Dokument: Meta-Analysis of Diagnostic Test Data: Modern Statistical Approaches
| Titel: | Meta-Analysis of Diagnostic Test Data: Modern Statistical Approaches | |||||||
| Weiterer Titel: | Metaanalyse diagnostischer Test-Daten: Moderne Statistische Methoden | |||||||
| URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=8494 | |||||||
| URN (NBN): | urn:nbn:de:hbz:061-20080715-114548-5 | |||||||
| Kollektion: | Dissertationen | |||||||
| Sprache: | Deutsch | |||||||
| Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
| Medientyp: | Text | |||||||
| Autor: | Verde, Pablo [Autor] | |||||||
| Dateien: |
| |||||||
| Beitragende: | Prof. Dr. Lercher, Martin [Gutachter] Prof. Dr. Ohmann, Christian [Gutachter] | |||||||
| Stichwörter: | meta-analysis, SROC, AUC, diagnostic test, MCMC, bootstrap | |||||||
| Dewey Dezimal-Klassifikation: | 000 Informatik, Informationswissenschaft, allgemeine Werke » 004 Datenverarbeitung; Informatik | |||||||
| Beschreibungen: | In the last decades, the amount of published results on clinical diagnostic tests has expanded very rapidly. The counterpart to this accelerated technological development has been the formal evaluation and synthesis of diagnostic results. However, published results can be regarded as so far removed from the classical domain of meta-analysis, that they can provide a rather severe test of classical methods. This work concerns the applications of computer intensive statistical methods in meta-analysis of diagnostic test data. These methods are considered from both the classical and Bayesian perspective.
From the classical point of view, bootstrap methods are used to build confidence intervals for complex statistics in meta-analysis. These methods are evaluated extensively by a simulation experiment. Under the Bayesian perspective, a novel statistical model is presented. This model is general enough to include the presence of studies with different designs, unusual accurate results, large amounts of sparsity data, missing reporting data and heterogeneity between studies' population. These multiple sources of variability are modeled with a Bayesian graphical approach. In this approach a complex model is broken up into manageable sub-models. The full model is built up as a network by exploring the local dependency structure of each model component. A schematic description of this process is presented by Directed Acyclic Graph (DAG), which gives a non-algebraic structure and links computations to Markov chain Monte Carlo (MCMC) techniques. Statistical computations are implemented in open source and public domain statistical software (BUGS and R) and illustrated with a complex systematic review which evaluates the diagnostic performance of computer tomography scans in diagnostic of appendicitis.In den letzten Jahrzehnten ist die Menge der publizierten Ergebnisse klinisch - diagnostischer Tests stark angestiegen. Das Pendant zu dieser beschleunigten technologischen Entwicklung war die formale Evaluierung und Synthese diagnostischer Ergebnisse. Publizierte Ergebnisse jedoch k\"{o}nnen manchmal so stark von der klassischen Dom\"{a}ne der Metaanalyse abweichen, dass die klassischen Methoden ernsthaft auf die Probe gestellt werden. Das Thema dieser Arbeit ist die Anwendung computer-intensiver statistischer Methoden in der Metaanalyse diagnostischer Test-Daten. Diese Methoden werden sowohl aus der klassischen wie auch aus der Bayesschen Perspektive her betrachtet. In der klassischen Perspektive werden Bootstrap Methoden verwendet, um Konfidenzintervalle f\"{u}r komplexe Statistiken in der Metaanalyse zu konstruieren. Diese Methoden werden in einem Simulations-Experiment intensiv evaluiert. In der Bayesschen Perspektive wird ein neuartiges statistisches Modell vorgestellt. Dieses Modell ist allgemein genug, um die Pr\"{a}senz von Studien mit unterschiedlichen Designs, ungew\"{o}hnlich genauen Ergebnissen, gro{\ss}en Mengen d\"{u}nnbesetzter Daten, fehlenden Daten sowie heterogenen Studienpopulationen zu umfassen. Diese Quellen von Variabilit\"{a}t werden anhand eines Bayesschen graphischen Ansatzes modelliert. In diesem Ansatz wird ein komplexes Modell in handhabbarere Unter-Modelle aufgebrochen. Das vollst\"{a}ndige Modell wird dann als Netzwerk zusammengesetzt, indem die lokale Abh\"{a}ngigkeits-Struktur einer jeden Modell-Komponente exploriert wird. Eine schematische Beschreibung dieses Prozesses wird anhand Gerichteter Azyklischer Graphen dargestellt, wodurch eine nicht-algebraische Struktur erzeugt wird und die Berechnung mit Markov-Ketten Monte-Carlo Methoden (MCMC) verkn\"{u}pft wird. Die statistischen Berechnungen sind in Open Source und Public Domain Statistik Software implementiert (BUGS und R) und werden anhand eines komplexen systematischen Reviews illustriert, der die diagnostische Leistungsfähigkeit von Computer Tomographie bei der Diagnose der Appendizitis evaluiert. | |||||||
| Lizenz: |  Urheberrechtsschutz | |||||||
| Fachbereich / Einrichtung: | Mathematisch- Naturwissenschaftliche Fakultät » WE Informatik » Bioinformatik | |||||||
| Dokument erstellt am: | 15.07.2008 | |||||||
| Dateien geändert am: | 15.07.2008 | |||||||
| Promotionsantrag am: | 09.06.2008 | |||||||
| Datum der Promotion: | 08.07.2008 |
