Missing Data in Clinical Studies

ویرایش:  
نویسندگان: Geert Molenberghs. Michael G. Kenward(auth.)  
سری:  
ISBN (شابک) : 9780470849811, 9780470510445 
ناشر:  
سال نشر: 2007 
تعداد صفحات: 508 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 13 مگابایت 

قیمت کتاب (تومان) : 50,000

داده های گمشده در مطالعات بالینی گزارش جامعی از مشکلات ناشی از ناقص بودن داده های مطالعات بالینی و مرتبط ارائه می دهد و رویکردهایی را برای رسیدگی موثر به آنها به خواننده ارائه می دهد. این متن قبل از اینکه به بحث در مورد رویکردهای پیشرفته‌تر بپردازیم، به نقد روش‌های مرسوم و ساده می‌پردازد. نویسندگان بر مفاهیم عملی و مدل سازی تمرکز می کنند و مجموعه گسترده ای از مطالعات موردی را برای نشان دادن مشکلات توصیف شده ارائه می دهند.

• راهنمای عملی برای تجزیه و تحلیل کارآزمایی‌های بالینی و مطالعات مرتبط با داده‌های گمشده ارائه می‌کند.
• مشکلات ناشی از داده های از دست رفته را بررسی می کند و درک کاملی از نحوه غلبه بر آنها را ممکن می سازد.
• روشهای مرسوم و ساده را برای مقابله با این مشکلات، قبل از پرداختن به رویکردهای پیشرفته تر، از جمله تجزیه و تحلیل حساسیت، و مکانیسم فقدان MAR، ارائه می دهد.
• در سراسر با مطالعات موردی واقعی و نمونه های کار شده از آزمایشات بالینی نشان داده شده است.
• جزئیات استفاده و پیاده سازی نرم افزار آماری لازم، در درجه اول SAS.

داده های گمشده در مطالعات بالینی از طریق مجموعه ای از دوره ها و سخنرانی ها ایجاد شده است. رویکرد عملی آن برای آماردانان کاربردی و محققان زیست پزشکی، به ویژه کسانی که در صنعت داروسازی زیستی، سازمان های پزشکی و بهداشت عمومی هستند، جذاب خواهد بود. دانشجویان فارغ التحصیل آمار زیستی نیز فواید زیادی خواهند یافت. محتوا:
فصل 1 مقدمه (صفحات 1-10):
فصل 2 مثال های کلیدی (صفحات 11-25):
فصل 3 اصطلاحات و چارچوب (صفحات) 27-37):
فصل 4 دیدگاهی در مورد روش های ساده (صفحه های 39-54):
فصل 5 تجزیه و تحلیل داده های رشد ارتودنسی (صفحات 55-66):
فصل 6 تجزیه و تحلیل کارآزمایی های افسردگی (صفحات 67-74):
فصل 7 روش درستنمایی مستقیم (صفحه های 75-92):
فصل 8 الگوریتم انتظار-بیشینه سازی (صفحات 93-104):
فصل 9 انتساب چندگانه (صفحات 105) -117):
معادلات تخمین وزنی فصل 10 (صفحه های 119-134):
فصل 11 ترکیب GEE و MI (صفحه های 135-143):
فصل 12 احتمال؟ ):
فصل 13 تجزیه و تحلیل عصر؟ دژنراسیون ماکولا مرتبط (صفحات 163-170):
فصل 14 داده های ناقص و SAS (صفحات 171-182):
فصل 15 مدل های انتخاب (صفحات 183-213) ):
فصل 16 الگوی؟ مدل های مخلوط (صفحات 215-247):
فصل 17 به اشتراک گذاشته شده؟ مدل های پارامتر (صفحه های 249-251):
فصل 18 برآورد حفاظتی (صفحات 253-282):
فصل 19 MNAR، MAR، و ماهیت حساسیت ( صفحات 283-312):
فصل 20 حساسیت اتفاق می افتد (صفحه های 313-328):
فصل 21 مناطق ناآگاهی و عدم قطعیت (صفحه های 329-352):
فصل 22 روش های تأثیر محلی و جهانی (صفحه های 35) -415):
فصل 23 ماهیت تأثیر محلی (صفحات 417-430):
فصل 24 مدل مخلوط نهفته؟ کلاس برای داده های گاوسی طولی ناقص (صفحات 431-450):
فصل 25 کارآزمایی دژنراسیون ماکولا مربوط به سن (صفحات 451-460):
فصل 26 مطالعه Vorozole (صفحات 461-481):

Missing Data in Clinical Studies provides a comprehensive account of the problems arising when data from clinical and related studies are incomplete, and presents the reader with approaches to effectively address them. The text provides a critique of conventional and simple methods before moving on to discuss more advanced approaches. The authors focus on practical and modeling concepts, providing an extensive set of case studies to illustrate the problems described.

• Provides a practical guide to the analysis of clinical trials and related studies with missing data.
• Examines the problems caused by missing data, enabling a complete understanding of how to overcome them.
• Presents conventional, simple methods to tackle these problems, before addressing more advanced approaches, including sensitivity analysis, and the MAR missingness mechanism.
• Illustrated throughout with real-life case studies and worked examples from clinical trials.
• Details the use and implementation of the necessary statistical software, primarily SAS.

Missing Data in Clinical Studies has been developed through a series of courses and lectures. Its practical approach will appeal to applied statisticians and biomedical researchers, in particular those in the biopharmaceutical industry, medical and public health organisations. Graduate students of biostatistics will also find much of benefit.Content:
Chapter 1 Introduction (pages 1–10):
Chapter 2 Key Examples (pages 11–25):
Chapter 3 Terminology and Framework (pages 27–37):
Chapter 4 A Perspective on Simple Methods (pages 39–54):
Chapter 5 Analysis of the Orthodontic Growth Data (pages 55–66):
Chapter 6 Analysis of the Depression Trials (pages 67–74):
Chapter 7 The Direct Likelihood Method (pages 75–92):
Chapter 8 The Expectation–Maximization Algorithm (pages 93–104):
Chapter 9 Multiple Imputation (pages 105–117):
Chapter 10 Weighted Estimating Equations (pages 119–134):
Chapter 11 Combining GEE and MI (pages 135–143):
Chapter 12 Likelihood?Based Frequentist Inference (pages 145–162):
Chapter 13 Analysis of the Age?Related Macular Degeneration (pages 163–170):
Chapter 14 Incomplete Data and SAS (pages 171–182):
Chapter 15 Selection Models (pages 183–213):
Chapter 16 Pattern?Mixture Models (pages 215–247):
Chapter 17 Shared?Parameter Models (pages 249–251):
Chapter 18 Protective Estimation (pages 253–282):
Chapter 19 MNAR, MAR, and the Nature of Sensitivity (pages 283–312):
Chapter 20 Sensitivity Happens (pages 313–328):
Chapter 21 Regions of Ignorance and Uncertainty (pages 329–352):
Chapter 22 Local and Global Influence Methods (pages 353–415):
Chapter 23 The Nature of Local Influence (pages 417–430):
Chapter 24 A Latent?Class Mixture Model for Incomplete Longitudinal Gaussian Data (pages 431–450):
Chapter 25 The Age?Related Macular Degeneration Trial (pages 451–460):
Chapter 26 The Vorozole Study (pages 461–481):