Improving Mixture Cure Modelling of Multiple Molecular Factors in Cancer Prognosis
Notice bibliographique
Résumé
In analysis of time-to-event data in which the study sample includes long-term survivors, the mixture cure (MC) model is more appropriate than a conventional proportional hazards model. In samples with few events, standard maximum likelihood (ML) estimates can be biased and Wald-type confidence intervals may not be valid. This problem can be exacerbated when multiple imputation is used to deal with missing covariate values. Motivated by a cohort study of breast cancer prognosis with incomplete prognostic biomarkers, I i) extend Firth-type penalized likelihood (FT-PL) developed for bias reduction in the exponential family to the Weibull-logistic MC, using the Jeffreys invariant prior; ii) develop profile ikelihood confidence interval (PLCI) methods with likelihood ratio tests (LRT) for MC model inference, iii) extend their application to pooled estimates of multiple-imputed data, via a combined likelihood profile (CLIP); and iv) improve the specification of imputation model to refine estimation efficiency with FT-PL and CLIP. In data-based simulation studies of samples with low event numbers, we find that: i) compared to ML, FT-PL exhibits smaller mean bias and mean squared error, as well as higher statistical power by LRT; ii) the PLCI for FT-PL shows better coverage than Wald CI, and exceeds that of PLCI for ML; iii) FT-PL with CLIP-CI has good coverage of underlying parameter values and narrower width than the common Rubin’s Rule approach; and iv) an imputation model that follows the exact conditional distribution of the missing covariate values under the MC framework demonstrates overall smaller estimation bias and better coverage compared to other commonly used imputation models, and can be well approximated in some practical cases. Finally, we illustrate the practicality and strength of FT-PL with profile likelihood based inference for MC analysis in a cohort study of breast cancer prognosis with long-term followup for disease free survival, where we apply the refined imputation strategy to incompletely measured prognostic factors.
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 | 0,011 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».