Ortak gizli sınıf ağaçları yönteminin çoklu boylamsal yanıt durumuna uyarlanması
Adaptation of joint latent class trees to multivariate longitudinal outcomes
- Tez No: 945323
- Danışmanlar: DOÇ. DR. İLKER ÜNAL
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Biyoistatistik, Bioistatistics
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Biyoistatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ortak gizli sınıf ağaçları (JLCT), sağkalım ve boylamsal verilerin ortak modellenmesinde zamana bağlı kovaryantları kullanarak klasik yöntemlerin varsayımlarını aşabilen etkili bir yaklaşımdır. Ancak JLCT'nin mevcut haliyle yalnızca tek bir boylamsal yanıtı modele alabilmesi önemli bir sınırlılıktır. Oysa birçok klinik çalışmada birden fazla biyobelirteç eşzamanlı izlenmekte ve analiz edilmek istenmektedir. Bu tez çalışmasında, söz konusu kısıtlılığı aşmak amacıyla JLCT üzerinde çeşitli düzenlemeler yapılmış ve yöntem çoklu boylamsal yanıt verilerini aynı anda işleyebilecek şekilde uyarlanarak genişletilmiştir. Bu yeni yöntem“çok değişkenli ortak gizli sınıf ağaçları (MJLCT)”olarak adlandırılmıştır. MJLCT sayesinde, birden fazla boylamsal değişkenin sağkalım verisiyle birlikte eşzamanlı modellenmesi mümkün hâle gelmiştir ve JLCT yaklaşımının sağlık alanındaki kullanım potansiyeli artırılmıştır. Yöntem, PAQUID veri setinde MMSE, BVRT ve IST biyobelirteçlerine uygulanarak tekli, ikili ve üçlü yanıt yapılarına göre IBS ve RMSE değerleriyle değerlendirilmiştir. Çoklu yanıt kombinasyonları, tekli modellere kıyasla daha düşük tahmin hataları üretmiş ve MJLCT'nin çoklu veri yapılarındaki başarısını ortaya koymuştur. Simülasyon çalışmalarında, örneklem büyüklüğü arttıkça model performansının iyileştiği; dağılım türleri arasında ise Weibull dağılımından gelen sağkalım yanıtı içeren senaryoların en düşük hatayı verdiği gözlenmiştir. Durdurma kriterlerinin genel performans üzerinde anlamlı etkisi bulunmamıştır. JLCT ile karşılaştırıldığında MJLCT'nin benzer ancak genelleme açısından daha üstün sonuçlar ürettiği görülmüştür. Bu tez çalışması ile MJLCT'nin JLCT'ye yalnızca yapısal esneklik sağlamakla kalmadığı, aynı zamanda genelleme kapasitesini artırarak daha güvenilir tahminler sunduğu ortaya konmuştur. Bu bağlamda, çoklu boylamsal veri içeren çalışmalarda MJLCT'nin tercih edilmesinin daha uygun olacağı sonucuna varılmıştır.
Özet (Çeviri)
Joint Latent Class Trees (JLCT) is a tree-based method that allows for the joint modeling of longitudinal and time-to-event data using time-varying covariates, thereby overcoming the limitations of traditional methods that require time invariant covariates. However, the original JLCT method can only accommodate a single longitudinal outcome, which is a significant limitation in many clinical studies where multiple longitudinal biomarkers are monitored simultaneously. To address this constraint, the JLCT framework has been extended in this thesis to support multiple longitudinal outcomes, resulting in a new method called Multivariate Joint Latent Class Trees (MJLCT). This approach enables the simultaneous modeling of multiple longitudinal variables along with survival data. The MJLCT method was applied to the PAQUID dataset, which includes MMSE, BVRT, and IST biomarkers, using single, dual, and triple response configurations. The results showed that multi-response models produced lower IBS and RMSE values than single-response models, confirming MJLCT's effectiveness in handling complex data structures. Simulation studies demonstrated that increasing sample size improves model performance, and scenarios with survival outcome generated from Weibull distribution yielded the lowest prediction errors. On the other hand, stopping criteria had no significant effect on performance measures. Comparisons with JLCT revealed that although both methods yielded similar results in many scenarios, MJLCT showed stronger generalization performance. Overall, this thesis has demonstrated that MJLCT not only provides structural flexibility over JLCT, but also enhances its generalization capacity, resulting in more reliable predictions. Therefore, it has been concluded that MJLCT is a more suitable modeling approach for studies involving multiple longitudinal outcomes.
Benzer Tezler
- Doğuştan kalça çıkıklı hastalarda kalça patolojilerinin bilgisayarlı tomografi ile değerlendirilmesi
Başlık çevirisi yok
NECDET ŞÜKRÜ ALTUN
Tıpta Uzmanlık
Türkçe
1987
Ortopedi ve TravmatolojiGazi ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF.DR. ORHAN ASLANOĞLU
- Adolesan intihar girişimlerinin psiko-sosyal nedenleriyle ilgili araştırma
Başlık çevirisi yok
NAZMİYE YÜKSEL
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- İsmayıl Hakkı Baltacıoğlu'nun kültür ve eğitim kavramı üzerine bir inceleme
An Examination of the concepts of culture and education of Ismayıl Hakkı Baltacıoğlu
ABDULLAH DİKİCİ
Doktora
Türkçe
1986
Eğitim ve ÖğretimUludağ ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DOÇ. DR. SUAT ANAR
- Manisa yöresinde domateste anlaşmalı tarım ve karşılaşılan sorunlar
Başlık çevirisi yok
OSMAN MURAT KOÇTÜRK
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ekonomisi Ana Bilim Dalı
PROF. DR. METİN TALİM