MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933330
■00520240214101233
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380133081
■035    ▼a(MiAaPQ)AAI30527655
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aGu,  Yu.
■24510▼aStatistical  Methods  for  Analyzing  Interval-Censored  Multi-State  Data▼h[electronic  resource]
■260    ▼a[S.l.]:▼bThe  University  of  North  Carolina  at  Chapel  Hill.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(174  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-02,  Section:  B.
■500    ▼aAdvisor:  Lin,  Danyu;Zeng,  Donglin.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aInterval-censored  multi-state  data  are  commonly  encountered  in  studies  of  chronic  diseases,  where  a  subject's  health  status  is  characterized  by  a  finite  number  of  disease  states  and  transitions  between  states  are  only  known  to  occur  within  broad  time  intervals.  The  fact  that  none  of  the  transition  times  are  directly  observed  makes  regression  analysis  extremely  challenging,  both  theoretically  and  computationally.  This  dissertation  develops  novel  statistical  methods  for  interval-censored  multi-state  data  analysis  in  three  projects.In  the  first  project,  we  provide  a  new  framework  based  on  semiparametric  proportional  intensity  models  to  analyze  general  interval-censored  multi-state  data.  We  adopt  nonparametric  maximum  likelihood  estimation  (NPMLE)  and  develop  a  stable  EM  algorithm  based  on  latent  Poisson  random  variables.  We  establish  a  rigorous  asymptotic  theory  for  the  resulting  estimators  and  demonstrate  the  satisfactory  performance  of  the  proposed  inference  procedures  through  extensive  simulation  studies.  Finally,  we  apply  these  methods  to  the  Atherosclerosis  Risk  in  Communities  study.The  second  project  extends  the  first  project  by  incorporating  an  absorbing  state,  whose  entry  time  is  exactly  known  or  right-censored,  while  the  transient  state  at  the  previous  instant  remains  unknown.  We  combine  NPMLE  with  sieve  estimation  for  inference  and  devise  a  stable  EM  algorithm  for  computation.  We  establish  the  asymptotic  properties  of  the  proposed  estimators  using  novel  theoretical  arguments.  Furthermore,  we  perform  dynamic  prediction  of  future  disease  process  based  on  the  evolving  process  history.  Finally,  we  assess  the  performance  of  the  proposed  methods  through  simulation  studies  and  illustrate  their  application  using  the  cardiac  allograft  vasculopathy  data.In  the  third  project,  we  introduce  a  novel  framework  based  on  transition  models  with  random  effects  for  assessing  treatment  effects  in  COVID-19  phase-3  clinical  trials.  Our  models  estimate  treatment  effects  on  the  odds  of  transitions  between  severity  categories,  using  the  entire  clinical  course  without  the  need  for  missing  data  imputation.  We  discuss  flexible  model  parameterizations  for  various  applications.  We  also  demonstrate  how  fitted  transition  models  can  be  integrated  with  G-computation  to  examine  complex  endpoints  and  increase  the  power  for  detecting  treatment  effects.  Finally,  we  evaluate  the  proposed  methods  through  simulation  studies  and  apply  them  to  data  from  the  Adaptive  COVID-19  Treatment  Trial.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics.
■650  4▼aStatistics.
■650  4▼aPublic  health.
■653    ▼aEM  algorithm
■653    ▼aInterval-censored  multi-state  data
■653    ▼aNonparametric  likelihood
■653    ▼aRandom  effects
■653    ▼aSemiparametric  inference
■653    ▼aTime-dependent  covariates
■690    ▼a0308
■690    ▼a0463
■690    ▼a0573
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g85-02B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933330▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서