MARC

 008260126s2025        us                              c    eng  d
■001000017360118
■00520260202105307
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798270289409
■035    ▼a(MiAaPQ)AAI32283323
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aQu,  Yixiang.
■24510▼aModeling  and  Inference  for  Real-World  Health  Data:  Addressing  Complex  Trajectories,  Missingness,  and  Unstructured  Text
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a153  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-07,  Section:  B.
■500    ▼aAdvisor:  Wu,  Di;Ibrahim,  Joseph  G.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aThe  proliferation  of  complex,  high-dimensional,  and  longitudinal  data  from  sources  like  clinical  trials  and  Electronic  Health  Records  (EHRs)  presents  significant  analytical  challenges.  Standard  analytical  methods  are  often  insufficient,  as  their  underlying  assumptions  fail  to  capture  the  nuanced  dynamics  of  non-linear  disease  progression,  complex  microbial  ecosystems,  and  unstructured  clinical  text.  This  dissertation  addresses  these  limitations  by  developing  and  validating  three  novel  computational  frameworks,  each  tailored  to  the  unique  complexities  of  oncology  clinical  trials,  longitudinal  microbiome  studies,  and  unstructured  EHR  analysis,  respectively.The  first  project  introduces  a  cure  rate  joint  model  for  analyzing  longitudinal  tumor  burden  and  time-to-event  data  in  oncology.  Addressing  limitations  in  capturing  non-linear  treatment  responses,  this  model  integrates  a  random  change-point  structure  to  capture  tumor  shrinkage  and  regrowth,  alongside  a  cure-rate  component  for  long-term  control.  A  primary  innovation  is  leveraging  survival  data  to  constrain  the  change  point's  timing,  ensuring  regrowth  precedes  observed  progression.  Applied  to  a  non-small  cell  lung  cancer  trial,  this  framework  yields  accurate  treatment  effect  estimations  and  deeper  insight  into  disease  dynamics.The  second  project  addresses  irregularly-sampled  data  in  longitudinal  microbiome  studies  by  proposing  the  Bidirectional  GRU-ODE-Bayes  (BGOB)  model.  This  deep-learning  framework  uses  Neural  Ordinary  Differential  Equations  (ODE)  to  learn  continuous-time  trajectories  from  sparse  observations.  By  processing  time-series  bidirectionally,  BGOB  accurately  interpolates  missing  time  points  and  unobserved  biological  zeros  to  create  complete  data  matrices.  Applications  to  early  childhood  caries  and  inflammatory  bowel  disease  cohorts  demonstrate  that  BGOB  significantly  improves  the  statistical  power  of  downstream  analyses,  such  as  differential  abundance  testing  and  clustering.The  third  project  introduces  precLLM,  a  framework  enabling  smaller,  locally-deployed  Large  Language  Models  (LLMs)  for  unstructured  EHR  analysis  to  address  privacy  and  cost  barriers.  The  core  innovation  is  a  smart  preprocessing  step  that  filters  long  clinical  notes  to  isolate  relevant  text  before  inference.  Evaluations  on  private  and  public  EHR  datasets  show  that  this  preprocessing  enhances  the  accuracy  of  smaller  models  for  clinical  phenotyping,  often  outperforming  much  larger  models  and  proving  more  efficient  than  fine-tuning  with  limited  data.  We  also  discuss  its  potential  for  enabling  more  complex  longitudinal  analyses  of  patient  trajectories  within  EHR  data.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics
■650  4▼aMedicine
■650  4▼aBioinformatics
■650  4▼aClinical  psychology
■653    ▼aElectronic  Health  Records
■653    ▼aEHR  analysis
■653    ▼aClinical  trials
■653    ▼aLongitudinal  microbiome  studies
■690    ▼a0308
■690    ▼a0564
■690    ▼a0622
■690    ▼a0715
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-07B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360118▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서