MARC

 008240221s2023        ulk                      00        kor
■001000016934980
■00520240214101839
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380391948
■035    ▼a(MiAaPQ)AAI30638008
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aButts,  Jessica  L.
■24510▼aMethods  for  Integrative  Analysis  and  Prediction  Accounting  for  Subgroup  Heterogeneity▼h[electronic  resource]
■260    ▼a[S.l.]▼bUniversity  of  Minnesota.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(151  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Eberly,  Lynn;Safo,  Sandra  E.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aMulti-view  data,  where  there  are  multiple  data  views  (e.g.,  genomics,  proteomics)  measured  on  the  same  set  of  participants,  have  become  increasingly  available  and  require  integrative  analysis  methods  to  fully  utilize  the  available  data  and  better  understand  complex  diseases.  At  the  same  time,  epidemiologic  and  genetic  studies  in  many  complex  diseases  suggest  subgroup  differences  (e.g.,  by  sex  or  race)  in  disease  course  and  patient  outcomes.  While  there  are  many  existing  methods  to  perform  integrative  analysis  of  multi-view  data,  we  are  unaware  of  any  integrative  analysis  methods  that  also  account  for  subgroup  heterogeneity.  Instead  existing  integrative  analysis  methods  would  require  either  (a)  concatenating  the  subgroups  which  ignores  any  potential  subgroup  heterogeneity  or  (b)  running  a  separate  analysis  for  each  subgroup  which  limits  power  especially  in  a  high-dimensional  data  setting.  While  there  are  existing  methods  that  account  for  subgroup  heterogeneity,  we  are  unaware  of  any  that  can  also  perform  integrative  analysis.  These  methods  would  require  either  (a)  concatenating  data  views  within  each  subgroup  which  fails  to  model  the  associations  between  data  views  or  (b)  considering  each  view  separately  which  fails  to  fully  utilize  the  multi-view  data  and  requires  combining  results  post  hoc.  This  dissertation  begins  to  fill  this  gap  by  proposing  the  novel  statistical  approach  HIP  (Heterogeneity  in  Integration  and  Prediction).Chapter  2  introduces  HIP,  a  novel  one-step  method  that  (1)  accounts  for  subgroup  heterogeneity  in  multi-view  data,  (2)  ranks  variables  based  on  importance,  (3)  can  incorporate  covariate  adjustment,  and  (4)  has  efficient  algorithms  implemented  in  Python.  The  method  introduced  in  this  chapter  can  accommodate  one  or  more  continuous  outcomes.  Simulations  show  improved  variable  selection  and  prediction  abilities  compared  to  existing  methods.  We  illustrate  HIP  using  data  from  the  COPDGene  Study  to  identify  molecular  signatures  that  are  common  and  specific  to  males  and  females  and  that  contribute  to  the  variation  in  COPD  as  measured  by  airway  wall  thickness.Chapter  3  extends  HIP  to  accommodate  multi-class,  Poisson,  and  ZIP  outcomes  which  allows  researchers  to  study  other  clinically  relevant  outcomes.  Simulations  again  show  improved  performance  for  HIP  relative  to  existing  methods  in  terms  of  variable  selection  and  prediction  abilities.  We  illustrate  this  method  using  data  from  the  COPDGene  Study  to  explore  the  genes  and  proteins  associated  with  exacerbation  frequency  for  males  and  females.One  limitation  researchers  wishing  to  apply  HIP  to  their  data  may  encounter  is  that  the  implementation  would  require  some  knowledge  of  Python  programming.  Chapter  4  addresses  this  by  introducing  an  R  Shiny  Application  that  provides  a  graphical  user  interface  to  the  Python  code  allowing  users  to  apply  HIP  to  their  own  data.  Users  can  select  different  analysis  options  or  use  the  defaults  provided.  HIP,  with  improved  accessibility  through  this  R  Shiny  App,  has  many  potential  scientific  applications.
■590    ▼aSchool  code:  0130.
■650  4▼aBiostatistics.
■650  4▼aStatistics.
■650  4▼aGenetics.
■653    ▼aIntegrative  analysis  methods
■653    ▼aPrediction  abilities
■653    ▼aSubgroup  heterogeneity
■653    ▼aHeterogeneity  in  Integration  and  Prediction
■690    ▼a0308
■690    ▼a0369
■690    ▼a0463
■71020▼aUniversity  of  Minnesota▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0130
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934980▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서