| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.86 MB | Adobe PDF |
Authors
Abstract(s)
Joint modeling of longitudinal and survival data has received increasing attention in the
recent years, especially related to AIDS and cancer studies. Generally, these data have been
analyzed considering survival (time-to-event) outcome and longitudinal (repeated measures)
outcome separately. The existence of individual speci c processes which vary over time and
contribute both to the longitudinal and survival result justify the joint modeling of that information.
This approach allows to consider simultaneously the correlation between the repeated
measures for the individual and its survival time.
The motivation of the work was to provide a survival analysis considering the in
uence
of a longitudinal biomarker in the survival time of HIV/AIDS patients who are residents in
Brazil. We employed a bayesian methodology for jointly modelling the two types of data, making
inferences for the parameters of interest via Markov chain Monte Carlo (MCMC) methods. We
proposed several joint models, namely models with spatial random e ects (to account for the
unobserved heterogeneity amongst individuals from the same region), cure fraction models (to
deal with possible long term survivors) and penalized B-spline models (to allow a more
exible
non-linear longitudinal trajectory).
The results show that the joint Bayesian models present considerable improvements in the
distribution of the median survival time in comparison with those ones obtained by separate
modeling. The introduction of spatial random e ects showed the absence of regional extravariation
of patients from di erent Brazilian states. The assumption of a cure fraction in the
population revealed no improvement. As expected, the inclusion of splines provides better
exibility in modeling the longitudinal biomarker trajectory.
A modelação conjunta de dados longitudinais e de sobrevivência tem sofrido uma atenção crescente nos últimos anos, especialmente em estudos relacionados com a SIDA e o cancro. Geralmente, estes dados têm sido analisados considerando as componentes de sobrevivência (tempo-até-evento) e longitudinal (medidas repetidas) em separado. O facto de existirem processos individuais latentes que variam ao longo do tempo e que contribuem, tanto para o modelo longitudinal, como para o de sobrevivência, justifica a modelação conjunta desta informação. Esta abordagem permite considerar, simultaneamente, as correlações entre as medidas repetidas num indiv duo e o seu tempo de sobrevivência. A motivação deste trabalho foi a de realizar uma análise de sobrevivência, considerando a in- fluência de um biomarcador longitudinal no tempo de sobrevivência, de pacientes com VIH/SIDA residentes no Brasil. Utilizou-se uma metodologia bayesiana para modelar conjuntamente os dois tipos de dados, fazendo inferência sobre os parâmetros de interesse através de métodos de Monte Carlo via cadeias de Markov (MCMC). Propusemos vários modelos conjuntos, nomeadamente modelos com efeitos aleatórios espaciais (para explicar a heterogeneidade não observada entre os indivíduos da mesma região), modelos com fracção de cura (para lidar com uma possível existência de sobreviventes de longa duração) e modelos B-spline com penalização (para permitir uma trajectória longitudinal não linear mais flexível). Os resultados mostram que os modelos bayesianos conjuntos apresentam melhorias consideráveis na distribuição do tempo mediano de sobrevivência, quando comparados com os resultados da aplicação dos modelos em separado. A introdução de efeitos aleatórios espaciais evidenciou a ausência de extra-variação regional na sobrevivência dos doentes dos diferentes estados brasileiros. A suposição da existência de uma fracção de cura na população não revelou melhorias. Como era de esperar, a inclusão de funções spline proporcionou maior exibilidade na modelação da trajectória do biomarcador longitudinal.
A modelação conjunta de dados longitudinais e de sobrevivência tem sofrido uma atenção crescente nos últimos anos, especialmente em estudos relacionados com a SIDA e o cancro. Geralmente, estes dados têm sido analisados considerando as componentes de sobrevivência (tempo-até-evento) e longitudinal (medidas repetidas) em separado. O facto de existirem processos individuais latentes que variam ao longo do tempo e que contribuem, tanto para o modelo longitudinal, como para o de sobrevivência, justifica a modelação conjunta desta informação. Esta abordagem permite considerar, simultaneamente, as correlações entre as medidas repetidas num indiv duo e o seu tempo de sobrevivência. A motivação deste trabalho foi a de realizar uma análise de sobrevivência, considerando a in- fluência de um biomarcador longitudinal no tempo de sobrevivência, de pacientes com VIH/SIDA residentes no Brasil. Utilizou-se uma metodologia bayesiana para modelar conjuntamente os dois tipos de dados, fazendo inferência sobre os parâmetros de interesse através de métodos de Monte Carlo via cadeias de Markov (MCMC). Propusemos vários modelos conjuntos, nomeadamente modelos com efeitos aleatórios espaciais (para explicar a heterogeneidade não observada entre os indivíduos da mesma região), modelos com fracção de cura (para lidar com uma possível existência de sobreviventes de longa duração) e modelos B-spline com penalização (para permitir uma trajectória longitudinal não linear mais flexível). Os resultados mostram que os modelos bayesianos conjuntos apresentam melhorias consideráveis na distribuição do tempo mediano de sobrevivência, quando comparados com os resultados da aplicação dos modelos em separado. A introdução de efeitos aleatórios espaciais evidenciou a ausência de extra-variação regional na sobrevivência dos doentes dos diferentes estados brasileiros. A suposição da existência de uma fracção de cura na população não revelou melhorias. Como era de esperar, a inclusão de funções spline proporcionou maior exibilidade na modelação da trajectória do biomarcador longitudinal.
Description
Tese de doutoramento, Estatística e Investigação Operacional (Probabilidades e Estatística), Universidade de Lisboa, Faculdade de Ciências, 2013
Keywords
Estatística Bayesiana Análise longitudinal Análise de sobrevivência Teses de doutoramento - 2013