کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8772639 1599137 2018 4 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Personalized dynamic risk assessment in nephrology is a next step in prognostic research
ترجمه فارسی عنوان
ارزیابی ریسک پویای شخصی در بیماری های نفرولوژی، مرحله بعدی در تحقیقات پیش آگهی است
کلمات کلیدی
پیش آگهی فردی بررسی طولی، شخصی ارزیابی ریسک پویا، طرح های تکراری اندازه گیری،
ترجمه چکیده
در درمان نفرولوژی، اندازه گیری های مکرر اغلب در دسترس است (میزان فیلتراسیون گلومرولی یا پروتئینوری) و مرتبط با نتایج نامطلوب است. با این حال، قبل از انجام چنین نتیجه گیری باید چندین ویژگی از این داده های طولی را در نظر گرفت. این ملاحظات مورد بحث قرار گرفته است و ما توصیف می کنیم که چگونه مدل سازی مشترک داده های بارگیری شده و زمان به رویداد ممکن است برای ارزیابی دینامیک بیماری و پیش آگهی فردی صورت گیرد. مدل سازی مشترک ترکیبی از مدل های اثر متقابل خطی و مدل رگرسیون کاکس برای ارتباط مسیرهای خاص بیمار با پیش آگهی آنها است. ما چندین جنبه از رابطه بین نشانگرهای متغیر زمان و مفاهیم مورد نظر را که با نمونه های واقعی برای نشان دادن جنبه های فوق داده های طولی ارائه شده است، مورد بررسی قرار می دهیم. بنابراین، مدل های مشترک ابزار آماری ارزشمند برای اهداف تحصیلی هستند، و همچنین ممکن است به ارائه دهندگان خدمات بهداشتی در تصمیم گیری های پویای پویایی آگاهانه کمک کنند.
موضوعات مرتبط
علوم پزشکی و سلامت پزشکی و دندانپزشکی بیماری‌های کلیوی
چکیده انگلیسی
In nephrology, repeated measures are frequently available (glomerular filtration rate or proteinuria) and linked to adverse outcomes. However, several features of these longitudinal data should be considered before making such inferences. These considerations are discussed, and we describe how joint modeling of repeatedly measured and time-to-event data may help to assess disease dynamics and to derive personalized prognosis. Joint modeling combines linear mixed-effects models and Cox regression model to relate patient-specific trajectory to their prognosis. We describe several aspects of the relationship between time-varying markers and the endpoint of interest that are assessed with real examples to illustrate the aforementioned aspects of the longitudinal data provided. Thus, joint models are valuable statistical tools for study purposes but also may help health care providers in making well-informed dynamic medical decisions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Kidney International - Volume 94, Issue 1, July 2018, Pages 214-217
نویسندگان
, , , , , ,