Bayesian competing risks analysis of HIV data with missing event types

Abstract

Ο ιός HIV είναι ένας ευρέως μεταδιδόμενος ιός ειδικά στην Αφρική. Ευρέως γνωστός ως η μεγαλύτερη πανδημία στις μέρες μας, από το 1981, είναι υπεύθυνη για το θάνατο για περισσότερους από 40 εκατομμύρια ανθρώπους. Είναι κρίσιμο να εντοπιστούν οι περισσότεροι παράγοντες που επηρεάζουν τη μετάδοση καθώς και το ποσοστό θνησιμότητας και οι ομάδες των ατόμων που είναι πιο ευάλωτα στο να χάσουν τη ζωή τους. Επίσης, είναι πολύ σημαντικό να προσδιοριστεί, παρουσία πολλαπλών πιθανών αποτελεσμάτων ενδιαφέροντος, το αποτέλεσμα που θα εκφραστεί στους ασθενείς προκειμένου να εφαρμοστούν οι κατάλληλες ενέργειες. Τα ακριβή αποτελέσματα θα βοηθήσουν την κοινότητα της υγείας να ενεργήσει εξαιρετικά αποτελεσματικά και να εξοικονομήσει χρήματα και να σώσει όσο το δυνατόν περισσότερες ζωές. Σε αυτή τη διατριβή θα γίνει ο ορισμός της ανάλυσης επιβίωσης και των ανταγωνιστικών κινδύνων, μαζί με μεθόδους εκτίμησης πιθανών ελλειπόντων αποτελεσμάτων και θα δοθεί σύντομη ανάλυση του συνόλου δεδομένων. Είναι πολύ σημαντικό να το αναφέρουμε πως υπάρχουν δύο πιθανά αποτελέσματα ενδιαφέροντος για αυτό το συγκεκριμένο σύνολο δεδομένων, απώλεια ζωής και το να φύγει κάποιος από τη περίθαλψη. Θα αναλυθούν τόσο κλασσικά όσο και μπεϋζιανά μοντέλα και διαφορετικές προσεγγίσεις για την εκτίμηση του αποτελέσματος για ασθενείς που έχουν ταξινομηθεί λανθασμένα ως άτομα που φεύγουν κατά τη διάρκεια της θεραπείας.

HIV virus is a widely transmitted virus especially in Africa. Widely known as the longest pandemic nowadays, from 1981, it is responsible for the death of over 40 million people. It is crucial, for the health community, to identify the most influential factors of transmission as well as the mortality rate and the groups of individuals that are more vulnerable to lose their lives. Also, it is very important to identify, in the presence of multiple possible outcomes of interest, the outcome that will be expressed in the patients in order suitable actions to be implemented. Precise results will assist the health community to act highly effective and save as more lives as possible. In this thesis, the definition of survival analysis and competing risks will be introduced, along with methods to estimate possible missing outcomes and a brief analysis of the dataset will be given. It is very important to be mentioned that there are two possible outcomes of interest in this particular dataset, loss of life and disengagement from care. Furthermore, different models will be fitted in both frequentist and Bayesian frameworks and different approaches will be given for the estimation of the outcome of interest for patients that have been wrongly classified as disengagements.