Dissertação
Modelling cancer progression through joint models for longitudinal and time-to-event data EVALUATED
Variáveis dependentes e independentes do tempo contêm informação importante para o diagnóstico dos pacientes. Diferentes métodos são utilizados para a análise de cada tipo de variável. Para variáveis dependentes do tempo são utilizadas as Equações de Estimação Generalizadas e os Modelos Lineares Mistos. Enquanto que para as variáveis independentes do tempo são utilizados modelos \textit{standard} de análise de sobrevivência, como o modelo de Cox. Isto gera análises distintas para o mesmo estudo clínico. Criando barreiras na utilização destes modelos na predição e em medicina personalizada. Nesta tese, são mostrados dois métodos, o modelo Extended Cox e o modelo Joint que conseguem lidar com ambos os tipos de variáveis em simultâneo. Estes modelos foram aplicados a uma base de dados médica de doentes com cancro e metástases ósseas com um elevado numero de medições desconhecidas. Na literatura, Fuzzy Clustering foi aplicado a esta base de dados para analisar as variáveis dependentes do tempo. Nesta tese utilizou-se Fuzzy Clustering para imputar as medições desconhecidas. Tendo com isto obtido um modelo com capacidade preditiva, algo que não existia em análises prévias. Os resultados obtidos comprovam que um único modelo pode ser utilizado para a análise destes vários tipos de variáveis. Visto que foram obtidos resultados que estão concordantes com a literatura médica. A utilização destes métodos cria um único modelo, capaz de analisar todos os dados dos estudos clínicos. Consequentemente, a utilização destes modelos simplifica a interpretação dos resultados e permite predição e medicina personalizada a um menor custo.
dezembro 4, 2017, 9:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Susana de Almeida Mendes Vinga Martins
INESC-ID/Faculdade de Ciências Médicas - UNL
Especialista
ORIENTADOR
Alexandra Sofia Martins de Carvalho
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar