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

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：28

、訪客IP：3.145.58.90

姓名

張輔仁(Fu-Jen Chang) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

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
(Bivariate survival with time dependent covariate - a case study on the relationship between AIDS patient's survival and CD4 / CD8 ratio)

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	★ 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	★ 半母數擴充風險模型

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)

雞尾酒療法是目前治療愛滋病最有效的療法，衛生署自 1997 年 4 月開始提供病患雞尾酒療法之治療藥物，至今已逾十年之久。台灣關於雞尾酒療法對於愛滋病的影響使用數學模型來分析的例子仍很少見，因此本篇針對台灣愛滋病病患的資料，使用邊際模型 (marginal model) 及脆弱模型 (frailty model) 這兩種多維度存活分析的方法來分析這資料，以便探討使用雞尾酒療法對於 HIV 檢驗成陽性到愛滋病病發，及病發後到死亡這兩段時間療效之差異以及 CD4 / CD8 比值高低的影響。

摘要(英)

Highly Active Anti-Retroviral Therapy, or HAART, is highly beneficial to many HIV-infected individuals. The Department of Health in Taiwan has began to provide the treatment
of HAART for the AIDS patients since April, 1997. However, so far in Taiwan, there are very few cases using mathematical models to analyse the efficacy of HAART to HIV patients. Conseqently, to investigate the problem, we use marginal model and frailty model, two methods of multivariate survival data analysis. We want to find the different effect of HAART in two time periods, HIV infection to onset of AIDS and onset of AIDS to death and the different effects of CD4 / CD8 ratio.

關鍵字(中)

★ 愛滋病
★ 邊際模型
★ 脆弱模型

關鍵字(英)

★ AIDS
★ frailty model
★ marginal model

論文目次

中文摘要 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
英文摘要 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
致謝辭 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
圖目錄 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
表目錄 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
一緒論 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
二統計方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1 邊際模型(Marginal Model) . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.1 存活時間 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.2 AG Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.3 PWP Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.4 WLW Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.5 夾擠估計量(Sandwich Variance Estimators) . . . . . . . . . . . . 10
2.2 脆弱模型(Frailty Model) . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1 Penalized Likelihood Approach . . . . . . . . . . . . . . . . . . . . 12
三實例分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.1 Kaplan-Meier 估計量 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 邊際模型(Marginal Model) . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3 脆弱模型(Frailty Model) . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4 治療效果的比較 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
四結論 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
參考文獻 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
附錄 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
附錄一：整理資料的程式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
附錄二：模型和圖形的程式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

參考文獻

[1] Andersen, P. K. and Gill, R. D. (1982). Cox’s regression model for counting processes:
A large sample study. Annals of Statistics 10, 1100-1120.
[2] Cai, J. and Prentice, R. L. (1995). Estimating equations for hazard ratio parameters
based on correlated failure time data. Biometrika 82, 151–164.
[3] Chen, A. P. (2007). Ordered Bivariate Survival Time with Time Dependent Covariate
-Comparison of Marginal Method. NCU Thesis.
[4] Clayton, D. G. (1978). A model for association in bivariate life tables and its applica-
tion in epidemiological studies of chronic disease incidence. Biometrika 65, 141–151.
[5] Clayton, D. G. and Cuzick, J. (1985). Multivariate generalisations of the proportional
hazards model. Journal of the Royal Statistical Society, Series A, 148, 82–117.
[6] Cook, R. J. and Lawless, J. F. (2002). Analysis of repeated events. Statistical Methods
in Medical Research 11, 141-166.
[7] Cox, D. R. (1972). Regression models and life-tables (with Discussion). Journal of
the Royal Statistical Society:Series B, 34, 187-220.
[8] Crowder, M. (1989). A multivariate distribution with Weibull connections. J. R.
Statist. Soc. B, 51, 93-107.
[9] Fleming, T. R. and Harrington, D. P. (1991). Counting Processes and Survival Anal-
ysis. John Wiley and Sons, New York.
[10] Guo, G. and Rodr′ ıguez, G. (1992). Estimating a multivariate proportional hazards
model for clustered data using the EM algorithm. With an application to child sur-
vival in Guatemala. J. Am. Statist. Assoc. 87, 969-976.
[11] Hougaard, P. (1986). A class of multivariate failure time distributions. Biometrika
73, 671–678.
[12] Huber, P. J. (1967). The behaviour of maximum likelihood estimates under non-
standard conditions. Proceedings of the Fifth Berkeley Symposium on Mathematical
Statistics and Probability 1, 221–233.
[13] Klein, J. P. (1992). Semiparametirc estimation of random eﬀects using the Cox model
based on the EM algorithm. Biometrika 48, 795-806.
[14] Lawless, J. F. and Nadeau, C. (1995). Some simple robust methods for the analysis
of recurrent events. Technometrics 37, 158-168.
[15] Lin, D. Y. and Wei, L. J. (1989). The robust inference for the Cox proportional
hazard model. Journal of the American Statistical Association 84, 1074-1078.
[16] Lin, D. Y. (1994). Cox regression analysis of multivariate failure time data: the
marginal approach. Statistics in Medicine 13, 2233-2247.
[17] Lin, D. Y., Wei, L. J., Yang, I. and Ying, Z. (2000). Semiparametric regression for the
mean and rate functions of recurrent events. Journal of the Royal Statistical Society,
Series B, 62, 711–730.
[18] MaGilchrist, C. A. and Aisbtt, C. W. (1991). Regression with frailty in survival
analysis. Biometrics 47, 461–466.
[19] Nielsen, G. G., Gill, R. D., Andersen, R. K. and Sørensen, T. I. A. (1992). A count-
ing process approach to maximum likelihood estimation in frailty models. Scand. J.
Statist. 19, 25-43.
[20] Oakes, D. (1982). A model for association in bivariate survival data. Journal of the
Royal Statistical Society, Series B, 44, 414–422.
[21] Oakes, D. (1992). Frailty models for multiple event times. Lifetime Data Anal. 4,
209–228.
[22] Pepe, M. S. and Cai, J. (1993). Some graphical displays and marginal regression anal-
yses for recurrent failure times and time-dependent covariates. Journal of American
Statistical Association 88, 811–820.
[23] Prentice, P. L., Williams, B. J. and Peterson, A. V. (1981). On the regression analysis
of multivariate failure time data. Biometrika 68, 373-379.
[24] Therneau, T. M. and Grambsch, P. M. (eds) (2000). Modeling survival data:extending
the Cox Model. Springer, New York.
[25] Vaupel, J. W., Manton, K. G. and Stallard, E. (1979). The impact of heterogeneity
in individual frailty on the dynamics of mortality. Demography, 16:439–454.
[26] Wei, L. J., Lin, D. Y., and Weissfeld, L. (1989). Regression analysis of multivariate
incomplete failure time data by modeling marginal distributions. Journal of American
Statistical Association 84, 1065-1073.
[27] Wulfsohn, M. S., Lin, D. Y., and Tsiatis, A. A. (1997). A Joint Model for Survival
and Longitudinal Data Measured with Error. Biometrics 53, 330-339.

指導教授

曾議寬(Yi-kuan Tseng)

審核日期

2008-6-26

推文