Dynamická predikcia v analýze prežitia
| Název práce v jazyce práce (slovenština): | Dynamická predikcia v analýze prežitia |
|---|---|
| Název práce v češtině: | Dynamická predikce v analýze přežití |
| Název v anglickém jazyce: | Dynamic prediction in survival analysis |
| Klíčová slova: | dynamická predikcia|pravdepodobnosť prežitia|združený model|Coxov model|lineárny zmiešaný model|bayesovské metódy |
| Klíčová slova anglicky: | dynamic prediction|survival probability|joint model|Cox model|linear mixed effects model|Bayesian methods |
| Akademický rok vypsání: | 2022/2023 |
| Typ práce: | diplomová práce |
| Jazyk práce: | slovenština |
| Ústav: | Katedra pravděpodobnosti a matematické statistiky (32-KPMS) |
| Vedoucí / školitel: | doc. RNDr. Arnošt Komárek, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 07.10.2022 |
| Datum zadání: | 07.10.2022 |
| Datum potvrzení stud. oddělením: | 23.01.2023 |
| Datum a čas obhajoby: | 05.09.2023 08:20 |
| Datum odevzdání elektronické podoby: | 15.07.2023 |
| Datum odevzdání tištěné podoby: | 24.07.2023 |
| Datum proběhlé obhajoby: | 05.09.2023 |
| Oponenti: | doc. RNDr. Michal Pešta, Ph.D. |
| Zásady pro vypracování |
| Cílem diplomové práce je samostatně nastudovat a přehledně shrnout metodiku tzv. dynamické predikce v kontextu analýzy přežití (odhad individuální pravděpodobnosti výskytu sledované události na základě longitudinálních měření zvolených prediktorů). Pro vybrané přístupy budou podrobněji odvozeny základní statistické vlastnosti, resp. budou detailněji studovány algoritmy používané k výpočtu odhadů parametrů zvolených modelů. V závislosti na zájmech studentky mohou být vybrané postupy porovnány pomocí simulační studie. Součástí práce může být též analýza reálných dat.
Zápis této DP vyžaduje úspěšné ukončení předmětu Pokročilé regresní modely (NMST432). V rámci práce na DP nutno absolvovat povinně volitelný předmět Analýza censorovaných dat (NMST531). |
| Seznam odborné literatury |
| [1] Kalbfleisch, J. D., Prentice, R. L. (2002). The Statistical Analysis of Failure Time Data, Second Edition. Hoboken: John Wiley & Sons, ISBN 0-471-36357-X.
[2] Rizopoulos, D. (2012). Joint Models for Longitudinal and Time-to-Event Data With Applications in R. Boca Raton: Chapman and Hall/CRC, ISBN 978-1-439-87286-4. [3] Rizopoulos, D. (2016). The R package JMbayes for fitting joint models for longitudinal and time-to-event data using MCMC. Journal of Statistical Software, 72(7), 1-46, doi: 10.18637/jss.v072.i07. |