Joint modeling of longitudinal measurements and survival data with competing risks: application to HIV/AIDS study
Notice bibliographique
Résumé
Joint modeling of longitudinal measurements and survival data is a popular modeling technique in biomedical research (Wulfsohn and Tsiatis, 1997). Most of the studies in joint modeling consider only one failure type for the time-to-event outcome and an assumption of independent censoring. Some literature extends the methodology to allow for the multiple failures (also regarded as competing risks event) that frequently occur in clinical studies. However, only the Cox or other parametric cause-specific hazards (CSH) proportional survival submodels were used in those studies (Cox, 1972). In this thesis, I study shared random effects joint models that consist of a linear mixed submodel for the longitudinal outcome, and Cox proportional CSH and proportional subdistribution hazards (SDH) submodels for the competing risks events (Fine and Gray, 1999; Laird and Ware, 1982; Rizopoulos, 2012). The longitudinal and the survival outcomes are linked together by latent random effects. To obtain estimates of the parameters, the joint likelihood of the longitudinal process and the survival process is used. The Expectation-Maximization (EM) algorithm was deployed to obtain maximum likelihood estimates of the parameters (Dempster, Laird, and Rubin, 1977). I applied the methodology to a real HIV dataset that consisted of longitudinal biomarker CD4+ counts and cancer-related AIDS (cancer AIDS), and non-cancer AIDS as time-to-event outcomes. When cancer AIDS is the main event of interest, then non-cancer AIDS is a competing risk and vice versa. I compared results between joint models with the CSH and SDH submodels. For cancer AIDS, results in both the longitudinal and survival submodels varied between the CSH-based and SDH-based joint models. However, for non-cancer AIDS, results were different in the longitudinal submodels but similar in the survival submodels. In my study population, proportions of individuals experiencing cancer AIDS and non-cancer AIDS were 2.7% and 15.0%, respectively. Thus, when non-cancer AIDS was the main event of interest, the proportion of competing event (cancer AIDS) was very low relative to non-cancer AIDS. Previous studies reported that if the proportion of individuals experiencing a competing risk is low, the CSH and SDH models may not provide different results. Hence, I conducted simulation studies to check the performance of the CSH and SDH models for different proportions of events and competing events. I observed that the results between CSH and SDH models are different if the proportion of individuals experiencing a competing risk is not much lower than the proportion experiencing the event of interest. I also performed simulation study on the joint model to investigate how magnitudes of association parameter between longitudinal and survival outcomes influence the parameter estimates in separate Cox proportional hazards and linear mixed models. I observed that the bias of the estimate in separate Cox regression analysis increases as the magnitude of the association increases.
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 | 0,034 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».