Trefwoorden: latente klasse groei analyse, verborgen heterogeniteit, statistische modelering voor precisie-geneeskunde, statistische classificatie

"Hidden Depths: Robustness of modelling approaches for uncovering latent classes in longitudinal data"

Dit proefschrift onderzocht de prestaties van een klasse statistische modellen, bekend als eindige mengmodellen, bij het blootleggen van verborgen klassen van proefpersonen die verschillende ontwikkelingspatronen in de tijd volgen. Dergelijke modellen zijn zeer nuttig wanneer een groeperingsvariabele ofwel onbekend is (zoals een echte ziektediagnose op basis van klinische metingen) ofwel duur is om te meten (een zeldzame genetische marker op basis van een waarneembare eigenschap). Door potentiële gegevensvoorwaarden en statistische modelspecificaties te bestuderen die de nauwkeurigheid van het blootleggen van deze verborgen groepen zouden kunnen beïnvloeden, streefde dit proefschrift ernaar de toepasbaarheid van dergelijke modellen in toegepast onderzoek en precisiegeneeskunde te vergroten. Dit is belangrijk omdat de juiste identificatie van verborgen klassen van temporele ontwikkeling behandelaars zou kunnen helpen bij de vroegtijdige diagnose van ziekte en/of op het individu toegesneden behandelingen. Daartoe worden praktische richtlijnen voor mensen in de praktijk ontwikkeld om deze modellen op de juiste wijze in hun onderzoek in te zetten.

Klik hier voor de live stream.

Voertaal: Engels