Extending Age-Specific Logistic Regression with Complex Event Times
This study is motivated by a project of the Childhood Cancer Survivor Study), aiming at predicting primary ovarian insufficiency (POI) risk among female survivors. The unconventional right censored age of POI leads to at risk subjects age-varying. We propose two extensions of the age-specific logistic regression presented in Im et al (2023) and analyze the POI study data by the proposed approaches. We examine the efficiency and robustness of the two approaches numerically and theoretically and verify the findings using the POI data. The survival random forest (SRF) is used to obtain the learning weight in the approaches. We conducted simulations to compare SRF with other conventional methods for obtaining weights used in the proposed approaches. The proposed approaches can upgrade the risk prediction in the existing Shiny app for predicting POI risk. This is joint work with X. Joan Hu, Yi Xiong, and Yan Yuan.
Extension de la régression logistique spécifique à l'âge avec des temps d'événements complexes
Cette étude est motivée par un projet de l'étude Childhood Cancer Survivor Study, visant à prédire le risque d'insuffisance ovarienne primaire (POI) chez les femmes survivantes. L'âge de survenu de l'insuffisance ovarienne primaire, censuré à droite de manière non conventionnelle, entraîne une variation de l'âge des sujets à risque. Nous proposons deux extensions de la régression logistique spécifique à l'âge présentée dans Im et al (2023) et analysons les données de l'étude sur le POI par les approches proposées. Nous examinons l'efficacité et la robustesse des deux approches numériquement et théoriquement et vérifions les résultats en utilisant les données de POI. Une forêt aléatoire de survie (SRF) est utilisée pour obtenir le poids d'apprentissage dans les approches. Nous avons effectué des simulations pour comparer la SRF avec d'autres méthodes conventionnelles pour obtenir les poids utilisés dans les approches proposées. Les approches proposées peuvent améliorer la prédiction du risque dans l'application Shiny existante pour prédire le risque de POI. Ce travail est réalisé en collaboration avec X. Joan Hu, Yi Xiong et Yan Yuan.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais