Tailored statistical methodology for large-scale registry-based clinical data to optimize online risk prediction

Miller, Gregor M.

TUM School of Life Sciences

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Tailored statistical methodology for large-scale registry-based clinical data to optimize online risk prediction
Translated title:: Maßgeschneiderte statistische Methoden für große, registerbasierte klinische Daten zur Optimierung öffentlich zugänglicher Risikovorhersagen
Author:: Miller, Gregor M.
Year:: 2023
Document type:: Dissertation
Faculty/School:: TUM School of Life Sciences
Advisor:: Ankerst, Donna (Prof., Ph.D.)
Referee:: Ankerst, Donna (Prof., Ph.D.); Hüser, Norbert H. (Prof. Dr.); Mansmann, Ulrich (Prof. Dr.)
Language:: en
Subject group:: BIO Biowissenschaften; MAT Mathematik
Keywords:: biostatistics; risk prediction; transplants; COVID-19
Translated keywords:: Biostatistik; Risikovorhersage; Transplantate; COVID-19
TUM classification:: BIO 110; MAT 620
Abstract:: Longitudinal data presents various challenges depending on the desired outcome. In this work, for two areas, survival analysis and count models, we have shown how analyses must be adjusted to account for multiple outcomes, select appropriate covariates, and derive predictions. This is demonstrated for the survival after kidney transplantation and for count measures associated with the COVID-19 pandemic.
Translated abstract:: Zeitaufgelöste Daten stellen je nach Zielvariable unterschiedliche Herausforderungen dar. In dieser Arbeit haben wir für zwei Bereiche, Überlebensanalysen und Zählmodelle, gezeigt, wie Analysen angepasst werden müssen, um mehrere Zielvariablen zu berücksichtigen, geeignete Kovariaten auszuwählen und Vorhersagen abzuleiten. Dies wird anhand von Überlebenszahlen nach einer Nierentransplantation und von Häufigkeitsmessungen im Zusammenhang mit der COVID-19-Pandemie demonstriert.
WWW:: https://mediatum.ub.tum.de/?id=1664525
Date of submission:: 26.08.2022
Oral examination:: 21.02.2023
File size:: 11071829 bytes
Pages:: 114
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230221-1664525-1-8
Last change:: 10.03.2023
BibTeX