基于贝叶斯推断的三成分患病率-发病率-治愈混合模型:从电子健康记录中提取回顾性队列的研究
《Statistical Methods in Medical Research》:A Bayesian prevalence incidence cure model for estimating survival using electronic health records with incomplete baseline diagnoses
【字体:
大
中
小
】
时间:2026年10月10日
来源:Statistical Methods in Medical Research 1.9
编辑推荐:
摘要可以从电子健康记录(EHRs)中提取回顾性队列,以研究真实世界场景中的患病率、疾病或事件发生的时间以及治愈比例。然而,EHRs 是为患者护理而非研究而收集的,因此通常存在复杂性,例如患者缺失基线疾病状态。已提出患病率 - 发病率(PI)模型,该模型使用双成分混合模型来处理
摘要
可以从电子健康记录(EHRs)中提取回顾性队列,以研究真实世界场景中的患病率、疾病或事件发生的时间以及治愈比例。然而,EHRs 是为患者护理而非研究而收集的,因此通常存在复杂性,例如患者缺失基线疾病状态。已提出患病率 - 发病率(PI)模型,该模型使用双成分混合模型来处理此缺失数据。然而,在某些个体永远不会经历终点(即“治愈”)的情况下,PI 模型存在偏倚。为了解决这个问题,我们提出了一种患病率 - 发病率 - 治愈(PIC)模型,这是一种结合了 PI 模型框架和治愈模型的三成分混合模型。我们的 PIC 模型能够估计患病率、至发病的时间以及治愈比例,并允许协变量对各成分产生影响。我们采用贝叶斯推断方法,并关注先验的可解释性。我们在模拟研究表明,对于生存概率,PIC 模型的偏倚小于 PI 模型和治愈模型;并且我们比较了在模糊、信息性和误设先验下的推断。我们使用 1964 名接受糖尿病黄斑水肿治疗患者的数据集来说明我们的 PIC 模型,并证明我们的模型拟合度更优。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号