تحلیل بیزی پارامتری داده های بقا با سانسور فاصله ای همراه با متغیرهای کمکی
Abstract(in Persian; no English abstract is available)
در تحلیل داده ها بقا به طور کلی از دو مدل رگرسیونی استفاده می شود، مدل مخاطرات متناسب کاکس به عنوان یک مدل نیمه پارامتری و مدلهای زمان شکست شتابنده به عنوان مدل پارامتریک. اگر چه رگرسیون کاکس کاربردی ترین مدل در تحلیل بقا است، ولیکن مدلهای پارامتریک در برخی شرایط می توانند مناسب تر باشند. بدست آوردن توزیع پارامتری زمان بقا از اهمیت ویژه ای برخوردار است، به طوری که می توان احتمال بقا و احتمال خطر را در تمام زمان ها به طور دقیق محاسبه نمود و در برآورد پارامترها بر خلاف مدل کاکس، از روش حداکثر درستنمایی استفاده کرد. از طرفی استنباط ها بر اساس نمونه های بزرگ نمی توانند وقتی تعداد نمونه کوچک است مورد استفاده قرار گیرد. رهیافتی که می توان در این گونه موارد استفاده کرد دیدگاه بیزی است که استنباط را بر اساس توزیع دقیق پسین و با انتخاب توزیع پیشین مناسب انجام می دهد. در تحلیل پارامتریک برای استنباط در مورد متغیرهای کمکی و برازش دقیق تر، فرض می شود پارامتر مکان با متغیرهای کمکی مرتبط است و پارامتر شکل به متغیرهای کمکی وابسته نیست و این پارامتر ثابت در نظر گرفته می شود. این فرض در بعضی از داده ها درست نیست و در این حالت اگر پارامتر شکل تابعی از متغیرهای کمکی در نظر گرفته شود، برازش بهتری به داده ها صورت می گیرد. نتایج شبیه سازی نشان داد، در صورتی که پارامتر شکل توزیع ثابت نباشد، ممکن است برآوردهای ضرایب متغیرهای کمکی به روش بیز، دارای اریبی کمتر، تفسیر شاخص های مهم در بقا همچون نسبت خطر برای زمان های مختلف در آن دقیق تر، برازش مدل مناسب تر و نتایج استنباط متفاوت باشد. نتایج حاصل از این تحقیق، پیشنهاد می شود که مدل اشباع شده به گونه ای انتخاب شود که پارامتر شکل ثابت نباشد و فرض ثابت بودن پارامتر شکل مورد آزمون قرار گیرد و مدل مناسب تر با استفاده از ملاک های برازش مدل انتخاب شود. همچنین این مطالعه نشان داد سن بیمار در زمان تشخیص و اندازه تومور از عوامل مهم مرتبط با بقای بیماران مبتلا به سرطان معده می باشند. در نتیجه در صورت تشخیص این بیماری در سنین پایین تر و مراحل اولیه پیشرفت بیماری، خطر نسبی مرگ کاهش می یابد. بر اساس ملاک اطلاع انحرافی، مدل وایبول مدل مناسبی برای داده های سرطان معده شناخته شد.