MARC

 008250123s2024        us                              c    eng  d
■001000017164456
■00520250211153004
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384043676
■035    ▼a(MiAaPQ)AAI31631373
■035    ▼a(MiAaPQ)umichrackham005768
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aAbbott,  Madeline  R.
■24510▼aJoint  Longitudinal  and  Survival  Models  for  Intensive  Longitudinal  Data  from  Mobile  Health  Studies
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a222  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Dempsey,  Walter;Taylor,  Jeremy  M.  G.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aMobile  health  (mHealth)  technology  enables  the  collection  of  intensive  longitudinal  data  (ILD)  and,  as  a  result,  serves  as  a  rich  source  of  information  on  both  the  short-term  and  long-term  dynamics  of  multiple  outcomes  measured  over  time.  When  combined  with  time-to-event  outcomes,  ILD  can  provide  insight  into  factors  that  elevate  the  risk  of  an  event.  Motivated  by  mHealth  studies  of  smoking  cessation  in  which  participants  report  both  longitudinal  data  on  the  intensity  of  many  emotions  multiple  times  per  day  and  event-time  information  on  cigarette  use,  this  dissertation  presents  methods  for  jointly  modeling  multivariate  ILD  and  time-to-event  outcomes.  In  the  first  project,  we  develop  a  dynamic  factor  model  that  summarizes  ILD  as  a  smaller  number  of  time-varying  latent  factors.  The  evolution  of  these  latent  factors  is  modeled  using  a  multivariate  continuous-time  Ornstein-Uhlenbeck  stochastic  process.  We  propose  a  block  coordinate  descent  algorithm  for  maximum  likelihood  estimation  and  apply  our  method  to  mHealth  data  to  summarize  the  dynamics  of  18  emotions  as  two  latent  factors.  These  latent  factors  are  interpreted  by  behavioral  scientists  as  the  psychological  constructs  of  positive  and  negative  affect.  In  the  second  project,  we  extend  this  dynamic  factor  model  to  consider  an  event  outcome.  Specifically,  we  use  the  latent  factors  as  time-varying  predictors  of  a  cumulative  event  outcome  (e.g.,  the  total  number  of  cigarettes  smoked  across  repeated  intervals  of  time),  which  we  model  using  Poisson  regression.  We  take  a  two-stage  approach  to  estimation;  we  use  weights--based  on  importance  sampling--to  account  for  potential  bias  that  could  result  from  the  two-stage  approach.  In  the  third  project,  we  extend  this  dynamic  factor  model  to  model  the  longitudinal  process  jointly  with  a  traditional  survival  outcome  (e.g.,  the  time  of  first  cigarette  use  after  attempted  quit).  In  this  joint  longitudinal-survival  model,  the  hazard  of  a  time-to-event  outcome  is  a  function  of  the  low-dimensional  latent  process.  Joint  estimation  of  this  model  is  challenging  due  to  the  combination  of  ILD  and  the  presence  of  a  stochastic  process  as  a  time-varying  covariate  in  our  hazard  model.  We  fit  our  joint  model  with  a  Bayesian  approach  and  use  it  to  analyze  data  from  another  mHealth  study  of  smoking  cessation.  We  summarize  the  longitudinal  self-reported  intensity  of  nine  emotions  as  the  psychological  states  of  positive  and  negative  affect;  these  time-varying  latent  states  capture  the  risk  of  the  first  smoking  lapse  after  attempted  quit.  In  the  fourth  project,  we  present  a  model-based  approach  for  estimating  the  effect  of  repeatedly  delivered  treatments  in  a  micro-randomized  trial  (MRT)  via  an  extension  of  our  joint  model.  We  discuss  different  ways  that  these  repeated  treatment  effects  can  be  incorporated  into  the  joint  model;  these  different  model  specifications  correspond  to  different  mechanisms  by  which  treatment  is  assumed  to  impact  the  longitudinal  and  event  processes.  Taking  a  Bayesian  approach  to  inference,  we  model  the  association  between  repeated  app-based  notifications,  longitudinally-measured  emotions,  and  recurrent  events  of  substance  use  in  an  mHealth  MRT.
■590    ▼aSchool  code:  0127.
■650  4▼aBiostatistics
■650  4▼aStatistics
■650  4▼aBioinformatics
■653    ▼aJoint  model
■653    ▼aIntensive  longitudinal  data
■653    ▼aStochastic  process
■653    ▼aSurvival  analysis
■653    ▼aRecurrent  events
■653    ▼aMobile  health
■690    ▼a0308
■690    ▼a0715
■690    ▼a0463
■71020▼aUniversity  of  Michigan▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164456▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서