User: Guest  Login
Original title:
Statistical learning for prediction of Type 1 Diabetes using clinical risk factors and omics data
Translated title:
Statistisches Lernen zur Vorhersage von Typ 1 Diabetes mithilfe von klinischen Risikofaktoren und omics Daten
Author:
Laimighofer, Michael
Year:
2018
Document type:
Dissertation
Institution:
Fakultät für Mathematik
Advisor:
Theis, Fabian J. (Prof. Dr. Dr.)
Referee:
Theis, Fabian J. (Prof. Dr. Dr.); Czado, Claudia (Prof., Ph.D.); Schulze, Matthias (Prof. Dr.)
Language:
en
Subject group:
MAT Mathematik; MED Medizin
TUM classification:
BIO 110d; MAT 022d
Abstract:
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...    »
Translated abstract:
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
Date of submission:
11.08.2017
Oral examination:
21.09.2018
File size:
9277116 bytes
Pages:
130
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20180921-1370403-1-7
Last change:
30.10.2018
 BibTeX