MARC

 008260126s2025        us                              c    eng  d
■001000017358014
■00520260202103631
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315791829
■035    ▼a(MiAaPQ)AAI32046910
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aQian,  Qi.
■24510▼aModern  Modeling  Techniques  for  Adverse  Events  in  Chronic  Kidney  Disease  Patients
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a179  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Senturk,  Damla.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aChronic  kidney  disease  (CKD)  affects  nearly  15%  (37  million)  of  adults  in  the  United  States.  End-stage  kidney  disease  (ESKD),  the  final  stage  of  CKD,  impacted  over  807,920  individuals  in  2020,  with  approximately  70%  receiving  dialysis  -  a  life-sustaining  treatment.  Among  CKD  patients,  the  progressive  decline  in  kidney  function  is  closely  linked  to  hospitalizations  due  to  cardiovascular  (CV)  disease  and  terminal  events  such  as  kidney  failure  and  death.  Therefore,  jointly  modeling  the  correlated  multivariate  outcomes  of  hospitalization  and  mortality,  along  with  their  spatiotemporal  patterns  and  associated  risk  factors,  is  essential  for  improving  targeted  patient  monitoring  and  intervention.In  the  first  chapter,  using  national  data  from  the  United  States  Renal  Data  System  (USRDS),  we  propose  a  novel  multivariate  spatiotemporal  functional  principal  component  analysis  (MST-FPCA)  model  to  study  joint  spatiotemporal  patterns  in  hospitalization  and  mortality  rates  among  dialysis  patients.  This  model  leverages  a  multivariate  Karhunen-Loeve  expansion  to  capture  leading  directions  of  variation  across  time  while  inducing  spatial  correlation  among  region-specific  scores.  We  develop  an  efficient  estimation  procedure  that  combines  only  univariate  principal  component  decompositions  with  a  Markov  chain  Monte  Carlo  (MCMC)  framework  to  target  spatial  dependencies.  The  finite  sample  performance  of  the  proposed  method  is  studied  through  simulation  studies.  Application  to  the  USRDS  data  identifies  geographic  "hot  spots"  in  the  U.S.  with  elevated  hospitalization  and/or  mortality  rates  and  highlights  time  periods  of  heightened  clinical  risk.Building  on  these  findings,  the  second  chapter  explores  the  time-varying  effects  of  regional-level  covariates  on  hospitalization  and  mortality.  We  propose  a  multivariate  varying  coefficient  spatiotemporal  model  (MV-VCSTM)  to  study  the  dynamic  effects  of  risk  factors  (e.g.,  urbanicity,  area  deprivation  index)  on  hospitalization  and  mortality  rates  as  functions  of  time  on  dialysis.  The  proposed  model  flexibly  accommodates  time-varying  covariate  effects  on  the  mean  structure  while  modeling  the  spatiotemporal  correlations  of  the  residuals  for  efficient  inference.  Estimation  is  achieved  through  a  fusion  of  functional  principal  component  analysis  and  MCMC  techniques,  following  basis  expansions  for  varying  coefficient  functions  and  a  multivariate  Karhunen-Loeve  expansion  for  region-specific  random  deviations.  The  finite  sample  performance  of  the  proposed  method  is  studied  through  extensive  simulations.  Application  to  the  USRDS  data  uncovers  significant  regional  risk  factors  and  identifies  critical  time  periods  on  dialysis  and  geographic  areas  with  increased  hospitalization  and  mortality  risks.In  the  third  chapter,  we  shift  focus  to  individual-level  disease  progression.  We  introduce  a  novel  Bayesian  multivariate  joint  model  (BM-JM)  for  the  correlated  outcomes  of  longitudinal  kidney  function  (measured  by  estimated  glomerular  filtration  rate,  eGFR),  recurrent  CV  events,  and  competing-risk  terminal  events  (ESKD  and  death).  The  proposed  modeling  framework  facilitates  joint  estimation  of  risk  factors  for  each  outcome  and  enables  dynamic,  personalized  prediction  of  cumulative  incidence  probabilities  for  competing  risks.  These  predictions  are  informed  by  a  subject's  baseline  characteristics  and  their  history  of  longitudinal  eGFR  and  recurrent  CV  events.  Estimation  and  prediction  are  conducted  within  a  flexible  Bayesian  framework  using  MCMC  methods.  We  assess  predictive  performance  via  the  dynamic  area  under  the  receiver  operating  characteristic  curve  (AUC)  and  expected  Brier  score  (BS).  Simulation  studies  demonstrate  the  model's  robustness.  Application  to  data  from  the  Chronic  Renal  Insufficiency  Cohort  (CRIC)  study  illustrates  its  practical  utility  and  further  emphasizes  the  value  of  integrating  both  longitudinal  and  recurrent  event  data  to  improve  prognostic  accuracy  in  CKD  populations.
■590    ▼aSchool  code:  0031.
■650  4▼aBiostatistics
■650  4▼aMedicine
■650  4▼aBioinformatics
■653    ▼aChronic  kidney  disease
■653    ▼aEnd-stage  kidney  disease
■653    ▼aUnited  States  Renal  Data  System
■653    ▼aMarkov  chain  Monte  Carlo
■653    ▼aCKD  population
■690    ▼a0308
■690    ▼a0564
■690    ▼a0715
■71020▼aUniversity  of  California,  Los  Angeles▼bBiostatistics  0132.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358014▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서