通过多次推断对认知和痴呆风险联合建模中的不可忽视的脱落进行模式混合灵敏度分析
Tetiana Gorbach1, James R Carpenter2,3, Chris Frost2
1Department of Statistics, Umeå School of Business, Economics and Statistics, Umeå University, Umeå, Sweden.
本研究引入了一种模式混合灵敏度分析,用于联合建模记忆和痴呆风险,解决衰老研究中缺少的数据. 结果显示,即使缺少数据,记忆力下降也预测了更高的痴呆风险.
科学领域:
- 生物统计学 生物统计学
- 流行病学 流行病学
- 神经科学是一个神经科学.
背景情况:
- 对衰老的纵向研究经常在记忆评估中遇到缺失的数据.
- 与健康相关的学可能导致遗漏的纵向测量不是随机 (MNAR).
- 纵向数据和时间到事件数据的联合建模对于了解疾病进展至关重要.
研究的目的:
- 在联合建模框架内,为MNAR数据提出和实施模式混合灵敏度分析.
- 评估MNAR数据对记忆力下降和痴呆风险之间的关联的影响.
- 评估多重归算在联合建模中的敏感性分析的实用性.
主要方法:
- 利用瑞典贝图拉研究的数据,结合了纵向记忆评估和痴呆症发病.
- 采用了一种模式混合灵敏度分析,用于MNAR纵向数据的多重归算.
- 开发了推算模型,允许在丢弃后加速记忆衰退,并将联合模型配合到推算数据集.
主要成果:
- 更差的记忆水平和更急的记忆衰退在所有敏感性场景中始终与痴呆症风险增加有关.
- 提出的多重归算方法被证明是务实的,可用于评估MNAR数据后果.
- 模式混合模型有效地为各种缺失的数据模式构建了可信的MNAR假设.
结论:
- 使用多重归算的灵敏度分析对于评估MNAR数据在联合建模中的影响是有价值的.
- 模式混合方法为处理老龄化和痴呆症研究中缺少数据提供了灵活性.
- 联合建模与灵敏度分析相结合,提供了基于记忆轨迹预测痴呆风险的强有力的推断.
更多相关视频
06:48Lexical Decision Task for Studying Written Word Recognition in Adults with and without Dementia or Mild Cognitive Impairment
Published on: June 25, 2019
09:38Generalized Psychophysiological Interaction PPI Analysis of Memory Related Connectivity in Individuals at Genetic Risk for Alzheimer's Disease
Published on: November 14, 2017
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Assumptions of Survival Analysis
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Confounding in Epidemiological Studies
Multi-input and Multi-variable systems
In the absence...
Censoring Survival Data
