多重复测量与事件时间数据的动态预测：在帕金森病中的应用
应用统计
2017-05-18 v2
摘要
在许多研究神经退行性疾病（如帕金森病(PD)）的临床试验中，收集多重纵向结局以全面探究该病引起的多维度损伤。如果结局迅速恶化，患者可能达到足以启动左旋多巴治疗以改善疾病症状的功能障碍水平。准确预测到达功能障碍的时间有助于临床医生监测患者的疾病进展并做出知情的医疗决策。在本文中，我们首先提出一个联合模型，该模型由用于多重纵向结局的半参数多层潜特质模型(MLLTM)和用于事件时间的生存模型组成。两个子模型通过潜在的潜变量联系在一起。我们开发了用于参数估计的贝叶斯方法，以及基于其多变量纵向测量来预测目标患者未来结局轨迹和生存事件风险的动态预测框架。我们提出的模型通过模拟研究进行评估，并应用于DATATOP研究（一项评估司来吉兰在早期PD患者中效果的启发性临床试验）。
引用
@article{arxiv.1603.06476,
title = {Dynamic Prediction for Multiple Repeated Measures and Event Time Data: An Application to Parkinson's Disease},
author = {Jue Wang and Sheng Luo and Liang Li},
journal= {arXiv preprint arXiv:1603.06476},
year = {2017}
}