Joint analysis of a quantile of longitudinal \noutcomes and multiple time to events with \ncensoring
Notice bibliographique
Résumé
It is very common in health science studies that we observe both longitudinal and survival \ndata, within which different types of data are correlated and need to be analysed \ntogether to draw accurate conclusions. In this thesis, we propose a new method to \njointly analyse observations of a longitudinal outcome and occurring times for multiple \nright- and interval-censored events to capture the underlying effects between them. \nIn order to have a more complete view, we apply the quantile regression techniques \nto measure the effects of covariates on the longitudinal observations and then the effects \nof longitudinal observations on the occurring times of events at different levels of \nquantile. Semi-parametric proportional hazards models are proposed for both right and \ninterval-censored events with a vector of possible time-varying covariates shared \nwith the quantile regression model for the longitudinal outcome. We also assume a \nvariable of random effects in the survival models to measure the dependence between \ndifferent events. We develop a Monte Carlo Expectation Maximization (MCEM) algorithm \nfor computing non-parametric maximum likelihood estimators of parameters. \nOur estimators are proved to be consistent and asymptotically normally distributed. \nFurthermore, our proposed joint model is illustrated through a series of extensive simulation \nstudies and an application to a data set from a French cohort study, PAQUID, \naiming at studying the cognitive decline, such as the disease of dementia, among the \nelderly.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».