Analysis of Multivariate Survival Data

داده‌های بقا یا داده‌های کلی‌تر زمان تا رویداد در بسیاری از زمینه‌ها از جمله پزشکی، زیست‌شناسی، مهندسی، اقتصاد و جمعیت‌شناسی رخ می‌دهند، اما روش‌های استاندارد قبلی درخواست می‌کردند که همه متغیرهای زمانی تک متغیره و مستقل باشند. این کتاب با در نظر گرفتن زمان های چند متغیره زمینه را گسترش می دهد. کاربردهایی که چنین داده‌هایی ظاهر می‌شوند عبارتند از: بقای دوقلوها، بقای زوج‌ها و خانواده‌ها، زمان تا نارسایی کلیه راست و چپ برای بیماران دیابتی، داده‌های تاریخچه زندگی با زمان تا شیوع بیماری، عوارض و مرگ، دوره‌های مکرر بیماری‌ها و متقاطع بیش از مطالعات با پاسخ های زمانی از آنجایی که این زمینه نسبتاً جدید است، مفاهیم و انواع احتمالی داده ها به تفصیل شرح داده شده است و جنبه های اساسی اینکه چگونه وابستگی می تواند در چنین داده هایی ظاهر شود مورد بحث قرار می گیرد. چهار رویکرد مختلف برای تجزیه و تحلیل چنین داده هایی ارائه شده است. مدل‌های چند حالته که در آن تاریخ زندگی به عنوان موضوعی که از حالتی به حالت دیگر حرکت می‌کند، توصیف می‌شود، کلاسیک‌ترین رویکرد است. مدل‌های مارکوف یک مورد خاص مهم را تشکیل می‌دهند، اما همچنین توضیح داده شده است که چگونه مدل‌های عمومی‌تر به راحتی تنظیم و تحلیل می‌شوند. مدل‌های شکنندگی، که مدل‌های اثرات تصادفی برای داده‌های بقا هستند، رویکرد دومی را ایجاد کردند که از ساده‌ترین مدل‌های شکنندگی مشترک، که با جزئیات در نظر گرفته شده‌اند، به مدل‌هایی با ساختارهای وابستگی پیچیده‌تر بر افراد یا در طول زمان گسترش می‌یابد. مدل‌سازی حاشیه‌ای به یک رویکرد رایج برای ارزیابی تأثیر عوامل توضیحی در حضور وابستگی تبدیل شده است، اما بدون تعیین مدل آماری برای وابستگی. در نهایت، رویکرد کاملاً غیر پارامتریک برای داده‌های بقای سانسور شده دو متغیره شرح داده شده است. هدف این کتاب محققینی است که نیاز به تجزیه و تحلیل داده های بقای چند متغیره دارند، اما به دلیل تمرکز بر مفاهیم و جنبه های مدل سازی، برای افراد علاقه مند به چنین داده هایی نیز مفید است، اما

Survival data or more general time-to-event data occur in many areas, including medicine, biology, engineering, economics, and demography, but previously standard methods have requested that all time variables are univariate and independent. This book extends the field by allowing for multivariate times. Applications where such data appear are survival of twins, survival of married couples and families, time to failure of right and left kidney for diabetic patients, life history data with time to outbreak of disease, complications and death, recurrent episodes of diseases and cross-over studies with time responses. As the field is rather new, the concepts and the possible types of data are described in detail and basic aspects of how dependence can appear in such data is discussed. Four different approaches to the analysis of such data are presented. The multi-state models where a life history is described as the subject moving from state to state is the most classical approach. The Markov models make up an important special case, but it is also described how easily more general models are set up and analyzed. Frailty models, which are random effects models for survival data, made a second approach, extending from the most simple shared frailty models, which are considered in detail, to models with more complicated dependence structures over individuals or over time. Marginal modelling has become a popular approach to evaluate the effect of explanatory factors in the presence of dependence, but without having specified a statistical model for the dependence. Finally, the completely non-parametric approach to bivariate censored survival data is described. This book is aimed at investigators who need to analyze multivariate survival data, but due to its focus on the concepts and the modelling aspects, it is also useful for persons interested in such data, but