A Non-Linear Model for Censored and Mismeasured Time Varying Covariates in Survival Models, with Applications in Human Immunodeficiency Virus and Acquired Immune Deficiency Syndrome Studies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary In survival regression analysis, when the time-dependent covariates are censored and measured with errors, a joint model is often considered for the longitudinal covariate data and the survival data. Typically, an empirical linear (mixed) model is assumed for the time-dependent covariates. However, such an empirical linear covariate model may be inappropriate for the (unobserved) censored covariate values that may behave quite differently from the observed covariate process. In applications such as human immunodeficiency virus–acquired immune deficiency syndrome studies, a mechanistic non-linear model can be derived for the covariate process on the basis of the underlying data generation mechanisms and such a non-linear covariate model may provide better ‘predictions’ for the censored and mismeasured covariate values. We propose a joint Cox and non-linear mixed effect model to model survival data with censored and mismeasured time varying covariates. We use likelihood methods for inference, implemented by the Monte Carlo EM algorithm. The models and methods are evaluated by simulations. An acquired immune deficiency syndrome data set is analysed in detail, where the time-dependent covariate is a viral load which may be censored because of a lower detection limit and may also be measured with errors. The results based on linear and non-linear covariate models are compared and new insights are gained.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle