非小细胞肺癌患者生存分析建模研究

发布时间：2017-09-02 02:17

  本文关键词：非小细胞肺癌患者生存分析建模研究

  更多相关文章： 纵向数据 Cox模型 时间相依协变量 变系数模型 自适应惩罚

【摘要】：根据世界卫生组织统计数据显示,肺癌的发病率、死亡率长期位居各种恶性肿瘤之首,全球每年约有135万人死于肺癌,肺癌患者的5年生存率仅有15%~30%。英国麦美伦癌症援助中心的数据显示医学的发展并未显著增加肺癌患者的生存时间,只是从1971年的8周上升到2011年的20周。近年来,广大医疗工作者和科研人员开始关注肿瘤进展的建模研究,此项研究能辅助医生了解临床治疗方式和患者临床症状对肿瘤进展的影响,具有重要的科研和临床意义。本文以非小细胞肺癌患者为研究对象,以预测非小细胞肺癌患者肿瘤进展为主要研究目标,以解决Cox模型中时间相依协变量问题、变量选择问题为研究切入点,研究利用Cox模型预测肺癌患者肿瘤进展的建模方法。本文的主要研究内容如下:(1)针对临床医学纵向数据中经常出现的时间相依协变量,提出基于临床检测指标变化特征的时间相依协变量Cox模型建模方法。根据患者的临床检测指标变化特点反映时间相依协变量随时间变化的函数形式,既避免了估计这类协变量随时间变化形式的难度又利用了纵向数据中协变量的变化信息。并且,利用C-Index指数和校准图对Cox模型的预测准确率做出验证。(2)研究基于自适应惩罚函数的变量选择方法,利用此方法建立变系数模型,并利用仿真数据对此方法进行验证。仿真数据验证了此方法可以很好的识别模型中的变系数、常系数和零系数,变量选择的结果具有Oracle性,并且模型的估计结果比目前存在的研究方法更稳定。此外,利用此方法识别肺癌患者的检查指标对肿瘤大小的影响效应类型,分析出哪些检查指标对肿瘤大小的影响为时变效应,哪些检查指标对肿瘤大小的影响为恒定效应,哪些检查指标对肿瘤大小的影响为零效应。(3)利用基于自适应惩罚函数的变量选择方法建立Cox模型,避免经典变量选择方法在协变量个数较多时容易造成累计误差和过拟合的不足。本文结合生存时间资料的特点对自适应惩罚法在Cox模型中的应用进行改进,使自适应惩罚法能够更加适用于实际应用中的生存时间资料。仿真实验结果证明了改进后的自适应惩罚法进行Cox模型变量选择时仍具有Oracle性且系数估计具有稳定性。并且,将此方法应用到非小细胞肺癌患者的生存时间资料中,建立的Cox模型的预测准确度比传统变量选择方法建立的Cox模型的预测准确度提高了9.8%。
【关键词】：纵向数据 Cox模型 时间相依协变量 变系数模型 自适应惩罚
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R734.2;O212.1
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-19
• 1.1 课题研究背景及意义9-11
• 1.2 生存分析方法的国内外研究现状11-14
• 1.2.1 非参数法11-12
• 1.2.2 参数法12-13
• 1.2.3 半参数法13-14
• 1.3 Cox模型中时间相依协变量的国内外研究现状14-16
• 1.4 变量选择方法应用于Cox模型中的国内外研究现状16-17
• 1.5 本文的主要内容17-18
• 1.6 本文的组织结构18-19
• 第2章 肺癌患者生存分析建模研究的整体设计方案19-27
• 2.1 非小细胞肺癌患者随访数据19-22
• 2.1.1 数据内容描述19-21
• 2.1.2 数据特点分析21-22
• 2.2 非小细胞肺癌患者生存时间资料22-24
• 2.2.1 生存时间资料的特点22-24
• 2.3 肺癌患者生存分析建模研究的整体设计方案24-25
• 2.4 本章小结25-27
• 第3章 基于医学纵向数据的Cox模型建模研究27-41
• 3.1 Cox比例风险模型简介27-29
• 3.2 基于Cox模型的列线图模型简介29-31
• 3.3 利用Cox模型分析检测指标变化特征对肿瘤进展的影响31-37
• 3.3.1 临床检测指标变化特征的表达31-33
• 3.3.2 实验设计33-34
• 3.3.3 Cox模型多因素分析结果34-36
• 3.3.4 Cox模型及预测列线图的建立36-37
• 3.4 Cox比例风险模型实验结论37-39
• 3.4.1 Cox比例风险模型的有效性验证37-38
• 3.4.2 Cox比例风险模型应用于临床纵向数据的局限性分析38-39
• 3.5 本章小结39-41
• 第4章 基于变量选择方法的变系数模型建模研究41-55
• 4.1 变系数模型简介41-42
• 4.2 基于变量选择方法的变系数模型建模方法42-45
• 4.3 仿真实验45-51
• 4.3.1 IVSMLD方法分离变系数、零系数的性能45-47
• 4.3.2 IVSMLD方法分离变系数、零系数、常系数的性能47-51
• 4.4 基于妊娠高血压数据的变系数模型51-53
• 4.5 本章小结53-55
• 第5章 变系数模型在肺癌患者纵向数据中的应用55-61
• 5.1 基于ECOG评分对非小细胞肺癌患者分类55-56
• 5.2 临床检测指标的多重共线性分析56-57
• 5.3 针对不同健康状态的患者分别建立变系数模型57-60
• 5.4 本章小结60-61
• 第6章 变量选择方法在Cox回归模型中的应用61-71
• 6.1 基于Cox模型的自适应惩罚方法61-63
• 6.2 仿真实验63-67
• 6.2.1 生存时间数据的模拟方法63-64
• 6.2.2 自适应惩罚方法的变量选择结果64-66
• 6.2.3 实验结论66-67
• 6.3 变量选择方法在肺癌患者生存分析中的应用67-70
• 6.4 本章小结70-71
• 第7章 结论和展望71-73
• 本文的主要研究成果71-72
• 未来工作的展望72-73
• 参考文献73-77
• 攻读硕士学位期间所发表的学术成果77-79
• 致谢79

【相似文献】

中国期刊全文数据库 前10条

1 王晓东;田俊;;具有时变协变量的纵向资料的线性混合效应模型及算法[J];数学的实践与认识;2012年12期

2 何春;方积乾;;单个协变量带有测量误差的多维结构回归模型[J];生物数学学报;2007年02期

3 尹逊汝;;协变量Ⅰ型截尾时线性模型的非参数估计[J];纺织高校基础科学学报;2007年01期

4 林华珍,倪宗瓒;Cox模型中共线协变量的分层处理[J];四川大学学报(自然科学版);1999年04期

5 郭丽莎;金凌辉;曹永秀;;Morgenstern族次序统计量的协变量的分布[J];数学杂志;2012年01期

6 孟维静;王素珍;吕军城;石福艳;;倾向指数分层法的模拟研究[J];中国卫生统计;2012年04期

7 叶家东,李铁林;区域趋势控制协变量回归分析效果评估方法研究[J];气象科学;2001年01期

8 何其祥;;协变量区间删失时线性模型的参数估计[J];应用数学;2007年02期

9 陶庄;卢双;李芳;郭霏;;用STATA软件拟合含时间相依协变量的Cox模型[J];数理医药学杂志;2012年03期

10 冯士雍;生存分析(Ⅲ)[J];数学的实践与认识;1983年01期

中国重要会议论文全文数据库 前1条

1 侯艳;李康;;非劣效性临床试验中两组率差值的协变量调整方法[A];黑龙江省第十次统计科学讨论会论文集[C];2008年

中国博士学位论文全文数据库 前3条

1 马云艳;相依数据下协变量调整回归模型及其在金融时间序列中的应用[D];山东大学;2012年

2 张新佶;生存资料非劣效性评价的非参数协方差模型研究及实现[D];第二军医大学;2012年

3 吴远山;辅助数据问题和多元失效时间的半参数分析[D];武汉大学;2010年

中国硕士学位论文全文数据库 前10条

1 谢骁;基于纵向协变量的Cox模型及其在疗效评估中的应用[D];云南师范大学;2015年

2 崔剑岚;应用多结局生存分析模型评价随时间变化的协变量对胃癌患者预后的影响[D];复旦大学;2014年

3 程文帅;非小细胞肺癌患者生存分析建模研究[D];北京工业大学;2015年

4 周多;生态数据和含协变量样本数据的联合分析[D];东北师范大学;2009年

5 张鹏程;有缺失协变量的相对危险率模型的估计理论及其渐近性质[D];清华大学;2010年

6 陈淑英;线性协变量调整模型的参数估计[D];浙江大学;2008年

7 刘欣;高维面板数据模型中协变量选择和异方差检验[D];云南财经大学;2014年

8 王宇达;因果效应和统计推断[D];北京邮电大学;2015年

9 彭江滨;相乘—可加危险模型及其在生存分析中的应用[D];山西医科大学;2010年

10 刘东梅;基于均匀分布协变量的线性模型的参数估计[D];兰州大学;2013年

，

本文编号：775792