加速失敗與長期追蹤聯合模型分析– 肝硬化之實例研究

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：36

、訪客IP：3.137.199.208

姓名

張滋顯(Tzu-Hsine Chaung) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

加速失敗與長期追蹤聯合模型分析– 肝硬化之實例研究
(Joint modelling of accelerated failure time and longitudinal data– A case study in cirrhosis data)

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)

存活分析中，Cox比例風險模型為最普遍的存活模型，但當資料沒有通過比例風險假設時，可使用其他的風險模型作為代替，常見的為加速失敗模型，在使用加速失敗模型描述長期追蹤資料中共變數與存活時間之間的關係時，存在著測量誤差與測量時間不固定的問題，同時資料缺失(informative missing)也會造成估計發生偏誤。為了解決這些問題，我們引進長期追蹤模型，利用線性隨機效應模型描述長期追蹤資料，使用概似比檢定與AIC值選擇適合的模型，解決這些問題，結合加速失敗模型與長期追蹤資料模型，也就是聯合模型。聯合模型的參數估計方面，由於使用線性隨機效應模型，將隨機效應視為遺失值，因此對聯合模型的概似函數使用EM(expectation maximization algorithm)演算法估計參數，且由於直接估計參數標準差不易，採用拔靴法估計參數標準差。由於近年來發現，少數資料使用Cox模型與加速失敗模型配適會得到不同的結果，本文使用加速失敗風險模型的聯合模型配適哥本哈根(Copenhagen)的研究團隊(Schlichting et al.,1983)肝硬化資料，分析強體松對肝硬化患者之療效，且將結果與使用Cox模型所得的結果進行比較。

摘要(英)

In survival analysis, the most common semi-parametric survival model is Cox proportional hazards model, if the proportional hazards assumption fail, we can use other hazards model to be an alternative model. The accelerated failure time model is an attractive alternative model. When we describe the relationship between longitudinal data and survival time, there exist some problems of measurement error and incomplete covariate history that result in biased estimation for partial likelihood function. In order to solve these problems, we introduce the joint model approach. The model parameter estimation of joint model cannot be obtained directly through the joint likelihood function because the integral outside the likelihood function. Therefore, we conduct EM (expectation maximization algorithm) algorithm to estimate the parameters to overcome the difficulty. Since the standard deviation is not easy to estimate the parameters directly, we use the bootstrap procedure to estimate the standard deviation. In recent literature, data fitted by Cox model or accelerated failure model may lead to different results. Therefore, we use the accelerated failure time model to fit the cirrhosis data and compare the results with the ones obtained Cox model.

關鍵字(中)

★ 聯合模型
★ 長期追蹤資料
★ 比例風險模型
★ 加速失敗模型

關鍵字(英)

★ joint model
★ longitudinal data
★ Cox model
★ AFT model

論文目次

摘要 i
Abstract ii
誌謝詞 iii
目錄 iv
圖目錄 vi
表目錄 vii
第一章緒論 1
1.1疾病介紹 1
1.1.1病因 1
1.1.2診斷指標 4
1.1.3治療方法 6
1.2研究背景 8
第二章統計方法 13
2.1 聯合模型 14
2.1.1 線性混合隨機效應模型 14
2.1.2 加速失敗模型(accelerated failure time model) 14
2.1.3 聯合模型(The Joint Model) 16
2.1.4 MCEM演算法(The MCEM Algorithm) 17
2.1.5 標準差與平均值的估計 23
第三章實例分析 24
3.1資料介紹 24
3.2 Kaplan-Meier曲線 26
3.3 比例風險檢定 31
3.4 AUC 34
3.5 聯合模型 38
第四章結論與討論 45
參考文獻 47

參考文獻

1. Brown, E. R., Ibrahim, J. G. & Degruttola, V. (2005). A Flexible B-spline Model for Multiple Longitudinal.Biomarkers and Survival. Biometrics, 61, 64–73.
2. Cox, D. R. (1975). Partial Likelihood. Biometrika, 62, 269–76.
3. Ding, J. & Wang, J. L. (2008). Modeling Longitudinal Data with Nonparametric Multiplicative Random Effects Jointly with Survival Data. Biometrics, 64, 546–56.
4. Efron, B.(1994). Missing data, imputation and bootstrap (with Discussion). J. Am Statist. Ass. 89, 463-479
5. Henderson, R., Diggle, P. & Dobson, A. (2000). Joint Modelling of Longitudinal Measurements and Event Time Data. Biostatistics, 4, 465–80.
6. Hsieh, F., Tseng, Y. K. & Wang, J. L. (2006). Joint Modeling of Survival Time and Longitudinal Data: Likelihood Approach Revisit. Biometrics, 62, 1037–43.
7. Jones, M. C. & Sheather, S. J. (1991). Using Non-stochastic Terms to Advantage in Kernel-based Estimation of Integrated Squared Density Derivatives. Statist. Prob. Lett., 11, 511–14.
8. Jones, M. C. (1990). The Performance of Kernel Density Functions in Kernel Distribution Function Estimation. Statist. Prob. Lett., 9, 129–32.
9. Song, X., Davidian, M. & Tsiatis, A. A. (2002). A Semiparametric Likelihood Approach to Joint Modelling of Longitudinal and Time-to-event Data. Biometrics, 58, 742–53.
10. Tseng, Y. K., Hsieh, F., & Wang, J. L. (2005). Joint Modeling of Accelerated Failure Time and Longitudinal Data. Biometrika, 92, 587–603.
11. Tsiatis, A. A. & Davidian, M. (2001). A Semiparametric Estimator for the Proportional Hazards Model with Longitudinal Covariates Measured with Error. Biometrika, 88, 447–58..
12. Tsiatis, A. A. & Davidian, M. (2004). Joint Modelling of Longitudinal and Time-to-event Data: An Overview. Statist. Sin., 14, 809–34.
13. Wang, Y. & Taylor, J. M. G. (2001). Jointly Modeling Longitudinal and Event Time Data with Application to Acquired Immunodeficiency Syndrome. J. Am. Statist. Ass., 96, 895–905.
14. Wulfsohn, M. S. & Tsiatis, A. A. (1997). A Joint Model for Survival and Longitudinal Data Measured with Error. Biometrics, 53, 330–39.
15. Zeng, D. & Lin, D. Y. (2007a). Maximum Likelihood Estimation in Semiparametric Regression Models with Censored Data (with Discussion). J. R. Statist. Soc. B, 69, 507–64.
16. Zeng, D. & Lin, D. Y. (2007b). Efficient Estimation in the Accelerated Failure Time Model. J. Am. Statist. Ass., 102,1387–96.
17. 葉秋梅 (2009)。聯合長期追蹤與存活資料分析-肝硬化病患之實例研究。國立中央大學統計學研究所碩士論文。

指導教授

曾議寬(Yi-Kuan Tseng)

審核日期

2014-7-22

推文