Benutzer: Gast  Login
Mehr Felder
Einfache Suche
Originaltitel:
Statistical learning for prediction of Type 1 Diabetes using clinical risk factors and omics data
Übersetzter Titel:
Statistisches Lernen zur Vorhersage von Typ 1 Diabetes mithilfe von klinischen Risikofaktoren und omics Daten
Autor:
Laimighofer, Michael
Jahr:
2018
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Mathematik
Betreuer:
Theis, Fabian J. (Prof. Dr. Dr.)
Gutachter:
Theis, Fabian J. (Prof. Dr. Dr.); Czado, Claudia (Prof., Ph.D.); Schulze, Matthias (Prof. Dr.)
Sprache:
en
Fachgebiet:
MAT Mathematik; MED Medizin
TU-Systematik:
BIO 110d; MAT 022d
Kurzfassung:
In this thesis we use statistical learning approaches to identify novel markers for the pathogenesis of type 1 diabetes (T1D) and to develop new risk models with reliable prediction accuracy and feature selection. For this we develop an algorithm for high-dimensional survival data using a repeated nested cross-validation approach to obtain a sparse set of features along with an unbiased prediction accuracy estimate. By adapting and applying this approach in a proteomics study, we establish two s...     »
Übersetzte Kurzfassung:
In dieser Thesis wird statistisches Lernen verwendet, um damit neue Marker der Parthogenese von Typ 1 Diabetes (T1D) zu erkennen, und außerdem um damit neue Risikomodelle zu entwickeln, die eine zuverlässige Vorhersagegüte und Variablenselektion liefern. Dazu entwickeln wir eine Methode für hochdimensionale Überlebenszeitdaten, die, unter der Verwendung von wiederholter und geschachtelter Kreuzvalidierung, ein kleines Set an Variablen und eine verlässliche Abschätzung der Prädiktion erzeugt. In...     »
WWW:
https://mediatum.ub.tum.de/?id=1370403
Eingereicht am:
11.08.2017
Mündliche Prüfung:
21.09.2018
Dateigröße:
9277116 bytes
Seiten:
130
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20180921-1370403-1-7
Letzte Änderung:
30.10.2018
 BibTeX