使用一般化添加剂模型对动图数据的统计分析

科学领域:

• 临床生物统计学
• 数字健康数字健康
• 可穿戴技术可穿戴技术

背景情况:

• 数字传感器的体力活动数据在临床研究中越来越多地被使用,特别是在限制运动的疾病中.
• 当前分析通常涉及将高频数据总结为聚合指标,这可能过于简化复杂的模式.
• 分析一分钟一分钟的行动图形数据,由于其高容量,会带来统计方面的挑战.

研究的目的:

• 介绍和展示通用添加模型 (GAM) 的应用,用于分析时间序列的动图数据.
• 为了利用GAM的半参数性质,从高频传感器数据中评估日常身体活动模式.
• 通过使用详细的活动数据,在纵向临床研究中提高对疾病进展和治疗效果的理解.

主要方法:

• 使用的通用添加模型 (GAMs),一种允许参数和非参数 (spline) 术语的统计方法.
• 应用了GAM来分析分钟到分钟的动图时间序列数据,捕获日常活动节奏.
• 在两个不同的临床环境中展示了该方法:肌缩侧面硬化症和慢性阻塞性肺病试验.

主要成果:

• GAMs有效地分析整个时间序列的动画图数据,揭示日常身体活动模式.
• 这种方法有助于更深入地了解患者队伍中随时间变化的身体活动.
• 通过提供对活动水平的细微见解,促进了治疗组之间的比较.

结论:

• 一般化添加模型为分析临床研究中高频体育活动数据提供了强大的统计框架.
• 这种方法在捕捉动态活动模式方面比传统的聚合指标具有优势.
• 在各种疾病背景下,GAM增强了动图数据的实用性,用于纵向监测和治疗评估.