Bayesian Joint Models for Longitudinal and Multi-state Survival Data
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
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.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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