Smíšené modely pro analýzu dat v medicínském výzkumu

Bc. Lucie Nekvindová

Diplomová práce

Mixed models for data analysis in medical research

Anotace:

Diplomová práce se věnuje smíšeným modelům, které nacházejí široké uplatnění v různých oblastech medicínského výzkumu. Smíšené modely se využívají pro zpracování dat longitudinálních, dat opakovaných měření nebo shlukovaných dat, pro něž je typická hierarchická struktura. Tato práce přináší ucelený pohled na smíšené modely, charakterizuje jednotlivé typy smíšených modelů, popisuje jejich využití v praxi a postup při jejich realizaci. Součástí práce je i návod, jak modely implementovat prostřednictvím softwaru R a SPSS. V praktické části byly na data pacientů s revmatoidní artritidou aplikovány logistické smíšené modely pomocí různých metod odhadů parametrů. Cílem bylo zjistit, jaké charakteristiky pacientů a jejich léčeb ovlivňují dosažení nízké aktivity onemocnění. Jednotlivé parametry byly zkoumány jak samostatně prostřednictvím jednorozměrných modelů, tak dohromady v rámci vícerozměrného modelu. Pro odhady parametrů v modelech bylo použito několik metod (penalizovaná kvazi-věrohodnost, Laplaceova aproximace a adaptivní Gaussova kvadratura). Dosažené výsledky jednotlivými metodami jsou v práci porovnány. Odhady parametrů metodami penalizované kvazi-věrohodnosti a Laplaceovy aproximace vykazovaly ve většině případů vysokou podobnost. Výsledky metodou adaptivní Gaussovy kvadratury se lišily již více. Zvlášť pro skupiny pacientů s anti-TNF biologickou léčbou a s biologickou léčbou s jiným mechanizmem účinku než anti-TNF byly vytvořeny vícerozměrné logistické smíšené modely. Oba finální modely dosahují dobré predikční schopnosti. Plocha pod křivkou u modelu pro anti-TNF léčbu nabývá hodnoty 0,792, u modelu pro biologickou léčbu s jiným mechanizmem účinku hodnoty 0,793. Vytvořené modely mohou být využity pro orientační predikování pravděpodobností, s jakou pacienti dosáhnou nízké aktivity.

Abstract:

This thesis is focused on mixed models which have wide application in different areas of medical research. Mixed models are used for analyses of longitudinal data, repeated measure data or clustered data in which a typical hierarchical structure occurs. This thesis gives a comprehensive overview of mixed models, it characterizes different types of mixed models, their practical usage and describes individual steps of analysis. The work also contains a manual for implementation of models in the software R and SPSS. In the practical part of the thesis, logistic mixed models were applied to data of patients with rheumatoid arthritis via different estimation methods. The aim was to discover which characteristics of patients and their treatment influence achievement of low disease activity. All predictors were examined both separately through univariate models and together in multivariate models. Several parameter estimation methods were applied in models (penalized quasi-likelihood, Laplace approximation and adaptive Gaussian quadrature). Results achieved via different methods were compared. Parameter estimates obtained by penalized quasi-likelihood and Laplace approximation were very similar in most cases. Outcomes of adaptive Gaussian quadrature were slightly more different. Multivariate logistic mixed models were built separately for a group of patients with anti-TNF biologics and for a group of patients with biologics with different mechanism of action. Both final models achieved good prediction abilities. The area under the curve for the model with anti-TNF treatment and for the model with biologics of different mechanism of action is equal to 0,792 and 0,793, respectively. The proposed models can be used for calculating approximate probabilities of achieving low disease activity in patients.

Klíčová slova

Lineární smíšený model, zobecněný lineární smíšený model, pevné efekty, náhodné efekty, longitudinální data, opakovaná měření, shlukovaná data, maximální věrohodnost, Laplaceova aproximace, penalizovaná kvazi-věrohodnost, Gaussova kvadratura, revmatoidní artritida, biologická léčba, nízká aktivita onemocnění, Linear mixed models, generalized linear mixed models, fixed effects, random effects, longitudinal data, repeated measures, clustered data, maximum likelihood, Laplace approximation, penalized quasi-likelihood, Gaussian quadrature, rheumatoid arthritis, biological treatment, low disease activity

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 22. 5. 2017

Obhajoba závěrečné práce

• Obhajoba proběhla 12. 6. 2017
• Vedoucí: RNDr. Eva Koriťáková, Ph.D.

Masarykova univerzita

Přírodovědecká fakulta

Magisterský studijní program / obor:
Experimentální biologie / Matematická biologie