Nonparametric Bayesian Inference in Biostatistics

همانطور که فصل‌های این کتاب نشان می‌دهند، BNP کاربردهای مهمی در علوم بالینی و استنتاج برای مسائلی مانند پارتیشن‌های ناشناخته در ژنومیک دارد. رویکردهای بیزی ناپارامتریک (BNP) نقش رو به گسترشی در استنتاج آماری زیستی از استفاده در پروتئومیکس تا آزمایش‌های بالینی دارند. بسیاری از مسائل تحقیقاتی شامل داده های فراوانی هستند و به مدل های احتمالی انعطاف پذیر و پیچیده فراتر از رویکردهای پارامتری سنتی نیاز دارند. همانطور که همکاران متخصص این کتاب نشان می دهند، رویکردهای BNP می تواند پاسخگو باشد. تجزیه و تحلیل بقا، به ویژه رگرسیون بقا، به طور سنتی از BNP استفاده می کند، اما پتانسیل BNP اکنون بسیار گسترده است. این امر در مورد وظایف مهمی مانند چیدمان بیماران در زیرجمعیت‌های معنادار بالینی و تقسیم‌بندی ژنوم به مناطق عملکردی متمایز اعمال می‌شود. این کتاب برای بررسی و معرفی حوزه های کاربردی برای BNP طراحی شده است. در حالی که کتاب‌های موجود مبانی نظری را ارائه می‌کنند، این کتاب نظریه را به عمل از طریق مثال‌های جذاب و پرسش‌های پژوهشی متصل می‌کند. فصل‌ها شامل: آزمایش‌های بالینی، استنتاج فضایی، پروتئومیکس، ژنومیکس، خوشه‌بندی، تجزیه و تحلیل بقا و منحنی ROC می‌شوند.

As chapters in this book demonstrate, BNP has important uses in clinical sciences and inference for issues like unknown partitions in genomics. Nonparametric Bayesian approaches (BNP) play an ever expanding role in biostatistical inference from use in proteomics to clinical trials. Many research problems involve an abundance of data and require flexible and complex probability models beyond the traditional parametric approaches. As this book's expert contributors show, BNP approaches can be the answer. Survival Analysis, in particular survival regression, has traditionally used BNP, but BNP's potential is now very broad. This applies to important tasks like arrangement of patients into clinically meaningful subpopulations and segmenting the genome into functionally distinct regions. This book is designed to both review and introduce application areas for BNP. While existing books provide theoretical foundations, this book connects theory to practice through engaging examples and research questions. Chapters cover: clinical trials, spatial inference, proteomics, genomics, clustering, survival analysis and ROC curve.