İçeriğe geçScholarGate
KütüphaneKitaplığımMasaReview StudioAsistan
Giriş
Bu sayfada
SezgiNasıl çalışırNe zaman kullanılırGüçlü yönler & sınırlılıklarYaygın tuzaklarUygulamalarSSS🔒 Tam yöntemi okuKaynaklarİlişkili yöntemler
Bu sayfaya atıf yapBu sayfada bir hata mı var? Bildir / düzeltme öner →
Ana sayfa›Sağkalım›Uzunlamasına ve Olay Zamanı Verileri için Birleşik Model
Survival analysis

Uzunlamasına ve Olay Zamanı Verileri için Birleşik Model

Joint Model for Longitudinal and Time-to-Event Data · Ayrıca şöyle bilinir: joint model, shared random effects model, longitudinal-survival joint model, Joint Model (Boylamsal + Sağkalım Birleşik Model)

Tsiatis ve Davidian tarafından 2004'te biçimlendirilen ve Rizopoulos tarafından 2012'de kapsamlı bir şekilde genişletilen uzunlamasına ve olay zamanı verileri için birleşik model, tekrarlanan ölçümlere tabi tutulan biyobelirteçler için karma etkili bir modeli ve bir olayın meydana gelme zamanı için bir sağkalım modelini eş zamanlı olarak tahmin eder, bu iki süreci paylaşılan rastgele etkiler aracılığıyla birbirine bağlar. Daha basit yaklaşımların ele alamadığı iki büyük sorunu çözer: uzunlamasına çalışmalardan kaynaklanan bilgilendirici damla ve Cox modelinde kovaryet olarak kullanılan zamana bağlı biyobelirteçlerin içselliği.

ScholarGate
  1. Survival analysis
  2. v1
  3. 2 Kaynaklar
  4. PUBLISHED
Bu sayfaya atıf yap →
Araçlar & kaynaklar
Slaytları indir
Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Yöntem haritası

İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.

Uzunlamasına ve Olay Zamanı Verileri için Birleşik Model
Kaplan-Meier Sağkalım Ta…Koşullu Sağkalım ve Dina…Karma Etkiler ModeliZamanla Değişen Kovaryan…

Ne zaman kullanılır

Uzunlamasına verilerinizde tekrarlanan biyobelirteç ölçümleri ve bir olaya kadar geçen süre sonucu olduğunda ve aşağıdaki sorunlardan en az biri mevcut olduğunda birleşik modeli kullanın: (1) uzunlamasına bileşenden damla bilgilendiricidir - hastalar durumları kötüleştiği için çalışmadan ayrılır; (2) zamanla değişen bir biyobelirteci sağkalım modelinde bir kovaryet olarak kullanmak istiyorsunuz ancak standart zamana bağlı Cox yaklaşımı, biyobelirteç hata ile ölçüldüğü veya içsel olduğu için yanlıdır. Yöntem, makul ölçüde iyi uyan bir uzunlamasına alt model (tipik olarak doğrusal karma etkiler), bir sağkalım alt modeli (Cox veya parametrik), her denek başına en az üç tekrarlanan ölçümle birlikte yaklaşık 100 denek ve paylaşılan rastgele etkiler yapısının iki süreç arasındaki bağımlılığı doğru bir şekilde yakaladığı varsayımı gerektirir.

Güçlü yönler & sınırlılıklar

Güçlü yönler
  • Ayrı analizlerdeki iki ana yanlılık kaynağı olan bilgilendirici damla ve içsel zamana bağlı kovaryetleri eş zamanlı olarak ele alır.
  • Her an olayın tehlikesini tahmin etmek için tam gözlemlenen biyobelirteç eğilimini kullanır, son gözlem-ileri taşıma veya basit zamana bağlı Cox yaklaşımlarından daha verimli tahminler sağlar.
  • Dinamik sağkalım tahminleri üretir: bir deneğin s zamanına kadar olan biyobelirteç geçmişi verildiğinde, model gelecekteki zamanlar için kişiselleştirilmiş koşullu sağkalım olasılıkları sunar, bu da klinik olarak eyleme geçirilebilir.
  • Tahmin edilen değerleri sabit olarak ele almak yerine, uzunlamasına modelden gelen belirsizliği sağkalım modeline yayar.
Sınırlılıklar
  • Hesaplama açısından yoğundur; EM veya MCMC tahmini, orta düzeydeki veri kümeleri için dakikalar ila saatler sürebilir ve küçük örneklerde veya karmaşık rastgele etkiler yapılarında yakınsamayabilir.
  • Her denek başına en az yaklaşık 100 denek ve en az üç uzunlamasına ölçüm gerektirir; kısa takip veya seyrek ölçüm programları için uygun değildir.
  • İki alt modeli birbirine bağlayan ilişkilendirme yapısı (mevcut değer, mevcut eğim, kümülatif etki) dikkatlice seçilmelidir - yanlış belirtme her iki alt modeli de yanlı hale getirebilir.
  • Alfa parametresinin yorumlanması dikkat gerektirir: gerçek gizli eğilimi, gözlemlenen ölçümü değil, tehlikeye bağlar.

SSS

Birleşik model, zamana bağlı bir Cox modelinden nasıl farklıdır?

Zamana bağlı bir Cox modelinde, en son gözlemlenen biyobelirteç değerini, o andaki gerçek değermiş gibi tehlike fonksiyonuna eklersiniz. Bu yaklaşım, biyobelirteç hata ile ölçüldüğünde (zayıflatma yanlılığı) veya içsel olduğunda - yani, biyobelirteci yönlendiren aynı sürecin olayı da yönlendirdiği durumlarda - yanlıdır. Birleşik model, gerçek biyobelirteç eğilimini tüm uzunlamasına ölçümlerden çıkarılan gizli bir süreç olarak ele alarak ve bu gizli süreci her iki alt modelle eş zamanlı olarak tahmin edilen paylaşılan rastgele etkiler aracılığıyla tehlikeye bağlayarak her iki sorunu da önler.

Bilgilendirici damla nedir ve neden önemlidir?

Bilgilendirici damla, deneklerin uzunlamasına çalışmadan ayrılma nedeninin ölçülen sonuçla ilgili olması durumunda meydana gelir. Örneğin, böbrek fonksiyonları kötüleşen bir hasta, sonraki planlanmış ölçümden önce poliklinik ziyaretlerini kaçırabilir veya ölebilir. Yalnızca gözlemlenen ölçümleri analiz ederseniz, geç evre eğilimleri en hasta hastalarda eksik olur, bu nedenle ortalama eğilim gerçeklikten yapay olarak daha iyi görünür. Birleşik model, damla sürecini (sağkalım alt modeli) paylaşılan rastgele etkiler aracılığıyla gerçek biyobelirteç eğilimine bağlayarak bunu açıkça hesaba katar.

İki alt modeli birbirine bağlamak için hangi ilişkilendirme yapıları kullanılabilir?

En yaygın ilişkilendirme, t zamanındaki biyobelirtecin mevcut gerçek değeridir, bu doğrudan tehlikeye girer. Alternatifler arasında eğilimin mevcut eğimi (değişim oranı t'de), eğilim altındaki alan (kümülatif maruziyet) veya bunların kombinasyonları bulunur. Seçim, konu alanı akıl yürütmesiyle yönlendirilmeli ve Bayesci ortamda DIC veya WAIC gibi bilgi kriterleri kullanılarak karşılaştırılmalıdır.

Denek başına kaç tekrarlanan ölçüme ihtiyacım var?

Genel olarak kabul edilen bir kural, denek başına en az üç uzunlamasına ölçüm ve toplamda en az 100 denektir. Daha az ölçüm, deneğe özgü rastgele etkilerin yetersiz tanımlanmasına neden olur, bu da hem uzunlamasına alt modeli hem de ilişkilendirme parametresini istikrarsızlaştırır. Denek başına yalnızca bir veya iki ölçümü olan çalışmalar, sınırlamalarını kabul ederek, zamana bağlı bir Cox modeli gibi daha basit bir yaklaşım kullanmalıdır.

Kaynaklar

  1. Rizopoulos, D. (2012). Joint Models for Longitudinal and Time-to-Event Data. CRC Press. DOI: 10.1201/b12208 ↗
  2. Tsiatis, A.A. & Davidian, M. (2004). Joint Modeling of Longitudinal and Time-to-Event Data: An Overview. Statistica Sinica, 14(3), 809–834. link ↗

Bu sayfayı kaynak gösterin

ScholarGate. (2026, June 1). Joint Model for Longitudinal and Time-to-Event Data. ScholarGate. https://scholargate.app/tr/survival/joint-model-survival

İlişkili yöntemler

Kaplan-Meier Sağkalım TahmincisiKoşullu Sağkalım ve Dinamik Tahmin için Dönüm Noktası AnaliziKarma Etkiler ModeliZamanla Değişen Kovaryantlarla Cox Regresyonu

Hangi yöntem?

Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.

  • Kaplan-Meier Sağkalım TahmincisiSağkalım↔ karşılaştır
  • Koşullu Sağkalım ve Dinamik Tahmin için Dönüm Noktası AnaliziSağkalım↔ karşılaştır
  • Karma Etkiler Modeliİstatistik↔ karşılaştır
  • Zamanla Değişen Kovaryantlarla Cox RegresyonuSağkalım↔ karşılaştır
Yan yana karşılaştır →

Bu yönteme atıf yapanlar

Koşullu Sağkalım ve Dinamik Tahmin için Dönüm Noktası AnaliziZamanla Değişen Kovaryantlarla Cox Regresyonu

Benzer yöntemler

Zamanla Değişen Kovaryantlarla Cox RegresyonuKoşullu Sağkalım ve Dinamik Tahmin için Dönüm Noktası AnaliziBayes Cox Orantılı TehlikeBayes Sağkalım RegresyonuBayes Sağkalım Analiziİleriye Dönük Sağkalım AnaliziÇok Durumlu Hayatta Kalma Modeli

İlgili referans kavramlar

Cox Regresyon ModelleriSağkalım Analizi ve Olay Zamanı YöntemleriSansürleme ve Takip VerileriOrantılı Tehlikeler VarsayımıKaplan-Meier Sağkalım EğrileriRakip Riskler

Bu sayfada bir hata mı var? Bildir / düzeltme öner →

ScholarGate — Joint Model for Longitudinal and Survival Data (Joint Model for Longitudinal and Time-to-Event Data). 2026-07-21 tarihinde şu adresten erişildi: https://scholargate.app/tr/survival/joint-model-survival · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
Tsiatis, A.A. & Davidian, M.; Rizopoulos, D.
Year
2004
Type
Semiparametric regression model
Subprocesses
Longitudinal (mixed-effects) + Survival (Cox or parametric)
Linkage
Shared random effects
Estimation
EM algorithm or MCMC
MinimumSample
100
Difficulty
4
İlişkili yöntemler
Kaplan-Meier Sağkalım TahmincisiKoşullu Sağkalım ve Dinamik Tahmin için Dönüm Noktası AnaliziKarma Etkiler ModeliZamanla Değişen Kovaryantlarla Cox Regresyonu
ScholarGate

Araştırma yöntemleri için içerik öncelikli bir referans kütüphanesi — her yöntemin ne olduğu, nasıl çalıştığı ve nereden geldiği.

Açık veri (CC-BY)

Keşfet

  • Kütüphane
  • Yöntemlerde ara…
  • Alanlara göre gez
  • Alanlar
  • Yolculuk
  • Karşılaştır
  • Hangi yöntem?

Başvuru

  • Konular
  • Atlas
  • Sözlük
  • Metodoloji
  • Felsefe

Çalışma alanı

  • Kitaplığım
  • Masa
  • Sohbet

Şirket

  • Hakkımızda
  • Fiyatlandırma
  • İletişim
  • Yöntem öner

Kayıtlar, başvuru amacıyla yayımlanmış kaynaklardan derlenmiştir. Herhangi bir bilginin doğruluğunu ve kendi kullanımınıza uygunluğunu denetlemek sizin sorumluluğunuzdadır.

© 2026 ScholarGate · Araştırma yöntemleri referans kütüphanesi
  • Gizlilik
  • Çerezler
  • Koşullar
  • Hesabı sil