مدل شکنندگی وابسته به زمان در حوادث بازگشتی و کاربرد آن در بیماری صرع
Authors
Abstract:
سابقه و هدف: در حوادث بازگشتی، یک نوع حادثه برای فردی چندین بار در طول زمان تکرار میشود. مدل شکنندگی با وارد کردن وابستگی حوادث در مدل استنباطهای کاراتری دارد. ثابت بودن شکنندگی در طول پیگیری میتواند ناکافی باشد. لذا مدلهایی شکنندگی وابسته به زمان، واقعیتر هستند. هدف این مطالعه برازش مدل شکنندگی وابسته به زمان برای حوادث بازگشتی است. مواد و روشها: در این مقاله مدل شکنندگی وابسته به زمان برای فاصله زمانی بین حوادث بازگشتی معرفی گردید که تعمیم مدل وینتربرت (2004) برای زمان وقوع حادثه در دادههای خوشهای بود. پارامترهای مدل با روش مربعبندی گاوسی برآورد شدند. مدل برای دادههای بیماری صرع برازش شد. یافتهها: مدل شکنندگی وابسته به زمان در مقایسه با مدل شکنندگی مشترک برازش بهتری داشت. ظهور مکرر دیسشارژ در نوار مغزی 56 بیمار مبتلا به صرع (73% مرد و 34% جانباز) بررسی گردید. سن و وضعیت جانبازی رابطه معنیداری با فاصله زمانی بین دیسشارژها داشتند. معنیدار بودن واریانس شکنندگی نشان داده که عوامل وابسته به زمان باعث تغییر همبستگی زمان وقوع دیسشارژها در طول زمان شده است. نتیجهگیری: هرگاه در مسائل پزشکی عوامل وابسته به زمان نامعلومی باعث تغییر در زمان وقوع حوادث بازگشتی شوند، استفاده از شکنندگی وابسته به زمان منجر به نتایج معتبرتری است. روش برآورد کوادراتور گاوسی یک تکنیک کاربردی برای برازش مدلهای شکنندگی وابسته به زمان است و به جهت برنامهنویسی راحتتر برای عمومیتر شدن و کاربردیتر شدن مدلهای پیشرفته از جمله مدل شکنندگی وابسته به زمان مناسب است
similar resources
تحلیل پیشامدهای بازگشتی با استفاده از مدل شکنندگی وابسته به زمان
داده های بازگشتی یکی از انواع مهم داده های بقا هستند که ویژگی عمده آنها همبستگی بین مشاهدات است. این ویژگی استفاده از مدل های بقا مانند رگرسیون کاکس که در آنها مستقل بودن مشاهدات یکی از فرضیات اصلی مدل است را ناممکن می سازد. مدل های شکنندگی یکی از رویکردهای عمده برای تحلیل داده های بازگشتی هستند. در این مدل ها یک متغیر شکنندگی ثابت به عنوان اثر خصوصیات فردی یا نماینده همه عواملی که سبب وابستگی ...
full textمدل سازی فواصل زمانی بین حوادث بازگشتی با استفاده از مدل شکنندگی وابسته به زمان و کاربرد آن در داده های پزشکی
زمینه: در داده های حوادث بازگشتی که در آن یک حادثه برای فردی چندین بار تکرار می شود، همبستگی به وجود می آید. بررسی اثر عوامل خطر بر فاصله زمانی بین حوادث در این داده ها بیشتر مورد توجه است. برای تحقق این هدف استفاده از مدل خطرات متناسب کاکس به خاطر پیش فرض استقلال داده ها مناسب نیست. با مدل شکنندگی که وابستگی حوادث را در مدل لحاظ می کند، استنباط های کاراتری بدست می آید. یکی از مفروضات این مدل ث...
15 صفحه اولتحلیل پیشامدهای بازگشتی با استفاده از مدل شکنندگی وابسته به زمان
داده های بازگشتی یکی از انواع مهم داده های بقا هستند که ویژگی عمده آنها همبستگی بین مشاهدات است. این ویژگی استفاده از مدل های بقا مانند رگرسیون کاکس که در آنها مستقل بودن مشاهدات یکی از فرضیات اصلی مدل است را ناممکن می سازد. مدل های شکنندگی یکی از رویکردهای عمده برای تحلیل داده های بازگشتی هستند. در این مدل ها یک متغیر شکنندگی ثابت به عنوان اثر خصوصیات فردی یا نماینده همه عواملی که سبب وابستگی ...
full textمدل های شکنندگی توام چند متغیره برای مدلبندی رخدادهای بازگشتی چندگانه وکاربرد آن در سرطان پستان
Background: Breast cancer is one of the most common recurrence cancers among women. There are several factors that can affect the multiple recurrence of this disease, which have been studied and recognized in various studies, however, with the fact that these factors are known, can not always accurately predict the incidence of metastasis. On the other hand, simultaneous examination of the type...
full textبهکارگیری روشهای هموارسازی برای برآورد ضرایب مدل نرخ وابسته به زمان در تحلیل بقا و کاربرد آن در مبتلایان به بیماری پسوریازیس
Background and Objectives: In studies in which each person may experience an event at different times, they are recurrent events.One of the most popular approaches in analyzing recurrent event is obtaining an estimate of the means/rate of events at different times. In this context,one of the things that could help to better understand the effect of this factor on the response is determining the...
full textMy Resources
Journal title
volume 17 issue 3
pages 761- 771
publication date 2016-04
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023