در مطالعات بیماری های مزمن گاهی هر فرد امکان تجربه تعدادی پیشامد مختلف یا تجربه متعدد یک پیشامد را در زمان های مختلف دارد، این نوع بیماری ها را عودپذیر یا بازگشتی می نامند. در ارزیابی روند پیشرفت این بیماری ها، متغیرهایی وجود دارند که در طی زمان به طور تناوبی اندازه گیری می شوند و بررسی اثر آن ها در طی زمان بر پیشامد عود بیماری برای محقق بالینی از اهمیت خاصی برخوردار است. این متغیرهای وابسته به زمان به دو رده کلی تقسیم می شوند: متغیرهای خارجی و متغیرهای ذاتی. متغیرهای ذاتی که در مطالعات بالینی نشانگر زیستی نیز نامیده می شوند، برآمدی از یک فرآیند تصادفی هستند و ممکن است مقدار آن ها در هر زمان به مقادیر قبلی، متغیرهای فردی و وضعیت بیماری وابسته باشد. به دلیل اندازه گیری متغیرهای وابسته به زمان در زمان های تناوبی از پیش تعیین شده، مقادیر آن ها در زمان های دیگر در دسترس محقق نمی باشد. این مسأله در متغیرهای وابسته به زمان ذاتی مشکل ساز می شود و در این حالت تابع درستنمایی به سادگی قابل بسط نخواهد بود. در این راستا روش مدل سازی توأم پیشنهاد می شود که رابطه بین برآمدهای متفاوت در اندازه گیری های مکرر در طول زمان را در نظر می گیرد. این نوع مدلسازی که در دو دهه اخیر توجه بسیاری از محققین را جلب نموده است، قابلیت بررسی ارتباط تغییرات و تغییر ارتباط بین دو برآمد را دارا است. توأم سازی بین برآمدها از طریق اثرات تصادفی فردی بین برآمد صورت می گیرد و روش های عمده و مطرح در این زمینه عبارتند از روش های پارامتر مشترک و اثرات تصادفی. اما اشکال عمده این روش ها محدودیت انتخاب اثرات تصادفی است. در این رساله برآن شدیم تا همزمان با مدلبندی توأم فواصل زمانی بین پیشامدهای بازگشتی، محدودیت ذکر شده در مدل سازی توأم را با استفاده از توابع مفصل بر طرف سازیم.

مدل های درختی یک روش جدید و ابتکاری را برای تحلیل مجموعه داده های بزرگ بوسیله افراز بازگشتی داده ها به نمایش می گذارد، این مدل ها برای آنالیز اکتشافی داده ها و ایجاد رده بندی ساده و قابل تفسیر بکار می روند. در تحقیقات بالینی این مدل ها تکنیک هایی هستند که زیرگروههای همگن را با استفاده از روشهای ناپارامتری استخراج می کنند. ارائه این زیرگروهها برای آنالیزهای تشخیصی بعدی بسیار مفید است. در همین زمینه تحلیل زیرگروهها پیش می آید که هدف آن کشف اختلاف ممکن در اثر درمان در زیرگروههای مختلف بیماران است. در این پایان نامه مدل درختی بقا برای بیماران مبتلا به سرطان کولورکتال برازش داده شد. یافتن بهترین متغیر برای افراز با استفاده از الگوریتم استنباط شرطی اجرا شد، این الگوریتم بر اساس فرض استقلال بین متغیر پاسخ و متغیر کمکی اجرا می شود، و بدین ترتیب متغیرهایی وارد مدل درختی می شوند که با متغیر زمان بقای بیماران رابطه داشته باشند. در صورت عدم رد فرض صفر ساخت مدل درختی متوقف می شود. نتایج حاصل از این مدل معرفی چهار فاکتور پیش آگهی مهم و پنج زیرگروه در معرض خطر از بیماران با بقای مشابه است. نتایج مدل درختی با مدل کاکس مقایسه شد، مقایسه انجام شده بیانگر برتری مدل درختی در تحلیل داده های بقا با هدف معرفی فاکتورهای پیش آگهی مهم است. بعلاوه توانایی تعیین زیرگروههای همگن از بیماران از ویژگی های منحصر به فرد در مدل های درختی است که مدل کلاسیک کاکس قادر به آن نیست.