在存活分析中使用擴充風險模型二分一個連續型生物指標的方法

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：93

、訪客IP：52.14.240.57

姓名

陳秉豪(Bing-Hao Chen) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

在存活分析中使用擴充風險模型二分一個連續型生物指標的方法
(Method to Dichotomizing a Continuous Biomarker in Univariate Survival Analysis Using an Extended Hazard Model)

相關論文

★ 長期與存活資料之聯合模型-新方法和數值方法的改進	★ 復發事件存活分析的共享廣義伽瑪脆弱因子之半母數聯合模型
★ 加乘法風險模型結合長期追蹤資料之聯合模型	★ 有序雙重事件時間分析使用與時間相關的共變數－邊際方法的比較
★ 存活與長期追蹤資料之聯合模型－台灣愛滋病實例研究	★ 以聯合模型探討地中海果蠅繁殖力與老化之關係
★ 聯合模型在雞尾酒療法療效評估之應用—利用CD4/CD8比值探討台灣愛滋病資料	★ 時間相依共變數之雙重存活時間分析—台灣愛滋病病患存活時間與 CD4 / CD8 比值關係之案例研究
★ Cox比例風險模型之參數估計─比較部分概似法與聯合模型	★ 復發事件存活時間分析-丙型干擾素對慢性肉芽病患復發療效之案例研究
★ Cox 比例風險假設之探討與擴充風險模型之應用	★ 以聯合模型探討原發性膽汁性肝硬化
★ 聯合長期追蹤與存活資料分析－肝硬化病患之實例研究	★ 復發事件存活時間分析-rhDNase對囊狀纖維化病患復發療效之案例研究
★ 聯合長期追蹤與存活資料分析-原發性膽汁性肝硬化病患之實例研究	★ 復發事件存活時間分析-Thiotepa對膀胱癌病患復發療效之案例研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

在臨床研究中，將連續的生物指標進行二分法是一個普遍的做法。二分法使得臨床醫生更容易在制定治療決策時，使用事件與生物指標之間的相關資訊。在過去的文獻中存在多種對連續生物指標進行二分法，其中最常用的兩種方法，一種是最小p值法，另一種則是以概似函數為基礎的方法。最小p值法是對一個連續生物指標的所有值進行二分法，並進行一系列檢定統計量分析後，再選擇與最大檢定統計量（或等價地，最小p值）相關的“最佳”切點。而以概似函數為基礎的方法則是將切點視為一個未知參數，並藉由概似函數值的最大值來找出最佳的切點。在風險迴歸中也可以運用前述的兩種方法來尋找生物指標的切點。方法是將生物指標透過切點區分成兩個風險組作為我們的共變量來進行風險迴歸。本文希望能夠使用EH擴充風險模型，並運用前述的最小p值法及以概似函數為基礎的方法來尋找生物指標最佳的切點。

摘要(英)

Dichotomizing a continuous biomarker is a common practice in clinical research.
Dichotomizing make it easier for clinicians to use information about the relationship between an outcome and a baseline biomarker in making treatment decisions. Various methods exist in the literature for dichotomizing continuous biomarkers, of which the two most commonly used methods, one is the minimum p-value approach, and the other is likelihood-based approach. Minimum p-value approach uses a sequence of test statistics for all possible dichotomizations of a continuous biomarker, and it chooses the cutpoint that is associated with the maximum test statistic, or equivalently, the minimum p-value of the test. On the other hand, likelihood-based approach considers the cutpoint as an unknown parameter and find the best cutpoint by maximum likelihood. These two methods can be incorporated in the hazard regression by dividing the biomarkers into two groups through a cutpoint and treated as a hazard regression model. In this thesis, a semiparametric extended hazards model, which includes the Cox model and the AFT model as special cases is incorporated in the two methods to find the best cutpoint of a biomarker.

關鍵字(中)

★ 二分法
★ 生物指標
★ 擴充風險模型

關鍵字(英)

★ dichotomization
★ biomarker
★ extended hazard model

論文目次

摘要 i
Abstract ii
致謝 iii
目錄 iv
第1章介紹 1
1.1研究背景 1
1.2過去文獻使用無母數方法進行二分法的研究 2
1.3過去文獻使用半母數方法進行二分法的研究 5
1.3.1 Wald檢定的最小p值法 5
1.3.2以概似函數為基礎的方法 7
1.3.3重覆抽樣方法：Permutation test 8
第2章研究目的 11
第3章統計方法 13
3.1在Cox模型下尋找最佳的切點 13
3.1.1 Wald檢定的最小p值法 14
3.1.2以概似函數為基礎的方法 14
3.2在AFT模型下尋找最佳的切點 15
3.2.1 Wald檢定的最小p值法 16
3.2.2以概似函數為基礎的方法 17
第4章模擬 18
4.1模擬臨床試驗 18
4.2定義變數 19
4.3資料生成步驟 19
4.4模擬結果 21
4.4.1 Log-logistic-Cox 22
4.4.2 Gompertz-Cox 23
4.4.3 Log-logistic-AFT 24
4.4.4 Gompertz-AFT 25
4.5模擬結論 26
第5章：實例分析 28
心臟移植 28
第6章：結論與討論 34
參考文獻 36
存活時間來自Log-logistic-Cox的模擬結果 38
表4.1 38
表4.2 40
表4.3 42
表4.4 44
存活時間來自Gompertz-Cox的模擬結果 46
表4.5 46
表4.6 48
表4.7 50
表4.8 52
存活時間來自Log-logistic-AFT的模擬結果 54
表4.9 54
表4.10 56
表4.11 58
表4.12 60
存活時間來自Gompertz-AFT的模擬結果 62
表4.13 62
表4.14 64
表4.15 66
表4.16 68
附錄 70
A.1 Cox模型的核平滑概似函數一、二階導函數 70
A.2 AFT模型的核平滑概似函數一、二階導函數 70
A.3利用Cox模型的基線風險來生成存活時間 71
A.4利用AFT模型的基線風險來生成存活時間 73
A.5 模擬資料之程式碼 75
操作介紹 75

參考文獻

Abdolell, M., LeBlanc, M., Stephens, D., Harrison, R. V. (2002). Binary partitioning for continuous longitudinal data: Categorizing a prognostic variable. Statistics in
Medicine 21:3395–3409.
Altman, D. G., Lausen, B., Sauerbrei, W., Schumacher, M. (1994). Dangers of using “optimal” cutpoints in the evaluation of prognostic factors. Journal of the
National Cancer Institute 86:829–835.
Bender, R., Augustin, T., Blettner, M. (2005). Generating survival times to simulate Cox proportional hazards models. Statistics in Medicine 24:1713–1723.
Ciampi, A., Etezadi-Amoli, J. (1985). A general model for testing the proportional hazards and the accelerated failure time hypotheses in the analysis of censored survival data with covariates. Communication in Statistics-Theory and Methods 14:651–667.
Cox, D. R. (1972). Regression models and life tables (with disscussion). Journal of the Royal Statistical Society Series B. 34:187–220.
Cox, D. R. (1975). Partial likelihood. Biometrika 62:269–276.
Cox, D. R., Oakes, D. (1984). Analysis of Survival Data. London: Chapman & Hall.
Faraggi, D., Simon, R. (1996). A simulation study of cross-validation for selecting an optimal cutpoint in univariate survival analysis. Statistics in Medicine 15:2203–2213.
Herr, H.W., Scheinfeld, J., Puc, H. S.,Heelan, R., Bajorin,D. F., Mencel, P., Bosl,G. J., Motzer, R. J. (1997). Surgery for a post-chemotherapy residualmass
in seminoma. Journal of Urology 157: 860–862.
Hilsenbeck, S. G., Clark, G. M., McGuire, W. L. (1992). Why do so many prognostic factors fail to pan out? Breast Cancer Research and Treatment 22:197–206.
Hilsenbeck, S. G., Clark, G. M. (1996). Practical p-value adjustment for optimally selected cutpoints. Statistics in Medicine 15:103–112.
Jones, M. C. (1990). The performance of kernel density functions in kernel distribution function estimation. Statistics and Probability Letter 9:129–132.
Jones, M. C., Sheather, S. J. (1991). Using non-statistic terms to advantage in kernel-based estimation of integrated squared density derivatives. Statistics and Probability Letter 11:511–514.
Lausen, B., Schumacher, M. (1992). Maximally selected rank statistics. Biometrics 48:73–85.
Mazumdar, M., Glassman, J. R. (2000). Categorizing a prognostic variable: Review of methods, code for easy implementation and applications to decision-making
about cancer treatments. Statistics in Medicine 19:113–132.
Miller, R., Hallpern, J. (1982). Regression with censored data. Biometrika 69:521-531.
Miller, R., Siegmund, D. (1982). Maximally selected chi square statistics. Biometrics 38:1011–1016.
Molinari, N., Daures, J., Durand, J. (2001). Regression splines for threshold selection in survival data analysis. Statistics in Medicine 20:237-247.
Su, M., Fang, L., Su, Z. (2013). A likelihood and resampling based approach to dichotomizing a continuous biomarker. Journal of Biopharmaceutical Statistics 23:637–647.
Tseng, Y., Shu, K. (2011). Efficient estimation for a semiparametric extended hazards model. Communications in Statistics—Simulation and Computation 40:258–273.
Wick, W., Fricke, H., Junge, K., Kobyakov, G., Martens, T., Heese, O., Wiestler, B., Schliesser, M.G., Deimling, A.V., Pichler, J., Vetlova, E., Harting, I., Debus, J.,
Hartmann, C., Kunz, C., Platten, M., Bendszus, M., Combs, S.E. (2014). A Phase II, Randomized, Study of Weekly APG101 + Reirradia-tion versus Reirradiation in Progressive Glioblastoma. Clinical cancer research. 20:6304-6313.

指導教授

曾議寬(Yi-Kuan Tseng)

審核日期

2020-7-30

推文