Bayesian Joint Models for Longitudinal and Multi-state Survival Data
Notice bibliographique
Résumé
Joint models for longitudinal and time to event data are frequently used in many observational studies such as clinical trials with the aim of investigating how biomarkers which are recorded repeatedly in time are associated with time to an event of interest. In most cases, these joint models only consider a univariate time to event process. However, many clinical trials of patients with cancer, involve multiple recurrences of a single event together with a single terminal event experienced by patients over time. Therefore, this article proposes joint modelling approachs for longitudinal and multi-state data. The approach considers two sub-models that are linked by a common latent random variable. The first sub-model is linear mixed effect model that defines the longitudinal process and the second sub-model is a proportional intensity function for the multi-state process. Furthermore, on the proportional intensity model, two different formulations are used to define dependence structure between longitudinal and multi-state processes. In this article, a semi-Markov process that consider the time spent in the current state is defined for the transitions between states. Moreover, the time spent in each transient state is assumed to have Gompertz distribution. A Bayesian method using Markov Chain Monte Carlo (MCMC) is developed for parameter estimation and inferences. The deviance information criterion (DIC) is also derived for Bayesian model selection and comparison. Finally, our proposed joint modeling approach is evaluated through a simulation study and is applied to real datasets (colorectal and colorectal.Longi) which present a random selection of 150 patients from a multi-center randomized phase III clinical trial FFCD 2000-05 of patients diagnosed with metastatic colorectal cancer.
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 | 0,032 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».