1. Lékařská fakulta UK Praha, Oborová rada Biomedicínská informatika
Téma 1: Analýza mnohorozměrných cenzorovaných dat o přežívání
Analýza přežití se zabývá statistickou analýzou doby do výskytu určité sledované události. Typicky se jedná o dobu do výskytu onemocnění určitého typu nebo dobu do úmrtí pacienta v důsledku určitého onemocnění, případně o dobu přežití pacienta v závislosti na použití určitého léčebného postupu (klinické studie). Analýza přežití je charakteristická výskytem tzv. cenzorovaných dat, přičemž cenzorování může být různého typu (zprava, zleva nebo intervalově cenzorovaná data, event. data krácená , angl. ‘truncated’). Cenzorování i krácení vede v analýze přežití pouze k částečné ztrátě informace. Cílem analýzy přežití je jednak vlastní odhad rozdělení doby přežití v různých populacích, dále identifikace faktorů, které povahu tohoto rozdělení nezávisle ovlivňují a modifikují tak míru rizika výskytu sledovaného onemocnění. Cílem tohoto výzkumu bude rozvoj a využití adekvátních matematických a statistických nástrojů k modelování a popisu rizika ve sledovaných populacích. Ve vhodných případech budou využity mnohorozměrné modely pro korelovaná data resp. rekurentní jevy. Mnohorozměrné metody analýzy přežívání mohou zahrnovat využití tzv. „frailty models“.
Topic 1: Analysis of multivariate censored survival data
Survival analysis is concerned with statistical analysis of time to the occurence of certain event of interest. It typically involves time to incidence of some well-defined disease or time to death resulting from a given disease, eventually survival time resulting from assigning the patient on one of several treatment regimen (clinical studies). Survival analysis typically involves so called “censored” observations, where censoring may take on several different forms, such right, left or interval censoring, or the data may be “truncated”. In any case, censoring and truncation lead in survival analysis only to a partial loss of information. The aim of survival analysis is found in estimating the survival time distribution in different populations and identification of factors that are independently associated with this outcome, thus serving as modifiers of the risk of the incidence of such disease of interest. This research will aim at development and exploiting adequate mathematical and statistical techniques for description and modelling of the risk in individual populations. Where appropriate, models for correlated or recurrent data will be considered. This would lead to multivariate data modelling with optional use of frailty models.
Literatura:
1. Klein John P. and Moeschberger Melvin L. Survival analysis – Techniques for Censored and Truncated Data. Series Statistics for Biology and Health. Springer Verlag, New York, 1997, ISBN 0-387-94829-5.
2. Therneau Terry M. and Grambsch Patricia M. Modeling Survival Data – Extending the Cox Model. Series Statistics for Biology and Health. Springer Verlag, New York, 2000, ISBN 0-387-98784-3.
3. Hougaard Philip. Analysis of Multivariate Survival Data. Series Statistics for Biology and Health. Springer Verlag, New York, 2001, 2nd Edition. ISBN 0-387-98873-4.
4. Venables William N. and Ripley Brian D. Modern Applied Statistics with S, 4th Edition. Series Statistics and Computing. Springer Verlag, New York, 2002, ISBN 0-387-95457-0.
5. Valenta Z., Pitha J., Podrapska I., Poledne R. Gaining insight from flexible models--assessment of the secondary prevention trial of CHD in the Czech male population with MI history. Methods Inf Med. 2006;45(2):186-90. (IF 1.684)
6. Roberts MS, Angus DC, Bryce CL, Valenta Z, Weissfeld L. Survival after liver transplantation in the United States: a disease-specific analysis of the UNOS database. Liver Transplantation 2004 Jul;10(7):886-97.
7. Valenta Z, Weissfeld L. Estimation of the survival function for Gray's piecewise-constant time-varying coefficients model. Statistics in Medicine 2002, 15;21(5):717-27.
Téma 2: Modely relativního přežití pro biomedicínský výzkum
Analýza přežití se zabývá statistickou analýzou doby do výskytu určité sledované události. S využitím dat z Národního registru hospitalizovaných (NRHOSP) na ÚZIS budeme studovat modely odhadu funkce přežití u pacientů hospitalizovaných se specifickými kardiovaskulárními diagnózami, jako jsou např. akutní infarkt myokardu a mozková mrtvice. Navrhneme modely pro odhad relativního přežití u těchto diagnóz vzhledem k celkové úmrtnosti pacientů hospitalizovaných v ČR. Dále navrhneme využití funkce relativního přežití jako standardizačního konceptu. Navrhneme také prediktivní modely pro odhad krátkodobého podmíněného relativního přežití. Závěrem odvodíme meze spolehlivosti pro naše odhady založené na Greenwoodově přístupu.
Topic 2: Models of relative survival for biomedical research
Survival analysis is concerned with time to the occurrence of certain event(s) of interest. Using data from the National Registry of Hospitalised Patients (NRHOSP) at UZIS we will study models for estimating the survival experience of patients hospitalised with specific CVD diagnoses, such as acute myocardial infarction or cerebrovascular stroke. We will develop models for predicting relative survival for such diagnoses w.r.t. overall survival experience of patients hospitalised in the Czech Republic. We will introduce the use of relative survival as a standardisation concept. We will develop predictive models for estimating short-term conditional relative survival. Finally, we will derive confidence limits for our estimates by adapting the Greenwood’s approach.
Literatura:
1. Greenwood, M. (1926) The natural duration of cancer. Reports on Public Health and Medical Subjects 33, 1–26. Her Majesty’s Stationery Office, London.
2. Kalbfleisch, J. D., and R. L. Prentice (1980). The statistical analysis of failure time data. John Wiley & Sons, New York.
3. Hosmer, D. and Lemeshow, S. (1999). Applied survival analysis: regression modeling of time to event data. John Wiley & Sons, New York.
4. Klein John P. and Moeschberger Melvin L (1997). Survival analysis – Techniques for Censored and Truncated Data. Series Statistics for Biology and Health. Springer Verlag, New York. ISBN 0-387-94829-5.
5. Therneau Terry M. and Grambsch Patricia M. (2000). Modeling Survival Data – Extending the Cox Model. Series Statistics for Biology and Health. Springer Verlag, New York. ISBN 0-387-98784-3.
6. Venables William N. and Ripley Brian D. (2002). Modern Applied Statistics with S, 4th Edition. Series Statistics and Computing. Springer Verlag, New York. ISBN 0-387-95457-0.
7. Dickman, P. W., Sloggett, A., Hills, M. and Hakulinen, T. (2004). Regression models for relative survival. Statistics in Medicine, 23: 51–64.
8. Shack L., Bryant H., Lockwood G. and Ellison, L.F. (2013). Conditional relative survival: A different perspective to measuring cancer outcomes. Cancer Epidemiology, Volume 37, Issue 4, Pages 446-448.