MARC

 008260126s2025        us                              c    eng  d
■001000017356726
■00520260202103024
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315701705
■035    ▼a(MiAaPQ)AAI31844988
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aSun,  Jiren.
■24510▼aStatistical  Methods  for  Recurrent  Events  and  First  Non-Fatal  Events  in  Clinical  Trials
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a177  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Mao,  Lu;Cook,  Thomas  D.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aThis  dissertation  addresses  four  statistical  questions  related  to  the  analysis  of  first  non-fatal  events  and  recurrent  events-non-fatal  events  that  occur  repeatedly  within  the  same  subject-in  clinical  trials,  and  develops  four  corresponding  statistical  methods.In  the  first  project,  we  investigate  the  question:  How  can  we  quantify  the  difference  between  the  commonly  reported  cause-specific  hazard  ratio  (CSHR)  and  the  direct  effect  of  treatment  on  the  underlying  first  non-fatal  event  process  in  the  presence  of  death?  To  answer  this,  we  introduce  the  Proportional  Principal  Stratum  Hazards  (PPSH)  model  within  the  principal  stratification  framework.  The  PPSH  model  estimates  the  principal  stratum  hazard  ratio  (PSHR),  which  reflects  the  direct  effect  on  the  underlying  first  non-fatal  event  process,  assuming  correct  model  specification.  By  reporting  the  PSHR  alongside  the  CSHR,  researchers  can  gain  a  more  comprehensive  understanding  of  the  direct  effect  on  the  underlying  first  non-fatal  event  process.In  the  second  project,  we  address  the  question:  How  can  we  improve  the  precision  of  area  under  the  curve  estimation  for  the  mean  cumulative  function  while  preserving  its  unconditional  interpretability?  To  this  end,  we  propose  a  nonparametric  covariate  adjustment  approach  that  ensures  efficiency  gains  over  unadjusted  analyses  and  applies  universally  to  various  randomization  schemes,  including  both  simple  and  covariate-adaptive  designs.In  the  third  project,  we  explore  the  question:  How  can  we  estimate  treatment  effects  under  a  hypothetical  scenario  where  the  intercurrent  event-post-randomization  events  affecting  outcome  interpretation  or  existence-does  not  occur?  We  apply  inverse  probability  weighting  to  the  widely  used  Lin-Wei-Yang-Ying  and  negative  binomial  models,  appropriately  adjusting  for  baseline  and  internal  time-varying  covariates,  to  obtain  unbiased  estimates  of  hypothetical  treatment  effects.  Simulation  studies  demonstrate  that  our  approach  outperforms  alternative  analytical  methods  in  terms  of  bias  and  power.In  the  final  project,  we  examine  the  question:  How  can  we  estimate  treatment  effects  on  recurrent  events  and  recover  the  underlying  trajectory  of  recurrent  events  in  the  presence  of  death?  We  propose  a  parametric  shared  frailty  model  that  enables  formal  testing  of  recurrent  event  trends  and  offers  greater  power  than  traditional  time-to-first-event  analyses  in  heterogeneous  clinical  trial  populations.
■590    ▼aSchool  code:  0262.
■650  4▼aBiostatistics
■650  4▼aStatistics
■650  4▼aMathematics
■650  4▼aApplied  mathematics
■653    ▼aCausal  inference
■653    ▼aClinical  trials
■653    ▼aCompeting  risks
■653    ▼aIntercurrent  events
■653    ▼aRecurrent  events
■653    ▼aShared  frailty  model
■690    ▼a0308
■690    ▼a0463
■690    ▼a0405
■690    ▼a0364
■71020▼aThe  University  of  Wisconsin  -  Madison▼bBiomedical  Data  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356726▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서