Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Biocybernetics and Biomedical Engineering

1 2001

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Generalized linear models for the hazard function of survival data

Boracchi P., Biganzoli E.

Biocybernetics and Biomedical Engineering

2001

Vol. 21, no. 2

39-54

The study of the disease dynamic led to a growing interest on modelling the hazard function of survival data. Several hazard regression modelling approaches have been proposed in literature, being based on parametric and non-parametric estimators. However, in the largest part of the published studies, the semi-pararnetric Cox regression model is used to evaluate covariate effeets leaving unspecified the hazard function on time. Alternatively, the adoption of classical parametric models (exponential, Weibull, etc.), allows for the direct estimation of the hazard function but relies on strict assumptions on the shape of time distributions. A possible reason for the little diffusion of flexible hazard regression models could be related to the very specialized statistical techniques underlying their implementation. The flexible extension of generalized linear models, well known arnong biostatisticians, is proposed here for estimating the hazard function of survival data, allowing for a simple model implementation and giving insightful information on the disease dynamic. Examples on two literature datasets from cancer trials are provided.

Badanie dynamiki chorób prowadzi do wzrostu zainteresowania modelowaniem funkcji hazardu na podstawie danych analizy przeżyć. Kilka modeli regresyjnych funkcji hazardu zostało zaproponowanych w literaturze w oparciu zarówno o estymatory parametryczne, jak i nieparametryczne. Jednakże w większości prac używa się modelu regresyjnego Coxa, co prowadzi do pomijania zależności funkcji hazardu od czasu. Alternatywnie, przyjmując klasyczny model parametryczny (wykładniczy, Weibulla itd.) mamy możliwość bezpośredniej estymacji funkcji hazardu, ale jesteśmy ograniczani przyjmowanymi na początku założeniami o kształcie rozkładu. Możliwą przyczyną ograniczanego jak dotąd stosowania elastycznych modeli regresyjnych mogą być bardzo wyspecjalizowane techniki statystyczne związane z ich implementacją. Elastyczne rozszerzenie uogólnionych modeli liniowych zaproponowane w pracy pozwala na prostą implementację oraz daje użyteczną interpretację o dynamice choroby. W pracy podane są przykłady tworzenia tych modeli na bazie dwu zbiorów danych onkologicznych znanych z literatury.