| Título : |
Survival Analysis with Correlated Endpoints : Joint Frailty-Copula Models |
| Tipo de documento: |
documento electrónico |
| Autores: |
Emura, Takeshi, Autor ; Matsui, Shigeyuki, Autor ; Rondeau, Virginie, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasya] : Springer |
| Fecha de publicación: |
2019 |
| Número de páginas: |
XVII, 118 p. 29 ilustraciones, 19 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-981-1335167-- |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Biometría Ciencias sociales Estadísticas Bioestadística Estadística en Ciencias Sociales Humanidades Derecho Educación Ciencias del Comportamiento Políticas Públicas Teoría y métodos estadísticos Estadística en Ingeniería Física Informática Química y Ciencias de la Tierra |
| Índice Dewey: |
57.015.195 |
| Resumen: |
Este libro presenta a los lectores métodos estadísticos avanzados para analizar datos de supervivencia que involucran criterios de valoración correlacionados. En particular, describe métodos estadísticos para aplicar la regresión de Cox a dos criterios de valoración correlacionados teniendo en cuenta la dependencia entre los criterios de valoración con la ayuda de cópulas. Las ventajas prácticas de utilizar modelos basados en cópulas en la investigación médica se explican a partir de estudios de casos. Además, el libro se centra en datos de supervivencia agrupados, especialmente datos que surgen de metanálisis y análisis multicéntricos. En consecuencia, los enfoques estadísticos presentados aquí emplean un término de fragilidad para los modelos de heterogeneidad. Esto lleva el modelo conjunto fragilidad-cópula, que incorpora un término de fragilidad y una cópula, a un modelo estadístico. El libro también analiza técnicas avanzadas para lidiar con expresiones genéticas de alta dimensión y desarrollar herramientas de predicción dinámica personalizadas bajo el modelo de cópula de fragilidad conjunta. Para ayudar a los lectores a aplicar los métodos estadísticos a datos del mundo real, el libro proporciona estudios de casos utilizando el paquete de software R original de los autores (disponible gratuitamente en CRAN). El énfasis está en los datos de supervivencia clínica, que incluyen el tiempo hasta la progresión del tumor y la supervivencia general, recopilados en pacientes con cáncer. Por lo tanto, el libro ofrece una guía de referencia esencial para los estadísticos médicos y proporciona a los investigadores herramientas estadísticas avanzadas e innovadoras. El libro también proporciona una introducción concisa a los modelos básicos de supervivencia multivariados. |
| Nota de contenido: |
Chapter 1: Setting the scene.-1.1 Endpoints -- 1.2 Benefits of investigating correlated endpoints -- 1.3 Copulas and frailty: a brief history -- References -- Chapter 2: Introduction to survival analysis .-2.1 Endpoint and censoring -- 2.2 Kaplan-Meier estimator and survival function -- 2.3 Hazard function -- 2.4 Log-rank test for two-sample comparison -- 2.5 Cox regression -- 2.6 Example of Cox regression -- 2.7 Likelihood inference under non-informative censoring -- 2.8 Theoretical notes -- 2.9 Exercises -- References -- Chapter 3: The joint frailty-copula model for correlated endpoints -- 3.1 Introduction -- 3.2 Semi-competing risks data -- 3.3 Joint frailty-copula model -- 3.4 Penalized likelihood with splines -- 3.5 Case study: ovarian cancer data -- 3.6 Technical note 1: Numerical maximization of the penalized likelihood -- 3.7 Technical note 2: LCV and choice of and -- 3.8 Exercises -- References -- Chapter 4: High-dimensional covariates in the joint frailty-copula model -- 4.1 Introduction -- 4.2 Tukey's compound covariate -- 4.3 Univariate selection -- 4.4 Meta-analytic data with high-dimensional covariates -- 4.5 The joint model with compound covariates -- 4.6 The joint model with ridge or Lasso predictor -- 4.7 Prediction of patient-level survival function -- 4.8 Simulations -- 4.8.1 Simulation design -- 4.8.2 Simulation results -- 4.9 Case study: ovarian cancer data -- 4.9.1 Compound covariate -- 4.9.2 Fitting the joint frailty-copula mode -- 4.9.3 Patient-level survival function -- 4.10 Concluding remarks -- References -- Chapter 5: Dynamic prediction of time-to-death -- 5.1 Accurate prediction of survival -- 5.2 Framework of dynamic prediction -- 5.2.1 Conditional failure function given tumour progression -- 5.2.2 Conditional hazard function given tumour progression -- 5.3 Prediction formulas under the joint frailty-copula model -- 5.4 Estimating prediction formulas -- 5.5 Case study: ovarian cancer data -- 5.6 Discussions -- References -- Chapter 6: Future developments- 6.1 Analysis of recurrent events -- 6.2 Kendall's tau in meta-analysis -- 6.3 Validation of surrogate endpoints -- 6.4 Left-truncation -- 6.5 Interactions -- 6.6 Parametric failure time models -- 6.7 Compound covariate -- References -- Appendix A: Cubic spline bases -- Appendix B: R codes for the ovarian cancer data analysis -- B1. Using CXCL12 gene as a covariate -- B2. Using compound covariates (CCs) and residual tumour as covariates -- Appendix C: Derivation of prediction formulas. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Survival Analysis with Correlated Endpoints : Joint Frailty-Copula Models [documento electrónico] / Emura, Takeshi, Autor ; Matsui, Shigeyuki, Autor ; Rondeau, Virginie, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2019 . - XVII, 118 p. 29 ilustraciones, 19 ilustraciones en color. ISBN : 978-981-1335167-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Biometría Ciencias sociales Estadísticas Bioestadística Estadística en Ciencias Sociales Humanidades Derecho Educación Ciencias del Comportamiento Políticas Públicas Teoría y métodos estadísticos Estadística en Ingeniería Física Informática Química y Ciencias de la Tierra |
| Índice Dewey: |
57.015.195 |
| Resumen: |
Este libro presenta a los lectores métodos estadísticos avanzados para analizar datos de supervivencia que involucran criterios de valoración correlacionados. En particular, describe métodos estadísticos para aplicar la regresión de Cox a dos criterios de valoración correlacionados teniendo en cuenta la dependencia entre los criterios de valoración con la ayuda de cópulas. Las ventajas prácticas de utilizar modelos basados en cópulas en la investigación médica se explican a partir de estudios de casos. Además, el libro se centra en datos de supervivencia agrupados, especialmente datos que surgen de metanálisis y análisis multicéntricos. En consecuencia, los enfoques estadísticos presentados aquí emplean un término de fragilidad para los modelos de heterogeneidad. Esto lleva el modelo conjunto fragilidad-cópula, que incorpora un término de fragilidad y una cópula, a un modelo estadístico. El libro también analiza técnicas avanzadas para lidiar con expresiones genéticas de alta dimensión y desarrollar herramientas de predicción dinámica personalizadas bajo el modelo de cópula de fragilidad conjunta. Para ayudar a los lectores a aplicar los métodos estadísticos a datos del mundo real, el libro proporciona estudios de casos utilizando el paquete de software R original de los autores (disponible gratuitamente en CRAN). El énfasis está en los datos de supervivencia clínica, que incluyen el tiempo hasta la progresión del tumor y la supervivencia general, recopilados en pacientes con cáncer. Por lo tanto, el libro ofrece una guía de referencia esencial para los estadísticos médicos y proporciona a los investigadores herramientas estadísticas avanzadas e innovadoras. El libro también proporciona una introducción concisa a los modelos básicos de supervivencia multivariados. |
| Nota de contenido: |
Chapter 1: Setting the scene.-1.1 Endpoints -- 1.2 Benefits of investigating correlated endpoints -- 1.3 Copulas and frailty: a brief history -- References -- Chapter 2: Introduction to survival analysis .-2.1 Endpoint and censoring -- 2.2 Kaplan-Meier estimator and survival function -- 2.3 Hazard function -- 2.4 Log-rank test for two-sample comparison -- 2.5 Cox regression -- 2.6 Example of Cox regression -- 2.7 Likelihood inference under non-informative censoring -- 2.8 Theoretical notes -- 2.9 Exercises -- References -- Chapter 3: The joint frailty-copula model for correlated endpoints -- 3.1 Introduction -- 3.2 Semi-competing risks data -- 3.3 Joint frailty-copula model -- 3.4 Penalized likelihood with splines -- 3.5 Case study: ovarian cancer data -- 3.6 Technical note 1: Numerical maximization of the penalized likelihood -- 3.7 Technical note 2: LCV and choice of and -- 3.8 Exercises -- References -- Chapter 4: High-dimensional covariates in the joint frailty-copula model -- 4.1 Introduction -- 4.2 Tukey's compound covariate -- 4.3 Univariate selection -- 4.4 Meta-analytic data with high-dimensional covariates -- 4.5 The joint model with compound covariates -- 4.6 The joint model with ridge or Lasso predictor -- 4.7 Prediction of patient-level survival function -- 4.8 Simulations -- 4.8.1 Simulation design -- 4.8.2 Simulation results -- 4.9 Case study: ovarian cancer data -- 4.9.1 Compound covariate -- 4.9.2 Fitting the joint frailty-copula mode -- 4.9.3 Patient-level survival function -- 4.10 Concluding remarks -- References -- Chapter 5: Dynamic prediction of time-to-death -- 5.1 Accurate prediction of survival -- 5.2 Framework of dynamic prediction -- 5.2.1 Conditional failure function given tumour progression -- 5.2.2 Conditional hazard function given tumour progression -- 5.3 Prediction formulas under the joint frailty-copula model -- 5.4 Estimating prediction formulas -- 5.5 Case study: ovarian cancer data -- 5.6 Discussions -- References -- Chapter 6: Future developments- 6.1 Analysis of recurrent events -- 6.2 Kendall's tau in meta-analysis -- 6.3 Validation of surrogate endpoints -- 6.4 Left-truncation -- 6.5 Interactions -- 6.6 Parametric failure time models -- 6.7 Compound covariate -- References -- Appendix A: Cubic spline bases -- Appendix B: R codes for the ovarian cancer data analysis -- B1. Using CXCL12 gene as a covariate -- B2. Using compound covariates (CCs) and residual tumour as covariates -- Appendix C: Derivation of prediction formulas. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Survival Analysis with Correlated Endpoints
