AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Διδακτορικές διατριβές / PhD Theses

Title :	Bayesian evidence synthesis for the analysis of biomedical data

Alternative Title :	Μπεϋζιανή σύνθεση πληροφορίας για την ανάλυση βιοϊατρικών δεδομένων

Creator :	Αψεμίδης, Αναστάσιος Apsemidis, Anastasios

Contributor :	Demiris, Nikolaos (Επιβλέπων καθηγητής) Vasdekis, Vassilis (Εξεταστής) Kalogeropoulos, Kostas (Εξεταστής) Ntzoufras, Ioannis (Εξεταστής) Karlis, Dimitrios (Εξεταστής) Kyriakidis, Epaminondas (Εξεταστής) Kypraios, Theodore (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Degree granting institution)

Contributor :

Demiris, Nikolaos (Επιβλέπων καθηγητής)
Vasdekis, Vassilis (Εξεταστής)
Kalogeropoulos, Kostas (Εξεταστής)
Ntzoufras, Ioannis (Εξεταστής)
Karlis, Dimitrios (Εξεταστής)
Kyriakidis, Epaminondas (Εξεταστής)
Kypraios, Theodore (Εξεταστής)
Athens University of Economics and Business, Department of Statistics (Degree granting institution)

Type :	Text

Extent :	242p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11478

Abstract :	Στην εποχή άνθησης της Στατιστικής και της Επιστήμης των Δεδομένων, η ανάλυση βιοϊατρικών δεδομένων κερδίζει συνεχώς την προσοχή ερευνητών και επαγγελματιών, οι οποίοι προσπαθούν να χρησιμοποιήσουν την πληθώρα πληροφορίας σε διαδικασίες λήψης αποφάσεων. Η Μπεϋζιανή μεθοδολογία, της οποίας η δημοτικότητα έχει επίσης αυξηθεί τις τελευταίες δεκαετίες λόγω της υπολογιστικής και στατιστικής προόδου σε μεθόδους προσομοίωσης Μόντε Κάρλο, παρέχει ένα συνεκτικό πλαίσιο σύνθεσης πληροφορίας από διαφορετικές πηγές. Έτσι, στοχεύουμε στη χρήση Μπεϋζιανών μοντέλων, για να εκτιμήσουμε σημαντικές ποσότητες στα πεδία τόσο των λοιμωδών όσο και των μη λοιμωδών ασθενειών. Όσον αφορά τις λοιμώδεις ασθένειες, ασχολούμαστε με την πανδημία Covid-19 και, συγκεκριμένα, κατασκευάζουμε στοχαστικά διαμερισματικά μοντέλα διακριτού χρόνου βασισμένα στο λανθάνον επίπεδο των καταγεγραμμένων και μη κρουσμάτων, ώστε να εκτιμήσουμε τo ρυθμό αναπαραγωγής και το ποσοστό των παρατηρούμενων κρουσμάτων. Επίσης, αντιμετωπίζουμε το πρόβλημα υπό το πρίσμα των δυναμικών συστημάτων με στόχο την ανάπτυξη διορατικότητας, αλλά και την κατασκευή ποσοτήτων κατάλληλων για υποστήριξη λήψης αποφάσεων. Στο πλαίσιο των μη λοιμωδών ασθενειών, προτείνουμε μεθόδους παρεκβολής της καμπύλης επιβίωσης, λαμβάνοντας υπόψη προβολές της θνησιμότητας, με στόχο να εκτιμήσουμε τα χρόνια ζωής που κερδίζονται, όταν εφαρμόζεται μία θεραπεία αντί κάποιας άλλης. Η μεθοδολογία παρουσιάζεται μέσα από τρία παραδείγματα που απασχολούν την ιατρική κοινότητα και αφορούν τον καρκίνο του μαστού, το μεταστατικό μελάνωμα και την καρδιακή αρρυθμία. In the era of Statistics and Data Science, the analysis of biomedical data has received increasing attention by researchers and practitioners who seek to harness the plethora of information for decision making processes. The Bayesian methodology which has also gained great popularity in the last few decades, due to computational and statistical advances in Monte Carlo simulation methods, provides a coherent framework for synthesizing evidence from multiple sources. To this end, we aim at utilizing Bayesian models for estimating critical quantities in the fields of communicable and non-communicable disease analysis. Regarding the former, we are concerned with the Covid-19 pandemic and, specifically we build discrete-time stochastic compartmental models based on the latent level of both registered and unregistered cases to infer the reproduction number and the proportion of cases observed. Further, we face the problem through the lens of dynamical systems to gain insight, but also construct quantities suitable for decision support. In the non-communicable diseases context, we propose different extrapolation methods of the survival curve taking into account projections of mortality with the aim of estimating the life years gained when a treatment is selected in place of another. The methodology is demonstrated on three studies the medical community is concerned of, regarding breast cancer, advanced melanoma and cardiac arrhythmia.

Abstract :

Στην εποχή άνθησης της Στατιστικής και της Επιστήμης των Δεδομένων, η ανάλυση βιοϊατρικών δεδομένων κερδίζει συνεχώς την προσοχή ερευνητών και επαγγελματιών, οι οποίοι προσπαθούν να χρησιμοποιήσουν την πληθώρα πληροφορίας σε διαδικασίες λήψης αποφάσεων. Η Μπεϋζιανή μεθοδολογία, της οποίας η δημοτικότητα έχει επίσης αυξηθεί τις τελευταίες δεκαετίες λόγω της υπολογιστικής και στατιστικής προόδου σε μεθόδους προσομοίωσης Μόντε Κάρλο, παρέχει ένα συνεκτικό πλαίσιο σύνθεσης πληροφορίας από διαφορετικές πηγές. Έτσι, στοχεύουμε στη χρήση Μπεϋζιανών μοντέλων, για να εκτιμήσουμε σημαντικές ποσότητες στα πεδία τόσο των λοιμωδών όσο και των μη λοιμωδών ασθενειών. Όσον αφορά τις λοιμώδεις ασθένειες, ασχολούμαστε με την πανδημία Covid-19 και, συγκεκριμένα, κατασκευάζουμε στοχαστικά διαμερισματικά μοντέλα διακριτού χρόνου βασισμένα στο λανθάνον επίπεδο των καταγεγραμμένων και μη κρουσμάτων, ώστε να εκτιμήσουμε τo ρυθμό αναπαραγωγής και το ποσοστό των παρατηρούμενων κρουσμάτων. Επίσης, αντιμετωπίζουμε το πρόβλημα υπό το πρίσμα των δυναμικών συστημάτων με στόχο την ανάπτυξη διορατικότητας, αλλά και την κατασκευή ποσοτήτων κατάλληλων για υποστήριξη λήψης αποφάσεων. Στο πλαίσιο των μη λοιμωδών ασθενειών, προτείνουμε μεθόδους παρεκβολής της καμπύλης επιβίωσης, λαμβάνοντας υπόψη προβολές της θνησιμότητας, με στόχο να εκτιμήσουμε τα χρόνια ζωής που κερδίζονται, όταν εφαρμόζεται μία θεραπεία αντί κάποιας άλλης. Η μεθοδολογία παρουσιάζεται μέσα από τρία παραδείγματα που απασχολούν την ιατρική κοινότητα και αφορούν τον καρκίνο του μαστού, το μεταστατικό μελάνωμα και την καρδιακή αρρυθμία.
In the era of Statistics and Data Science, the analysis of biomedical data has received increasing attention by researchers and practitioners who seek to harness the plethora of information for decision making processes. The Bayesian methodology which has also gained great popularity in the last few decades, due to computational and statistical advances in Monte Carlo simulation methods, provides a coherent framework for synthesizing evidence from multiple sources. To this end, we aim at utilizing Bayesian models for estimating critical quantities in the fields of communicable and non-communicable disease analysis. Regarding the former, we are concerned with the Covid-19 pandemic and, specifically we build discrete-time stochastic compartmental models based on the latent level of both registered and unregistered cases to infer the reproduction number and the proportion of cases observed. Further, we face the problem through the lens of dynamical systems to gain insight, but also construct quantities suitable for decision support. In the non-communicable diseases context, we propose different extrapolation methods of the survival curve taking into account projections of mortality with the aim of estimating the life years gained when a treatment is selected in place of another. The methodology is demonstrated on three studies the medical community is concerned of, regarding breast cancer, advanced melanoma and cardiac arrhythmia.

Subject :	Μπεύζιανή ανάλυση Ανάλυση επιβίωσης Παρεκβολή Επιδημικά μοντέλα Κορονοϊός Bayesian analysis Survival analysis Extrapolation Epidemic models Covid-19

Date Available :	2024-06-28 19:23:33

Date Issued :	31-05-2024

Date Submitted :	2024-06-28 19:23:33

Access Rights :	Free access

Licence :

File: Apsemidis_2024.pdf

Type: application/pdf

Login