Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi
Yıl: 2018 Cilt: 10 Sayı: 1 Sayfa Aralığı: 52 - 64 Metin Dili: Türkçe DOI: 10.5336/biostatic.2017-58577 İndeks Tarihi: 21-10-2019
Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi
Öz: Amaç: C-Reaktif Protein (CRP), erişkin yoğun bakımda yatan hastalardan tekrarlı ölçümlerisıklıkla alınan bir belirteçtir. Bu çalışmada söz konusu belirtecin tekrarlı ölçümlerinin, izlemsüresi olarak belirlenen 30 günlük süre sonunda yoğun bakımda ölüm olgusunu kestirmedekitanısal performansını etkileyen faktörlerin incelenmesi amaçlanmıştır. Gereç ve Yöntemler:Hacettepe Üniversitesi Erişkin Yoğun Bakım Ünitesi’nde yatan hastalara ait tekrarlı CRPölçümleri ile sağkalım sürelerinin eş zamanlı olarak modellenebilmesi için birleşik modellemeyaklaşımı kullanılmıştır. Bu yaklaşımdan yararlanılarak, belirteçlerin tanısal performanslarınınbelirlenebilmesi için zamana bağlı ROC Eğrisi altında kalan alan (zb-EAA) değerlendirilmiştir.Bulgular: Tekrarlı CRP ölçümlerinin izlem süresi sonunda yoğun bakımda ölümü kestirmedekitanısal performansı orta düzeyde bulunmuştur. Bununla birlikte, sağkalım zamanına ait dağılımtürünün ya da uzunlamasına veri bölümünde rassal etkiler kısmının daha detaylı olarak modellenmesinintekrarlı CRP ölçümlerinin tanısal performansına etki etmediği saptanmış, en yüksekperformansın standart birleşik model ile elde edildiği belirlenmiştir. Sonuç: Analiz sonuçlarınagöre, optimum tanısal doğruluğun elde edilebilmesi için, standart birleşik modelin kullanılmasıönerilmekle birlikte, söz konusu modelin uzunlamasına bölümünde rassal eğim ve rassal kesimnoktası modelinin; modelin sağkalım kısmında ise, parametrik bir dağılım olmasından dolayıPiecewise-Constant dağılımının kullanılması önerilmektedir.
Anahtar Kelime: Konular:
Investigating Factors Affecting Diagnostic Performance of Serial C-Reactive Protein Measurements by Using Joint Modeling Approach
Öz: Objective: Serial C-Reactive Protein (CRP) measurements are frequently taken in Adult Intensive Care Units. In this study it’s aimed to evaluate the factors affecting diagnostic accuracy of this biomarker’s serial measurements in predicting the risk of death at Intensive Care Units (ICU) at the end of follow-up period, 30 days. Material and Methods: Joint Modelling Approach is used to model repeated CRP measurements taken from Hacettepe University Adult Intensive Care Units and survival times simultaneously. With the help of this model, time-dependent Area Under ROC Curve (td-AUC) values are calculated and assessed as diagnostic performance criteria. Results: Diagnostic performance of serial CRP values in predicting the risk of death is found as moderate. However, it’s found that neither the distribution of survival times in survival sub-model nor utilizing more detailed function in random-effects part of longitudinal sub-model affect the diagnostic performance. Also it’s determined that the highest diagnostic performance is obtained with standart standard joint model. Conclusion: To reach the highest diagnostic accuracy, standard joint model with Piecewise Constant Distribution in survival sub-model and random intercepts - random slope structure in longitudinal sub-model should be used.
Anahtar Kelime: Konular:
Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- 1. Rizopoulos D, Takkenberg JJ. Tools & techniques--statistics: dealing with time-varying covariates in survival analysis--joint models versus Cox models. EuroIntervention 2014;10(2):285-8.
- 2. Tsiatis AA, Davidian M. Joint modeling of longitudinal and time-to-event data: an overview. Stat Sin 2004;14(3):809-34.
- 3. Ibrahim JG, Chu H, Chen LM. Basic concepts and methods for joint models of longitudinal and survival data. J Clin Oncol 2010;28(16):2796-801.
- 4. Hickey GL, Philipson P, Jorgensen A, Kolamunnage-Dona R. Joint modelling of time-to-event and multivariate longitudinal outcomes: recent developments and issues. BMC Med Res Methodol 2016;16(1):117.
- 5. Asar Ö, Ritchie J, Kalra PA, Diggle PJ. Joint modelling of repeated measurement and time-to-event data: an introductory tutorial. Int J Epidemiol 2015;44(1):334-44.
- 6. Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett 2006;27(8):861-74.
- 7. Heagerty PJ, Lumley T, Pepe MS. Time-dependent ROC curves for censored survival data and a diagnostic marker. Biometrics 2000;56(2):337-44.
- 8. Rizopoulos D. Dynamic predictions and prospective accuracy in joint models for longitudinal and time-to-event data. Biometrics 2011;67(3):819-29.
- 9. Daher Abdi Z, Essig M, Rizopoulos D, Le Meur Y, Prémaud A, Woillard JB, et al. Impact of longitudinal exposure to mycophenolic acid on acute rejection in renal-transplant recipients using a joint modeling approach. Pharmacol Res 2013;72:52-60.
- 10. Andrinopoulou ER, Rizopoulos D, Geleijnse ML, Lesaffre E, Bogers AJ, Takkenberg JJ. Dynamic prediction of outcome for patients with severe aortic stenosis: application of joint models for longitudinal and time-to-event data. BMC Cardiovasc Disord 2015;15(1):15-28.
- 11. Blanche P, Proust-Lima C, Loubère L, Berr C, Dartigues JF, Jacqmin-Gadda H. Quantifying and comparing dynamic predictive accuracy of joint models for longitudinal marker and time-to-event in presence of censoring and competing risks. Biometrics 2015;71(1):102-13.
- 12. Yang L, Yu M, Gao S. Prediction of coronary artery disease risk based on multiple longitudinal biomarkers. Stat Med 2016;35(8):1299-314.
- 13. Njagi EN, Rizopoulos D, Molenberghs G, Dendale P, Willekens K. A joint survival-longitudinal modelling approach for the dynamic prediction of rehospitalization in telemonitored chronic heart failure patients. Stat Model 2013;13(3):179-98.
- 14. Kolb-Bachofen V. A review on the biological properties of C-reactive protein. Immunobiology 1991;183(1-2):133-45.
- 15. Pepys MB. C-reactive protein fifty years on. Lancet 1981;317(8221):653-7.
- 16. Gewurz H, Mold C, Siegel J, Fiedel B. C-reactive protein and the acute phase response. Adv Intern Med 1982;27:345-72.
- 17. Young B, Gleeson M, Cripps AW. C-reactive protein: a critical review. Pathology 1991;23(2):118-24.
- 18. Ballou SP, Kushner I. C-reactive protein and the acute phase response. Adv Intern Med 1992;37:313-36.
- 19. Schluchter MD. Methods for the analysis of informatively censored longitudinal data. Stat Med 1992;11(14-15):1861-70.
- 20. Fisher LD, Lin DY. Time-dependent covariates in the Cox proportional-hazards regression model. Annu Rev Public Health 1999;20:145-57.
- 21. Vacek P. Assessing the effect of intensity when exposure varies over time. Stat Med 1997;16(5):505-13.
- 22. Wolkewitz M, Allignol A, Schumacher M, Beyersmann J. Two pitfalls in survival analyses of time-dependent exposure: a case study in cohort of Oscar nominees. Am Stat 2010;64(3):205-11.
- 23. Rizopoulos D. JM: an R package for the joint modelling of longitudinal and time-to-event data. J Stat Softw 2010;35(9):1-33.
- 24. Rizopoulos D. Cumulative effects parameterization. Joint Models for Longitudinal and Time-to-Event Data: with Applications in R. 1st ed. Boca Raton, FL: CRC Press; 2012. p.106.
- 25. Hauptmann M, Wellmann J, Lubin JH, Rosenberg PS, Kreienbrock L. Analysis of exposure-time-response relationships using a spline weight function. Biometrics 2000;56(4):1105-8.
- 26. Sylvestre MP, Abrahamowicz M. Flexible modeling of the cumulative effects of time-dependent exposures on the hazard. Stat Med 2009;28(27):3437-53.
- 27. Hayat EA, Suner A, Uyar B, Dursun Ö, Orman MN, Kitapçıoğlu G. Comparison of five survival models: breast cancer registry data from Ege University Cancer Research Center. Turkiye Klinikleri J Med Sci 2010;30(5):1665-74.
- 28. Akram M, Aman Ullah M, Taj R. Survival analysis of cancer patients using parametric and non-parametric approaches. Pakistan Vet J 2007;27(4):194-8.
- 29. Zheng Y, Heagerty PJ. Prospective accuracy for longitudinal markers. Biometrics 2007;63(2):332-41.
- 30. Zheng Y, Heagerty PJ. Semiparametric estimation of time-dependent ROC curves for longitudinal marker data. Biostatistics 2004;5(4):615-32.
- 31. Canty A, Ripley B. boot: Bootstrap R (S-Plus) Functions. R Package Version 1.3-20. 2017.
- 32. Davison AC, Hinkley DV. Confidence intervals. Bootstrap Methods and Their Application. 1st ed. Cambridge: Cambridge University Press; 1997. p.582.
- 33. Broström G. eha: Event History Analysis. R Package Version 2.5.1. 2017. https://CRAN.R-project.org/package=eha
- 34. Katki HA, Cheung LC, Fetterman B, Castle PE, Sundaram R. A joint model of persistent human papilloma virus infection and cervical cancer risk: implications for cervical cancer screening. J R Stat Soc Ser A Stat Soc 2015;178(4):903-23.
- 35. Huang Y, Yan C, Xing D, Zhang N, Chen H. Jointly modeling event time and skewed-longitudinal data with missing response and mismeasured covariate for AIDS studies. J Biopharm Stat 2015;25(4):670-94.
- 36. Lim HJ, Mondal P, Skinner S. Joint modeling of longitudinal and event time data: application to HIV study. J Med Stat Inform 2013;1(1):1.
- 37. Piccorelli AV, Schluchter MD. Jointly modeling the relationship between longitudinal and survival data subject to left truncation with applications to cystic fibrosis. Stat Med 2012;31(29):3931-45.
- 38. Andrinopoulou ER, Rizopoulos D, Jin R, Bogers AJ, Lesaffre E, Takkenberg JJ. An introduction to mixed models and joint modeling: analysis of valve function over time. Ann Thorac Surg 2012;93(6):1765-72.
- 39. Ivanova A, Molenberghs G, Verbeke G. Mixed models approaches for joint modeling of different types of responses. J Biopharm Stat 2016;26(4):601-18.
- 40. Ferrer L, Rondeau V, Dignam J, Pickles T, Jacqmin-Gadda H, Proust-Lima C. Joint modelling of longitudinal and multi-state processes: application to clinical progressions in prostate cancer. Stat Med 2016;35(22):3933-48.
- 41. Deslandes E, Chevret S. Joint modeling of multivariate longitudinal data and the dropout process in a competing risk setting: application to ICU data. BMC Med Res Methodol 2010;10(1):69.
- 42. Khoundabi B, Kazemnejad A, Mansourian M, Hashemian SM, Kazempoor Dizaji M. Acute kidney injury risk factors for ICU patients following cardiac surgery: the application of joint modeling. Trauma Mon 2016;21(4):e23749.
- 43. Póvoa P, Coelho L, Almeida E, Fernandes A, Mealha R, Moreira P, et al. Early identification of intensive care unit-acquired infections with daily monitoring of C-reactive protein: a prospective observational study. Crit Care 2006;10(2):R63.
- 44. Kostić Z, Panišić M, Milev B, Mijušković Z, Slavković D, Ignjatović M. Diagnostic value of serial measurement of C-reactive protein in serum and matrix metalloproteinase-9 in drainage fluid in the detection of infectious complications and anastomotic leakage in patients with colorectal resection. Vojnosanit Pregl 2015;72(10):889-98.
- 45. Wang F, Pan W, Pan S, Wang S, Ge Q, Ge J. Usefulness of N-terminal pro-brain natriuretic peptide and C-reactive protein to predict ICU mortality in unselected medical ICU patients: a prospective, observational study. Crit Care 2011;15(1):R42.
- 46. Rizopoulos D, Molenberghs G, Lesaffre EMEH. Dynamic predictions with time-dependent covariates in survival analysis using joint modeling and landmarking. Biom J 2017;59(6):1261-76.
| APA | Konar N, Karaismailoglu E, PORTAKAL AKÇİN O, PINAR A, Dikmen Z, KARAAĞAOĞLU A (2018). Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. , 52 - 64. 10.5336/biostatic.2017-58577 |
| Chicago | Konar Naime Meric,Karaismailoglu Eda,PORTAKAL AKÇİN OYTUN,PINAR Aslı,Dikmen Zeliha Gunnur,KARAAĞAOĞLU Ahmet Ergun Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. (2018): 52 - 64. 10.5336/biostatic.2017-58577 |
| MLA | Konar Naime Meric,Karaismailoglu Eda,PORTAKAL AKÇİN OYTUN,PINAR Aslı,Dikmen Zeliha Gunnur,KARAAĞAOĞLU Ahmet Ergun Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. , 2018, ss.52 - 64. 10.5336/biostatic.2017-58577 |
| AMA | Konar N,Karaismailoglu E,PORTAKAL AKÇİN O,PINAR A,Dikmen Z,KARAAĞAOĞLU A Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. . 2018; 52 - 64. 10.5336/biostatic.2017-58577 |
| Vancouver | Konar N,Karaismailoglu E,PORTAKAL AKÇİN O,PINAR A,Dikmen Z,KARAAĞAOĞLU A Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. . 2018; 52 - 64. 10.5336/biostatic.2017-58577 |
| IEEE | Konar N,Karaismailoglu E,PORTAKAL AKÇİN O,PINAR A,Dikmen Z,KARAAĞAOĞLU A "Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi." , ss.52 - 64, 2018. 10.5336/biostatic.2017-58577 |
| ISNAD | Konar, Naime Meric vd. "Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi". (2018), 52-64. https://doi.org/10.5336/biostatic.2017-58577 |
| APA | Konar N, Karaismailoglu E, PORTAKAL AKÇİN O, PINAR A, Dikmen Z, KARAAĞAOĞLU A (2018). Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. Türkiye Klinikleri Biyoistatistik Dergisi, 10(1), 52 - 64. 10.5336/biostatic.2017-58577 |
| Chicago | Konar Naime Meric,Karaismailoglu Eda,PORTAKAL AKÇİN OYTUN,PINAR Aslı,Dikmen Zeliha Gunnur,KARAAĞAOĞLU Ahmet Ergun Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. Türkiye Klinikleri Biyoistatistik Dergisi 10, no.1 (2018): 52 - 64. 10.5336/biostatic.2017-58577 |
| MLA | Konar Naime Meric,Karaismailoglu Eda,PORTAKAL AKÇİN OYTUN,PINAR Aslı,Dikmen Zeliha Gunnur,KARAAĞAOĞLU Ahmet Ergun Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. Türkiye Klinikleri Biyoistatistik Dergisi, vol.10, no.1, 2018, ss.52 - 64. 10.5336/biostatic.2017-58577 |
| AMA | Konar N,Karaismailoglu E,PORTAKAL AKÇİN O,PINAR A,Dikmen Z,KARAAĞAOĞLU A Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. Türkiye Klinikleri Biyoistatistik Dergisi. 2018; 10(1): 52 - 64. 10.5336/biostatic.2017-58577 |
| Vancouver | Konar N,Karaismailoglu E,PORTAKAL AKÇİN O,PINAR A,Dikmen Z,KARAAĞAOĞLU A Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi. Türkiye Klinikleri Biyoistatistik Dergisi. 2018; 10(1): 52 - 64. 10.5336/biostatic.2017-58577 |
| IEEE | Konar N,Karaismailoglu E,PORTAKAL AKÇİN O,PINAR A,Dikmen Z,KARAAĞAOĞLU A "Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi." Türkiye Klinikleri Biyoistatistik Dergisi, 10, ss.52 - 64, 2018. 10.5336/biostatic.2017-58577 |
| ISNAD | Konar, Naime Meric vd. "Birleşik Modelleme Yaklaşımı ile Tekrarlı C-Reaktif Protein Ölçümlerinin Tanısal Performansını Etkileyen Faktörlerin İncelenmesi". Türkiye Klinikleri Biyoistatistik Dergisi 10/1 (2018), 52-64. https://doi.org/10.5336/biostatic.2017-58577 |
