Joint Multistate Models for Correlated Disease Processes: Extending Approaches for Interval-Censoring, Mixed Observation Schemes, and Multiple Longitudinal Outcomes
Notice bibliographique
Résumé
In diabetes and other lifelong diseases, it is not always known with certainty how chronic correlated non-fatal disease processes co-develop over time. It is also not obvious how to analyze this complex multivariate statistical problem. This thesis reviews and proposes methods that allow for the simultaneous modelling of several such processes. In a tutorial setting, it is shown that multistate and joint modelling approaches are useful for the overall research objective. Multistate models are found to be particularly applicable for questions surrounding the order and timing of disease-related processes. However, they require discretization of outcome data and possibly a very complex state space when more than two processes are modelled. In contrast, joint models can account for variations of continuous biomarkers over time and are particularly designed for modelling complex multivariate association structures. It would therefore be useful to combine elements of multistate and joint models, and the next part of the thesis develops this framework. Shared random effects can be used to link multistate and longitudinal processes, but most existing approaches assume that the multistate transition times are exactly observed. This renders them unsuitable for interval cohort studies, which are one of the most popular study designs for questions surrounding the natural history of complications. In interval cohort studies, participants are intermittently observed at regular intervals and are thus subject to mixed observation schemes where certain events are interval-censored and others are exactly observed. A novel shared random effects joint model for a longitudinal outcome and a multistate process under a mixed observation scheme is thus proposed. An appropriate likelihood function is defined and the model is fitted using a maximum likelihood framework with adaptive Gaussian quadrature. The model is assessed using simulation studies and is applied to 30-year data from the Diabetes Control and Complications Trial and Epidemiology of Diabetes Interventions and Complications study. The model is then extended to accommodate multiple longitudinal outcomes via Bayesian estimation using Hamiltonian Monte Carlo. In the end, it is shown that the novel joint multistate model gives greater insight into the natural history of a full complications process.
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 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».