Personalized dynamic risk assessment in nephrology is a next step in prognostic research

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.