaussian Quadrature technique for integration. Through simulation, the methods are shown to work well for practical sample sizes. In Chapter IV, we develop inverse weighting methods to contrast group-specific cumulative means. Both the underlying data structure and the target estimands are the same as those from Chapter II. However, we avoid constructing semi-parametric or parametric models for each process to achieve consistent estimates in Chapter IV. We further take into account of treatment imbalance and unobserved censoring times by combining Inverse Probability Treatment Weighting (IPTW) and Inverse Probability Censoring Weighting (IPCW). Efficiency is compared with the procedure proposed in Chapter II.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».