Exploration of Extended Models for Overdispersed, Repeated Time-to-Event Data

Onderzoek naar nieuwe modelleringstechnieken om overlevingstijden bij patienten betrouwbaarder te schatten is een must, maar waarom?

In statistiek komt het vaak voor dat uitkomsten een niet-normaal verdeeld patroon vertonen. Het analyseren van deze types wordt traditioneel gedaan met verdelingen uit de zo-genaamde exponentiële familie, waarbij de Poisson voor aantallen en de Bernoulli verdeling voor binaire data de meest gekende zijn. Door de aanwezigheid van complexere structuren in klinische studies (bv. bij het onderzoeken of een nieuw medicijn al dan niet effect heeft) kan het voorkomen dat een slechte schatting wordt gevormd met deze modellen. De nood aan uitbreidingen is daarom voorhanden. Twee redenen die een belangrijke rol spelen bij deze conclusie zijn (1) de aanwezig van overdispersie, betekende dat de variabiliteit in de data niet adequaat wordt beschreven door de statistische modellen, en (2) de mogelijke hiërarchische structuren in de data, afkomstig door clusteringen in de data, welke op hun beurt, resulteert uit herhaalde metingen van de uitkomst. In klinische studies, bijvoorbeeld, komt het vaak voor dat patïenten worden gemeten over tijd (bv. de hartslag).

In het verleden is veel onderzoek verricht naar het vinden van gepaste, uitgebreidere modelleringstechnieken die beide aspecten in rekening brengen. Terwijl deze twee aspecten vaak afzonderlijk werden behandeld (Hinde en Demétrio, 1998ab; Verbeke et al, 2000; Molenberghs et al, 2005), ontwikkelde Molenberghs et al (2010) een elegant raamwerk dat de mogelijkheid biedt om beide aspecten gelijktijdig in rekening te brengen d.m.v. twee afzonderlijke verzamelingen van random effecten, en zelfs apart te behandelen. Deze twee random-effecten brengen overdispersie en hiërarchische structuren in rekening, welke voor een meer accurater precisie zorgt, en dus resulteert in betrouwbaardere conclusies. Terwijl vroeger de kans groter was dat farmaceutische bedrijven een goed medicijn verwierp, zorgt dit raamwerk voor een reductie van deze foute conclusies. 

In deze thesis wordt specifieke focus gelegd op overlevingstijden (bv. wanneer een patient een astma aanval krijgt). Door de flexibele structuur van het raamwerk zijn vele uitbreidingen mogelijk voor onderzoek. Naast univariate analyses, waarbij slechts 1 uitkomst (bv. de astma aanvallen van een patient) wordt gemodelleerd, kunnen gezamenlijke analyses plaatsvinden, waarbij verschillende types van uitkomsten tegelijkertijd worden gemodelleerd. In een cardiologische studie, bijvoorbeeld, waarin onderzoekers gebruik maken van telemonitoring (een techniek waarmee patïenten vanop afstand worden gevolgd) om bloeddruk te meten op dagelijkse basis, worden vaak gecombineerd met additionele gegevens zoals hartslag en gewicht, naast tijd tot heropname. 

Naast de theoretische discussie, sluit dit werk af met een uitgebreide analyse van de astma dataset (Duchateau en Janssen, 2008). Dus laat je verleiden in de statistische wereld van farmacie, en overtuig jezelf ervan dat verder onderzoek noodzakelijk is in het verrijken en concluderen van correctere resultaten binnen de academische en professionele wereld!