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: Belirtilmemiş.
- 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: 121
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
- Çağdaş Suriye nesrinde siyasî hapishane edebiyatı üzerine eleştirel bir bakış
The literature of political prisons in contemporary Syrian prose analytical prepective
ABDOLGADER MOHAMED ALİ
Yüksek Lisans
Arapça
2014
Doğu Dilleri ve EdebiyatıSelçuk ÜniversitesiDoğu Dilleri ve Edebiyatları Ana Bilim Dalı
YRD. DOÇ. FİKRET ARSLAN
- Impact assessment & prediction of tweets and topics
Tweetlerin ve konuların etkisinin değerlendirilmesi ve önceden tahmin edilmesi
İNANÇ ARIN
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. YÜCEL SAYGIN
PROF. DR. NİHAT KASAP
- New perspectives for introducing and developing reading skil is in E. L. T. for the lise I students at state high schools
Başlık çevirisi yok
SEVİNÇ TÜTÜNCÜ
- Dinamik sistemler için gerçek zamanda yapay sinir ağları ile kontrolör tasarımı
Neural network assisted real-time controller design for dynamic systems
MUSTAFA ALBAYRAK
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik MühendisliğiHava Harp Okulu KomutanlığıElektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AYDEMİR ARISOY
- Veri madenciliği yöntemleriyle hayvan hastalıklarında teşhis, prognoz ve risk faktörlerinin belirlenmesi
Determination of diagnosis, prognosis and risk factors in animal diseases using by data mining methods
PINAR CİHAN
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OYA KALIPSIZ
DOÇ. DR. ERHAN GÖKÇE