Statistical methods for multivariate interval‐censored recurrent events
Notice bibliographique
Résumé
Multi-type recurrent event data arise when two or more different kinds of events may occur repeatedly over a period of observation. The scientific objectives in such settings are often to describe features of the marginal processes and to study the association between the different types of events. Interval-censored multi-type recurrent event data arise when the precise event times are unobserved, but intervals are available during which the events are known to have occurred. This type of data is common in studies of patients with advanced cancer, for example, where the events may represent the development of different types of metastatic lesions which are only detectable by conducting bone scans of the entire skeleton. In this setting it is of interest to characterize the incidence of the various types of bone lesions, to estimate the impact of treatment and other covariate effects on the development of new lesions, and to understand the relationship between the processes generating the bone lesions. We develop joint models for multi-type interval-censored recurrent events which accommodate dependencies between different types of events and enable one to examine the covariate effects via regression. However, since the marginal likelihood resulting from the multivariate random effect model is intractable, we describe a Gibbs sampling algorithm to facilitate model fitting and inference. We use generalized estimating equations for estimation and inference based on marginal models. The finite sample properties of the marginal approach are studied via simulation. The estimates of both the regression coefficients and the variance-covariance parameters are shown to have negligible bias and 95 per cent confidence intervals based on the asymptotic variance formula are shown to have excellent empirical coverage probabilities in all of the settings considered. The application of these methods to data from a trial of women with advanced breast cancer provides insight into the clinical course of bone metastases in this population.
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 | 0,038 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».