MARC

 008250123s2024        us                              c    eng  d
■001000017163321
■00520250211152653
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383588581
■035    ▼a(MiAaPQ)AAI31487097
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aZhao,  Yinjun.
■24510▼aMulti-Level  Latent  Variable  Models  for  Integrating  Multiple  Phenotypes  for  Mental  Disorders
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a106  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Wang,  Yuanjia;Liu,  Ying.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aThe  overarching  goal  of  this  dissertation  is  to  integrate  heterogeneous  data  for  the  estimation  of  disease  coheritability  and  subtyping.  Chapter  2  focuses  on  the  significance  and  estimation  of  heritability  and  coheritability,  which  quantify  the  proportion  of  phenotypic  variation  attributable  to  genetic  factors  and  the  genetic  correlations  between  different  traits,  respectively.  To  achieve  this,  we  develop  robust  statistical  methods  based  on  estimating  equations  that  account  for  familial  correlations  and  the  computational  challenges  posed  by  large  pedigrees  and  extensive  datasets.  Our  methods  are  evaluated  through  simulations,  demonstrating  satisfactory  consistency  and  robust  inference  properties.  Compared  to  simpler  methods  performing  separate  trait  analysis,  our  approaches  show  a  greater  power  through  joint  analysis  of  multiple  traits.  An  application  to  the  analysis  of  heritability  and  coheritability  in  electronic  health  record  (EHR)  data  reveals  substantial  genetic  correlations  between  mental  disorders  and  metabolic/endocrine  measurements,  suggesting  shared  genetic  influences  that  warrant  further  investigation.  These  findings  have  implications  for  understanding  these  conditions'  etiology,  diagnosis,  and  treatment.Chapters  3  and  4  focus  on  the  importance  of  patient  subtyping  for  personalized  mental  health  care,  particularly  relevant  to  the  substantial  variability  observed  in  mental  disorders.  Chapter  3  develops  methods  for  subtyping  patients  with  mental  disorders  using  various  data  modalities  and  variational  inference.  We  propose  latent  mixture  models  inspired  by  the  Item  Response  Theory  to  handle  both  binary  and  continuous  data.  We  also  introduce  Black  Box  Variational  Inference  (BBVI)  algorithms  to  overcome  the  challenges  of  numeric  integration  in  nonlinear  models.  Our  numerical  experiments  validate  the  proposed  methods,  demonstrating  that  variance-controlling  techniques  improve  convergence  speed  and  reduce  iteration  variance.  However,  the  proposed  algorithm  encounters  limitations  with  latent  mixture  models  containing  binary  modalities  due  to  approximations  used  in  non-conjugate  posterior  distributions  resulting  from  the  non-exponential  family  likelihood  function.Chapter  4  investigates  multi-modal  integration  techniques  for  subtyping  patients  using  data  from  the  Adolescent  Brain  Cognitive  Development  (ABCD)  study.  We  introduce  a  Bayesian  hierarchical  joint  model  with  latent  variables  and  utilize  Polya-Gamma  augmentation  for  posterior  approximation,  which  enables  efficient  Gibbs  sampling  and  accurate  estimation  of  model  parameters.  Extensive  simulations  confirm  the  consistency  of  estimators  and  the  prediction  accuracy  of  our  method.  Applying  these  methods  to  patient  clustering  in  the  ABCD  study  provides  information  for  identifying  potential  clinical  subtypes  within  mental  health,  which  can  inform  the  development  of  targeted  psychological  and  educational  interventions,  ultimately  improving  mental  health  outcomes.
■590    ▼aSchool  code:  0054.
■650  4▼aBiostatistics
■650  4▼aSystematic  biology
■650  4▼aStatistics
■650  4▼aMental  health
■653    ▼aLatent  mixture  models
■653    ▼aIntegrative  analysis
■653    ▼aCoheritability
■653    ▼aMulti-modality
■653    ▼aDisease  subtyping
■653    ▼aVariational  inference
■690    ▼a0308
■690    ▼a0423
■690    ▼a0347
■690    ▼a0463
■71020▼aColumbia  University▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163321▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서