Appraisal of models for the study of disease progression in psoriatic arthritis.
Notice bibliographique
Résumé
The subject of the thesis is the use of models for disease progression in arthritis, with special emphasis on Markov regression models. The first objective of the thesis is to propose a Pearson type goodness of fit test for stationary Markov models with covariates. The grouping technique proposed by Hosmer and Lemeshow for logistic regression models is extended to models with response variables recorded repeatedly over time. This generalization is particularly appropriate for panel data in which different numbers of observations, unequally spaced, are obtained for each sampling unit. Due to the complexity of the theoretical distribution of the test statistic, bootstrap methodology is used to calculate the distribution of the statistic under the null hypothesis. The power of the goodness of fit test is investigated for a particular model using a nested bootstrap algorithm. The proposed test is applied to a data set obtained at the University of Toronto with the objective of identifying prognostic factors for disease progression in psoriatic arthritis (PsA), measured via the number of damaged joints. As the Markov regression model does not fit the PsA data, the second objective of the thesis is to consider potentially better models. A larger data set is analysed for this purpose . Additionally, neither the outcome variable nor the covariates are categorized. Two mixture regression models for longitudinal data are examined to determine if there is statistical evidence supporting the hypothesis that a proportion of individuals never develop damaged joints. The results indicate that a negative binomial regression model without added zeros might provide a reasonable approach. The goodness of fit of this model is examined using bootstrap methodology, comparable to that used for the Markov regression model.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».