Dual Censoring Schemes for Marker and Failure Time Processes
In failure time studies, interest often lies in the relation between a failure time and the value of some time-varying covariate (or “marker”). For example, blood pressure measurements over time may be informative about one’s risk of heart failure or stroke. Jointly modelling such marker and failure processes is complicated when the censoring schemes for the two processes differ, as marker data are missing after the marker process censoring time prior to failure. Marker data may also be intermittently missing.
In this talk we investigate these issues using a motivating study of smoking behaviour (the marker process) and lung cancer onset (the failure process). We introduce a marginalized transition model to characterize smoking behaviour patterns and use this to construct time-varying covariates for the lung cancer process. We describe an EM algorithm for efficiently estimating model parameters and apply Louis’s method to compute standard errors. We conclude with areas for future work.
In this talk we investigate these issues using a motivating study of smoking behaviour (the marker process) and lung cancer onset (the failure process). We introduce a marginalized transition model to characterize smoking behaviour patterns and use this to construct time-varying covariates for the lung cancer process. We describe an EM algorithm for efficiently estimating model parameters and apply Louis’s method to compute standard errors. We conclude with areas for future work.
Schémas de censure doubles pour les processus de marquage et de temps de défaillance
Dans les études sur les temps de défaillance, l'intérêt réside souvent dans la relation entre un temps de défaillance et la valeur d'une covariable variable dans le temps (ou « marqueur »). Par exemple, les mesures de la tension artérielle au fil du temps peuvent fournir des informations sur le risque d'insuffisance cardiaque ou d'accident vasculaire cérébral. La modélisation conjointe de ces processus de marqueurs et de défaillance est compliquée lorsque les schémas de censure des deux processus diffèrent, car les données de marqueurs sont manquantes après le temps de censure du processus de marqueur précédant la défaillance. Les données de marqueurs peuvent également être manquantes par intermittence.
Dans cet exposé, nous examinons ces questions à l'aide d'une étude motivante sur le tabagisme (le processus marqueur) et l'apparition du cancer du poumon (le processus de défaillance). Nous introduisons un modèle de transition marginalisé pour caractériser les comportements tabagiques et nous l'utilisons pour construire des covariables variables dans le temps pour le processus de cancer du poumon. Nous décrivons un algorithme EM pour estimer efficacement les paramètres du modèle et appliquons la méthode de Louis pour calculer les erreurs standard. Nous concluons par des pistes de recherche pour l'avenir.
Dans cet exposé, nous examinons ces questions à l'aide d'une étude motivante sur le tabagisme (le processus marqueur) et l'apparition du cancer du poumon (le processus de défaillance). Nous introduisons un modèle de transition marginalisé pour caractériser les comportements tabagiques et nous l'utilisons pour construire des covariables variables dans le temps pour le processus de cancer du poumon. Nous décrivons un algorithme EM pour estimer efficacement les paramètres du modèle et appliquons la méthode de Louis pour calculer les erreurs standard. Nous concluons par des pistes de recherche pour l'avenir.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais