FenixEdu™

Dissertação

{en_GB=Modelling cancer progression through joint models for longitudinal and time-to-event data} {} EVALUATED

Detalhes: {pt=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., en=Time-dependent and independent variables hold information on the prognosis of the patients. Distinct methods are used in the analysis of time-dependent and independent variables. For time-dependent variables, the Generalized Estimating Equations and the Linear Mixed Effect models are used. While for time-independent variables, standard survival analysis models are used, like the cox model. This generates distinct analyses of the same clinical study. Creating barriers to the use of these models in prediction and personalised medicine. Here we show two methods, the Extended Cox and Joint models that can deal with both types of variables at once. These models were applied to a clinical dataset of cancer patients with bone metastasis and a high number of missing values. In literature, Fuzzy Clustering has been applied to this dataset to analyse the time-dependent variables. We use the same Fuzzy Clustering technique and other methods to impute the missing values. In doing so, we obtain a model with prediction capabilities that was missing from previous analyses. Our results demonstrate that a single method can be used to analyse clinical data. Since we have obtained results that are on par with medical literature on this clinical study. Using these methods creates a single model. Which can analyse all the patient data from a clinical study. Consequently, it simplifies the interpretation of results and allows prediction and personalised medicine at a lower cost.}
Keywords: {pt=Análise de Sobrevivência, Análise Longitudinal, Modelos Joint, Fuzzy Clustering, Cancro, Metástases ósseas., en=Survival Analysis, Longitudinal Analysis, Joint Models, Fuzzy Clustering, Cancer studies, Bone Metastasis.}

Discussão: dezembro 4, 2017, 9:30