{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2878662"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2878662","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη κλίμακας για την εκτίμηση κινδύνου (points-based risk score) υπό την παρουσία ανταγωνιστικών κινδύνων","abstract":"Ο σκοπός της παρούσας εργασία ήταν να πραγματοποιηθεί μια ανασκόπηση και μια περιγραφή των μεθόδων που χρησιμοποιούνται για την ανάπτυξη και την επικύρωση προγνωστικών μοντέλων, να γίνει μια ανασκόπηση της μεθοδολογίας για την ανάπτυξη κλίμακας εκτίμησης κινδύνου υπό την παρουσία ανταγωνιστικών κινδύνων και τέλος να γίνει μια εφαρμογή σε διαθέσιμα δεδομένα με ασθενείς με χρόνια ηπατίτιδα Β για την εκτίμηση του κινδύνου εμφάνισης ηπατοκυτταρικού καρκίνου λαμβάνοντας υπόψη τα ανταγωνιστικά γεγονότα. Γίνεται μια αναφορά στις βασικές έννοιες της Ανάλυσης Επιβίωσης (δεδομένα επιβίωσης, συνάρτηση κινδύνου, αποκομμένες παρατηρήσεις κλπ), στο μοντέλο αναλογικών κινδύνων Cox, καθώς και στους διάφορους έλεγχους της υπόθεσης αναλογικότητας (γραφικοί έλεγχοι, έλεγχος μέσω καταλοίπων κλπ). Οι ανταγωνιστικοί κίνδυνοι εμφανίζονται συχνά στην ανάλυση των δεδομένων επιβίωσης. Αναφέρονται μέθοδοι στατιστικής ανάλυσης παρουσία ανταγωνιστικών κινδύνων (αθροιστική συνάρτηση κινδύνου, συνάρτηση κινδύνου συγκεκριμένης αιτίας και συνάρτηση κινδύνου υπό-κατανομής), καθώς και μοντέλα παλινδρόμησης παρουσία ανταγωνιστικών κινδύνων, όπως το ημιπαραμετρικό μοντέλο αναλογικών κινδύνων των Fine&Gray για την εκτίμηση του κινδύνου υπό-κατανομής. Για τη διαμόρφωση ενός προγνωστικού μοντέλου, το οποίο λαμβάνει υπόψη τους ανταγωνιστικούς κινδύνους, είναι απαραίτητο να καθοριστεί η έκβαση, όλοι οι προγνωστικοί παράγοντές και το ανταγωνιστικό γεγονός. Σημαντικό είναι, επίσης, να επιλεγεί ο σωστός τύπος μοντέλου ανάλογα με τα δεδομένα, για παράδειγμα, εδώ είχαμε δεδομένα επιβίωσης και έτσι επιλέχθηκε το μοντέλο Fine&Gray το οποίο λαμβάνει υπόψη τα ανταγωνιστικά συμβάντα. Στη συνέχεια γίνεται διαχείριση των ελλειπουσών τιμών και η κωδικοποίηση των συνεχών μεταβλητών (διχοτόμηση, κατηγοριοποίηση, splines κλπ). Το επόμενο βήμα είναι η μέθοδος επιλογής των προγνωστικών παραγόντων κινδύνου (βηματική μέθοδος) και ακολούθως γίνεται η εκτίμηση των συντελεστών παλινδρόμησης, συνήθως με τη μέθοδο μέγιστης πιθανοφάνειας. Αναφέρονται επίσης, νέες μέθοδοι εκτίμησης των συντελεστών (LASSO, μέθοδος κορυφογραμμής), οι οποίες έχουν σκοπό να περιορίσουν την υπερπροσαρμογή του μοντέλου. Μετά την επιλογή του τελικού μοντέλου, είναι απαραίτητο να γίνει η επικύρωσή του (εσωτερική ή εξωτερική) και η αξιολόγηση της βαθμονόμησής του, της ικανότητας διαχωριστικότητας του και της κλινικής του χρησιμότητας. Τέλος, έγινε αναφορά στα βήματα που πρέπει να γίνουν για την ανάπτυξη μιας κλίμακας κινδύνου απουσία και παρουσία ανταγωνιστικών κινδύνων. Χρησιμοποιήθηκαν τα δεδομένα από την ανάπτυξη της κλίμακας κινδύνου PAGE-B (ασθενείς από εννέα κέντρα με χρόνια ηπατίτιδα Β). Η έκβαση ήταν η εμφάνιση ΗΚΚ στην 5ετία και ως ανταγωνιστικά γεγονότα θεωρήθηκαν ο θάνατος από όλες τις αιτίες και η μεταμόσχευση ήπατος πριν από την εμφάνιση ΗΚΚ. Πραγματοποιήθηκε προδρομική βηματική μέθοδος επιλογής παραγόντων σε επίπεδο στατιστικής σημαντικότητας 5% από την οποία προέκυψαν τέσσερις στατιστικά σημαντικοί παράγοντες κινδύνου για την εμφάνιση ΗΚΚ στην 5ετία: φύλο, ηλικία, αιμοπετάλια και κίρρωση του ήπατος. Το μοντέλο αυτό αξιολογήθηκε με εσωτερική επικύρωση και βρέθηκε ότι c-index=0.81. Για την ανάπτυξη της κλίμακας χρησιμοποιήθηκε το μοντέλο με τις μεταβλητές: ηλικία, φύλο και αιμοπετάλια, επειδή στην μεταβλητή της κίρρωσης υπήρχαν πολλές ελλείπουσες τιμές. Οι ασθενείς με βαθμολογία ≤9 είχαν καθόλου ή ελάχιστο κίνδυνο εμφάνισης ΗΚΚ στην 5ετία, και οι ασθενείς με βαθμολογία ≥18 είχαν υψηλό κίνδυνο εμφάνισης ΗΚΚ. Περίπου το 25% των ασθενών ταξινομήθηκαν στην ομάδα χαμηλού κινδύνου, και ίσως αποφύγουν την παρακολούθηση για ΗΚΚ, ενώ το 27% των ατόμων ταξινομήθηκαν στην ομάδα υψηλού κινδύνου και απαιτείται στενή παρακολούθηση. Σήμερα, η ιατρική βασίζεται πολύ στα προγνωστικά μοντέλα, αφού μέσα από αυτά ενημερώνει τους γιατρούς αλλά και τους ίδιους τους ασθενείς για τους παράγοντες κινδύνου που προκαλούν την εμφάνιση μιας ανεπιθύμητης έκβασης και τους καθοδηγούν ώστε να λάβουν τις σωστές αποφάσεις για τον κάθε ασθενή.","abstract_html":"Ο σκοπός της παρούσας εργασία ήταν να πραγματοποιηθεί μια ανασκόπηση και μια περιγραφή των μεθόδων που χρησιμοποιούνται για την ανάπτυξη και την επικύρωση προγνωστικών μοντέλων, να γίνει μια ανασκόπηση της μεθοδολογίας για την ανάπτυξη κλίμακας εκτίμησης κινδύνου υπό την παρουσία ανταγωνιστικών κινδύνων και τέλος να γίνει μια εφαρμογή σε διαθέσιμα δεδομένα με ασθενείς με χρόνια ηπατίτιδα Β για την εκτίμηση του κινδύνου εμφάνισης ηπατοκυτταρικού καρκίνου λαμβάνοντας υπόψη τα ανταγωνιστικά γεγονότα. Γίνεται μια αναφορά στις βασικές έννοιες της Ανάλυσης Επιβίωσης (δεδομένα επιβίωσης, συνάρτηση κινδύνου, αποκομμένες παρατηρήσεις κλπ), στο μοντέλο αναλογικών κινδύνων Cox, καθώς και στους διάφορους έλεγχους της υπόθεσης αναλογικότητας (γραφικοί έλεγχοι, έλεγχος μέσω καταλοίπων κλπ). Οι ανταγωνιστικοί κίνδυνοι εμφανίζονται συχνά στην ανάλυση των δεδομένων επιβίωσης. Αναφέρονται μέθοδοι στατιστικής ανάλυσης παρουσία ανταγωνιστικών κινδύνων (αθροιστική συνάρτηση κινδύνου, συνάρτηση κινδύνου συγκεκριμένης αιτίας και συνάρτηση κινδύνου υπό-κατανομής), καθώς και μοντέλα παλινδρόμησης παρουσία ανταγωνιστικών κινδύνων, όπως το ημιπαραμετρικό μοντέλο αναλογικών κινδύνων των Fine&amp;Gray για την εκτίμηση του κινδύνου υπό-κατανομής. Για τη διαμόρφωση ενός προγνωστικού μοντέλου, το οποίο λαμβάνει υπόψη τους ανταγωνιστικούς κινδύνους, είναι απαραίτητο να καθοριστεί η έκβαση, όλοι οι προγνωστικοί παράγοντές και το ανταγωνιστικό γεγονός. Σημαντικό είναι, επίσης, να επιλεγεί ο σωστός τύπος μοντέλου ανάλογα με τα δεδομένα, για παράδειγμα, εδώ είχαμε δεδομένα επιβίωσης και έτσι επιλέχθηκε το μοντέλο Fine&amp;Gray το οποίο λαμβάνει υπόψη τα ανταγωνιστικά συμβάντα. Στη συνέχεια γίνεται διαχείριση των ελλειπουσών τιμών και η κωδικοποίηση των συνεχών μεταβλητών (διχοτόμηση, κατηγοριοποίηση, splines κλπ). Το επόμενο βήμα είναι η μέθοδος επιλογής των προγνωστικών παραγόντων κινδύνου (βηματική μέθοδος) και ακολούθως γίνεται η εκτίμηση των συντελεστών παλινδρόμησης, συνήθως με τη μέθοδο μέγιστης πιθανοφάνειας. Αναφέρονται επίσης, νέες μέθοδοι εκτίμησης των συντελεστών (LASSO, μέθοδος κορυφογραμμής), οι οποίες έχουν σκοπό να περιορίσουν την υπερπροσαρμογή του μοντέλου. Μετά την επιλογή του τελικού μοντέλου, είναι απαραίτητο να γίνει η επικύρωσή του (εσωτερική ή εξωτερική) και η αξιολόγηση της βαθμονόμησής του, της ικανότητας διαχωριστικότητας του και της κλινικής του χρησιμότητας. Τέλος, έγινε αναφορά στα βήματα που πρέπει να γίνουν για την ανάπτυξη μιας κλίμακας κινδύνου απουσία και παρουσία ανταγωνιστικών κινδύνων. Χρησιμοποιήθηκαν τα δεδομένα από την ανάπτυξη της κλίμακας κινδύνου PAGE-B (ασθενείς από εννέα κέντρα με χρόνια ηπατίτιδα Β). Η έκβαση ήταν η εμφάνιση ΗΚΚ στην 5ετία και ως ανταγωνιστικά γεγονότα θεωρήθηκαν ο θάνατος από όλες τις αιτίες και η μεταμόσχευση ήπατος πριν από την εμφάνιση ΗΚΚ. Πραγματοποιήθηκε προδρομική βηματική μέθοδος επιλογής παραγόντων σε επίπεδο στατιστικής σημαντικότητας 5% από την οποία προέκυψαν τέσσερις στατιστικά σημαντικοί παράγοντες κινδύνου για την εμφάνιση ΗΚΚ στην 5ετία: φύλο, ηλικία, αιμοπετάλια και κίρρωση του ήπατος. Το μοντέλο αυτό αξιολογήθηκε με εσωτερική επικύρωση και βρέθηκε ότι c-index=0.81. Για την ανάπτυξη της κλίμακας χρησιμοποιήθηκε το μοντέλο με τις μεταβλητές: ηλικία, φύλο και αιμοπετάλια, επειδή στην μεταβλητή της κίρρωσης υπήρχαν πολλές ελλείπουσες τιμές. Οι ασθενείς με βαθμολογία ≤9 είχαν καθόλου ή ελάχιστο κίνδυνο εμφάνισης ΗΚΚ στην 5ετία, και οι ασθενείς με βαθμολογία ≥18 είχαν υψηλό κίνδυνο εμφάνισης ΗΚΚ. Περίπου το 25% των ασθενών ταξινομήθηκαν στην ομάδα χαμηλού κινδύνου, και ίσως αποφύγουν την παρακολούθηση για ΗΚΚ, ενώ το 27% των ατόμων ταξινομήθηκαν στην ομάδα υψηλού κινδύνου και απαιτείται στενή παρακολούθηση. Σήμερα, η ιατρική βασίζεται πολύ στα προγνωστικά μοντέλα, αφού μέσα από αυτά ενημερώνει τους γιατρούς αλλά και τους ίδιους τους ασθενείς για τους παράγοντες κινδύνου που προκαλούν την εμφάνιση μιας ανεπιθύμητης έκβασης και τους καθοδηγούν ώστε να λάβουν τις σωστές αποφάσεις για τον κάθε ασθενή.","abstract_has_math":false,"creators":["Γρηγορίου Μαρία","Gregoriou Maria"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:35:47Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2878662"],"render_values":[{"text":"uoadl:2878662","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2878662","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2878662","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2878662","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γρηγορίου Μαρία","Gregoriou Maria"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2878662","https://pergamos.lib.uoa.gr/uoa/dl/object/2878662"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο σκοπός της παρούσας εργασία ήταν να πραγματοποιηθεί μια ανασκόπηση και μια περιγραφή των μεθόδων που χρησιμοποιούνται για την ανάπτυξη και την επικύρωση προγνωστικών μοντέλων, να γίνει μια ανασκόπηση της μεθοδολογίας για την ανάπτυξη κλίμακας εκτίμησης κινδύνου υπό την παρουσία ανταγωνιστικών κινδύνων και τέλος να γίνει μια εφαρμογή σε διαθέσιμα δεδομένα με ασθενείς με χρόνια ηπατίτιδα Β για την εκτίμηση του κινδύνου εμφάνισης ηπατοκυτταρικού καρκίνου λαμβάνοντας υπόψη τα ανταγωνιστικά γεγονότα. Γίνεται μια αναφορά στις βασικές έννοιες της Ανάλυσης Επιβίωσης (δεδομένα επιβίωσης, συνάρτηση κινδύνου, αποκομμένες παρατηρήσεις κλπ), στο μοντέλο αναλογικών κινδύνων Cox, καθώς και στους διάφορους έλεγχους της υπόθεσης αναλογικότητας (γραφικοί έλεγχοι, έλεγχος μέσω καταλοίπων κλπ). Οι ανταγωνιστικοί κίνδυνοι εμφανίζονται συχνά στην ανάλυση των δεδομένων επιβίωσης. Αναφέρονται μέθοδοι στατιστικής ανάλυσης παρουσία ανταγωνιστικών κινδύνων (αθροιστική συνάρτηση κινδύνου, συνάρτηση κινδύνου συγκεκριμένης αιτίας και συνάρτηση κινδύνου υπό-κατανομής), καθώς και μοντέλα παλινδρόμησης παρουσία ανταγωνιστικών κινδύνων, όπως το ημιπαραμετρικό μοντέλο αναλογικών κινδύνων των Fine&Gray για την εκτίμηση του κινδύνου υπό-κατανομής. Για τη διαμόρφωση ενός προγνωστικού μοντέλου, το οποίο λαμβάνει υπόψη τους ανταγωνιστικούς κινδύνους, είναι απαραίτητο να καθοριστεί η έκβαση, όλοι οι προγνωστικοί παράγοντές και το ανταγωνιστικό γεγονός. Σημαντικό είναι, επίσης, να επιλεγεί ο σωστός τύπος μοντέλου ανάλογα με τα δεδομένα, για παράδειγμα, εδώ είχαμε δεδομένα επιβίωσης και έτσι επιλέχθηκε το μοντέλο Fine&Gray το οποίο λαμβάνει υπόψη τα ανταγωνιστικά συμβάντα. Στη συνέχεια γίνεται διαχείριση των ελλειπουσών τιμών και η κωδικοποίηση των συνεχών μεταβλητών (διχοτόμηση, κατηγοριοποίηση, splines κλπ). Το επόμενο βήμα είναι η μέθοδος επιλογής των προγνωστικών παραγόντων κινδύνου (βηματική μέθοδος) και ακολούθως γίνεται η εκτίμηση των συντελεστών παλινδρόμησης, συνήθως με τη μέθοδο μέγιστης πιθανοφάνειας. Αναφέρονται επίσης, νέες μέθοδοι εκτίμησης των συντελεστών (LASSO, μέθοδος κορυφογραμμής), οι οποίες έχουν σκοπό να περιορίσουν την υπερπροσαρμογή του μοντέλου. Μετά την επιλογή του τελικού μοντέλου, είναι απαραίτητο να γίνει η επικύρωσή του (εσωτερική ή εξωτερική) και η αξιολόγηση της βαθμονόμησής του, της ικανότητας διαχωριστικότητας του και της κλινικής του χρησιμότητας. Τέλος, έγινε αναφορά στα βήματα που πρέπει να γίνουν για την ανάπτυξη μιας κλίμακας κινδύνου απουσία και παρουσία ανταγωνιστικών κινδύνων. Χρησιμοποιήθηκαν τα δεδομένα από την ανάπτυξη της κλίμακας κινδύνου PAGE-B (ασθενείς από εννέα κέντρα με χρόνια ηπατίτιδα Β). Η έκβαση ήταν η εμφάνιση ΗΚΚ στην 5ετία και ως ανταγωνιστικά γεγονότα θεωρήθηκαν ο θάνατος από όλες τις αιτίες και η μεταμόσχευση ήπατος πριν από την εμφάνιση ΗΚΚ. Πραγματοποιήθηκε προδρομική βηματική μέθοδος επιλογής παραγόντων σε επίπεδο στατιστικής σημαντικότητας 5% από την οποία προέκυψαν τέσσερις στατιστικά σημαντικοί παράγοντες κινδύνου για την εμφάνιση ΗΚΚ στην 5ετία: φύλο, ηλικία, αιμοπετάλια και κίρρωση του ήπατος. Το μοντέλο αυτό αξιολογήθηκε με εσωτερική επικύρωση και βρέθηκε ότι c-index=0.81. Για την ανάπτυξη της κλίμακας χρησιμοποιήθηκε το μοντέλο με τις μεταβλητές: ηλικία, φύλο και αιμοπετάλια, επειδή στην μεταβλητή της κίρρωσης υπήρχαν πολλές ελλείπουσες τιμές. Οι ασθενείς με βαθμολογία ≤9 είχαν καθόλου ή ελάχιστο κίνδυνο εμφάνισης ΗΚΚ στην 5ετία, και οι ασθενείς με βαθμολογία ≥18 είχαν υψηλό κίνδυνο εμφάνισης ΗΚΚ. Περίπου το 25% των ασθενών ταξινομήθηκαν στην ομάδα χαμηλού κινδύνου, και ίσως αποφύγουν την παρακολούθηση για ΗΚΚ, ενώ το 27% των ατόμων ταξινομήθηκαν στην ομάδα υψηλού κινδύνου και απαιτείται στενή παρακολούθηση. Σήμερα, η ιατρική βασίζεται πολύ στα προγνωστικά μοντέλα, αφού μέσα από αυτά ενημερώνει τους γιατρούς αλλά και τους ίδιους τους ασθενείς για τους παράγοντες κινδύνου που προκαλούν την εμφάνιση μιας ανεπιθύμητης έκβασης και τους καθοδηγούν ώστε να λάβουν τις σωστές αποφάσεις για τον κάθε ασθενή.","The aim of this thesis is the review and the description of methods to develop and validate predictive models. Moreover, the methodology for the development of the risk score under the presence of competing risks was reviewed. After this review a application to available data from patients with chronic hepatitis B was performed in order to predict the risk of developing hepatocellullar carcinoma taking in account the competing events. We make a reference to basic definitions of survival analysis (survival data, hazard function, censored observations, etc), to Cox proportional hazards model and to various checks of proportional hazards assumptions (graphical checks, through residuals, etc). The competing risks often appear in survival data analysis. We refer to methods of statistical analysis under competing risks (cumulative incidence function, cause-specific hazard function and sub-distribution hazard function) and to regression models with the presence of competing risks, like the semi-parametric model of proportional risks by Fine&Gray for the prediction of sub-distribution hazard. In order to develop a predictive model, which takes in account the competing risks, it is necessary to define the outcome, all the predictive factors and the competing event. In the presence of competing risks, the appropriate model should be chosen Fine&Gray model. The next steps include evaluation of missing values , coding of predictors, model specification and model estimation. There are methods to estimate the coefficients (LASSO, ridge regression) to reduce overfitting of the model. After the choice of the final mode, a validation (internal or external) and, an evaluation of the calibration, discrimination and its clinical usefulness are performed. In the thesis, the methodology for the development of a risk score with or without competing risks was described. The application of these methods was based on data from PAGE-B risk score (patients from nine centers with chronical hepatitis B). The outcome was the the development of hepatocellular carcinoma (HCC) in five years after treatment initiation. The competing events were death and liver transplantation. A forward stepwise method was and there were four variables included in the model: age, sex, platelet count and cirrhosis. Internal validation was performed using bootstrap and the resulting c-index was 0.081 based on this score, a points-based risk score was developed to predict the 5-year risk of HCC development. Patients with score ≤9 had low risk of HCC, whereas patients with score ≥18 had high 5-year risk. The difference between the risk score taking into account competing events and PAGE-B were negligible due the low number of competing events in this dataset. Prediction models are now used widely and they provide an important tool for clinicians. As these models may guide decisions related to the follow-up and treatment if patients it is important to strengthen methodological rigor. Competing risks should be consider in the development of prediction models when analyzing survival data."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη κλίμακας για την εκτίμηση κινδύνου (points-based risk score) υπό την παρουσία ανταγωνιστικών κινδύνων"]}]}],"canonical_facts":{"dc:creator":["Γρηγορίου Μαρία","Gregoriou Maria"],"dc:date":["2019"],"dc:description":["Ο σκοπός της παρούσας εργασία ήταν να πραγματοποιηθεί μια ανασκόπηση και μια περιγραφή των μεθόδων που χρησιμοποιούνται για την ανάπτυξη και την επικύρωση προγνωστικών μοντέλων, να γίνει μια ανασκόπηση της μεθοδολογίας για την ανάπτυξη κλίμακας εκτίμησης κινδύνου υπό την παρουσία ανταγωνιστικών κινδύνων και τέλος να γίνει μια εφαρμογή σε διαθέσιμα δεδομένα με ασθενείς με χρόνια ηπατίτιδα Β για την εκτίμηση του κινδύνου εμφάνισης ηπατοκυτταρικού καρκίνου λαμβάνοντας υπόψη τα ανταγωνιστικά γεγονότα. Γίνεται μια αναφορά στις βασικές έννοιες της Ανάλυσης Επιβίωσης (δεδομένα επιβίωσης, συνάρτηση κινδύνου, αποκομμένες παρατηρήσεις κλπ), στο μοντέλο αναλογικών κινδύνων Cox, καθώς και στους διάφορους έλεγχους της υπόθεσης αναλογικότητας (γραφικοί έλεγχοι, έλεγχος μέσω καταλοίπων κλπ). Οι ανταγωνιστικοί κίνδυνοι εμφανίζονται συχνά στην ανάλυση των δεδομένων επιβίωσης. Αναφέρονται μέθοδοι στατιστικής ανάλυσης παρουσία ανταγωνιστικών κινδύνων (αθροιστική συνάρτηση κινδύνου, συνάρτηση κινδύνου συγκεκριμένης αιτίας και συνάρτηση κινδύνου υπό-κατανομής), καθώς και μοντέλα παλινδρόμησης παρουσία ανταγωνιστικών κινδύνων, όπως το ημιπαραμετρικό μοντέλο αναλογικών κινδύνων των Fine&Gray για την εκτίμηση του κινδύνου υπό-κατανομής. Για τη διαμόρφωση ενός προγνωστικού μοντέλου, το οποίο λαμβάνει υπόψη τους ανταγωνιστικούς κινδύνους, είναι απαραίτητο να καθοριστεί η έκβαση, όλοι οι προγνωστικοί παράγοντές και το ανταγωνιστικό γεγονός. Σημαντικό είναι, επίσης, να επιλεγεί ο σωστός τύπος μοντέλου ανάλογα με τα δεδομένα, για παράδειγμα, εδώ είχαμε δεδομένα επιβίωσης και έτσι επιλέχθηκε το μοντέλο Fine&Gray το οποίο λαμβάνει υπόψη τα ανταγωνιστικά συμβάντα. Στη συνέχεια γίνεται διαχείριση των ελλειπουσών τιμών και η κωδικοποίηση των συνεχών μεταβλητών (διχοτόμηση, κατηγοριοποίηση, splines κλπ). Το επόμενο βήμα είναι η μέθοδος επιλογής των προγνωστικών παραγόντων κινδύνου (βηματική μέθοδος) και ακολούθως γίνεται η εκτίμηση των συντελεστών παλινδρόμησης, συνήθως με τη μέθοδο μέγιστης πιθανοφάνειας. Αναφέρονται επίσης, νέες μέθοδοι εκτίμησης των συντελεστών (LASSO, μέθοδος κορυφογραμμής), οι οποίες έχουν σκοπό να περιορίσουν την υπερπροσαρμογή του μοντέλου. Μετά την επιλογή του τελικού μοντέλου, είναι απαραίτητο να γίνει η επικύρωσή του (εσωτερική ή εξωτερική) και η αξιολόγηση της βαθμονόμησής του, της ικανότητας διαχωριστικότητας του και της κλινικής του χρησιμότητας. Τέλος, έγινε αναφορά στα βήματα που πρέπει να γίνουν για την ανάπτυξη μιας κλίμακας κινδύνου απουσία και παρουσία ανταγωνιστικών κινδύνων. Χρησιμοποιήθηκαν τα δεδομένα από την ανάπτυξη της κλίμακας κινδύνου PAGE-B (ασθενείς από εννέα κέντρα με χρόνια ηπατίτιδα Β). Η έκβαση ήταν η εμφάνιση ΗΚΚ στην 5ετία και ως ανταγωνιστικά γεγονότα θεωρήθηκαν ο θάνατος από όλες τις αιτίες και η μεταμόσχευση ήπατος πριν από την εμφάνιση ΗΚΚ. Πραγματοποιήθηκε προδρομική βηματική μέθοδος επιλογής παραγόντων σε επίπεδο στατιστικής σημαντικότητας 5% από την οποία προέκυψαν τέσσερις στατιστικά σημαντικοί παράγοντες κινδύνου για την εμφάνιση ΗΚΚ στην 5ετία: φύλο, ηλικία, αιμοπετάλια και κίρρωση του ήπατος. Το μοντέλο αυτό αξιολογήθηκε με εσωτερική επικύρωση και βρέθηκε ότι c-index=0.81. Για την ανάπτυξη της κλίμακας χρησιμοποιήθηκε το μοντέλο με τις μεταβλητές: ηλικία, φύλο και αιμοπετάλια, επειδή στην μεταβλητή της κίρρωσης υπήρχαν πολλές ελλείπουσες τιμές. Οι ασθενείς με βαθμολογία ≤9 είχαν καθόλου ή ελάχιστο κίνδυνο εμφάνισης ΗΚΚ στην 5ετία, και οι ασθενείς με βαθμολογία ≥18 είχαν υψηλό κίνδυνο εμφάνισης ΗΚΚ. Περίπου το 25% των ασθενών ταξινομήθηκαν στην ομάδα χαμηλού κινδύνου, και ίσως αποφύγουν την παρακολούθηση για ΗΚΚ, ενώ το 27% των ατόμων ταξινομήθηκαν στην ομάδα υψηλού κινδύνου και απαιτείται στενή παρακολούθηση. Σήμερα, η ιατρική βασίζεται πολύ στα προγνωστικά μοντέλα, αφού μέσα από αυτά ενημερώνει τους γιατρούς αλλά και τους ίδιους τους ασθενείς για τους παράγοντες κινδύνου που προκαλούν την εμφάνιση μιας ανεπιθύμητης έκβασης και τους καθοδηγούν ώστε να λάβουν τις σωστές αποφάσεις για τον κάθε ασθενή.","The aim of this thesis is the review and the description of methods to develop and validate predictive models. Moreover, the methodology for the development of the risk score under the presence of competing risks was reviewed. After this review a application to available data from patients with chronic hepatitis B was performed in order to predict the risk of developing hepatocellullar carcinoma taking in account the competing events. We make a reference to basic definitions of survival analysis (survival data, hazard function, censored observations, etc), to Cox proportional hazards model and to various checks of proportional hazards assumptions (graphical checks, through residuals, etc). The competing risks often appear in survival data analysis. We refer to methods of statistical analysis under competing risks (cumulative incidence function, cause-specific hazard function and sub-distribution hazard function) and to regression models with the presence of competing risks, like the semi-parametric model of proportional risks by Fine&Gray for the prediction of sub-distribution hazard. In order to develop a predictive model, which takes in account the competing risks, it is necessary to define the outcome, all the predictive factors and the competing event. In the presence of competing risks, the appropriate model should be chosen Fine&Gray model. The next steps include evaluation of missing values , coding of predictors, model specification and model estimation. There are methods to estimate the coefficients (LASSO, ridge regression) to reduce overfitting of the model. After the choice of the final mode, a validation (internal or external) and, an evaluation of the calibration, discrimination and its clinical usefulness are performed. In the thesis, the methodology for the development of a risk score with or without competing risks was described. The application of these methods was based on data from PAGE-B risk score (patients from nine centers with chronical hepatitis B). The outcome was the the development of hepatocellular carcinoma (HCC) in five years after treatment initiation. The competing events were death and liver transplantation. A forward stepwise method was and there were four variables included in the model: age, sex, platelet count and cirrhosis. Internal validation was performed using bootstrap and the resulting c-index was 0.081 based on this score, a points-based risk score was developed to predict the 5-year risk of HCC development. Patients with score ≤9 had low risk of HCC, whereas patients with score ≥18 had high 5-year risk. The difference between the risk score taking into account competing events and PAGE-B were negligible due the low number of competing events in this dataset. Prediction models are now used widely and they provide an important tool for clinicians. As these models may guide decisions related to the follow-up and treatment if patients it is important to strengthen methodological rigor. Competing risks should be consider in the development of prediction models when analyzing survival data."],"dc:identifier":["uoadl:2878662","https://pergamos.lib.uoa.gr/uoa/dl/object/2878662"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Ανάπτυξη κλίμακας για την εκτίμηση κινδύνου (points-based risk score) υπό την παρουσία ανταγωνιστικών κινδύνων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:35:47Z"}