{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3359654"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3359654","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Διερεύνηση της απόδοσης μεθόδων από κοινού μοντελοποίησης του μηχανισμού περικοπής και διαχρονικών τιμών CD4 λεμφοκυττάρων σε άτομα με HIV μέσω μελετών προσομοίωσης","abstract":"Οι διαχρονικές μελέτες είναι απαραίτητες σε πολλούς τομείς, όπως η ιατρική, η ψυχολογία και οι κοινωνικές επιστήμες, για την κατανόηση των αλλαγών και των τάσεων που συμβαίνουν με την πάροδο του χρόνου. Ωστόσο, μία από τις προκλήσεις στις διαχρονικές μελέτες είναι το ζήτημα της αποκοπής-αποχώρησης, το οποίο αναφέρεται στην απώλεια συμμετεχόντων-παρατηρήσεων κατά τη διάρκεια της παρακολούθησης. Ανάλογα με τον μηχανισμό που προκάλεσε την απώλεια των δεδομένων, οι ελλείπουσες παρατηρήσεις που προκύπτουν από την αποκοπή μπορούν να ταξινομηθούν ως παρατηρήσεις που λείπουν εντελώς τυχαία (MCAR), τυχαία (MAR) ή όχι τυχαία (MNAR). Η αγνόηση του μηχανισμού έλλειψης παρατηρήσεων μπορεί να οδηγήσει σε μεροληπτικά και μη ορθά αποτελέσματα στην ανάλυση. Μια λύση σε αυτό το ζήτημα είναι η χρήση από κοινών μοντέλων, τα οποία συνδυάζουν ένα διαχρονικό μοντέλο για την διαχρονική έκβαση που μας ενδιαφέρει με ένα μοντέλο επιβίωσης για τη διαδικασία αποκοπής. Τα μεικτά μοντέλα υποθέτουν ότι ο μηχανισμός ελλειπόντων δεδομένων είναι MAR, δηλαδή ότι η πιθανότητα έλλειψης εξαρτάται μόνο από τα παρατηρούμενα δεδομένα. Ωστόσο, στην περίπτωση του μηχανισμού MNAR, όπου η πιθανότητα έλλειψης σχετίζεται και με μη παρατηρούμενα δεδομένα οι υποθέσεις των μεικτών μοντέλων παραβιάζονται. Τα από κοινού μοντέλα, από την άλλη πλευρά, μπορούν να λάβουν υπόψη τους την εξάρτηση μεταξύ της διαχρονικής έκβασης και της διαδικασίας των ελλειπουσών δεδομένων, καθιστώντας τα πιο κατάλληλα για τον χειρισμό δεδομένων MNAR. Η μελέτη προσομοίωσης αποτέλεσε κρίσιμο στοιχείο της παρούσας διατριβής, καθώς χρησιμοποιήθηκε για να εξεταστεί η απόδοση των μοντέλων μεικτών επιδράσεων και των από κοινού μοντέλων παρουσία ελλειπουσών δεδομένων υπό τους μηχανισμούς MAR και MNAR. Ο κύριος στόχος της μελέτης προσομοίωσης, η οποία μιμήθηκε πραγματικά δεδομένα από την εξέλιξη των CD4 λεμφοκυττάρων από τη βάση δεδομένων CASCADE, ήταν να αξιολογήσει την απόδοση των μοντέλων μεικτών επιδράσεων και των από κοινού μοντέλων, και συγκεκριμένα των μοντέλων κοινών τυχαίων επιδράσεων (SREM), όσον αφορά την ακρίβεια εκτίμησης και τη μεροληψία, καθώς και την ικανότητά τους να χειρίζονται τα ελλείποντα δεδομένα υπό 3 διαφορετικά σενάρια. Τέλος, έγινε και μια απλή-αδρή εφαρμογή σε δεδομένα από την CASCADE μελέτη με προγνωστικό παράγοντα την ηλικία.","abstract_html":"Οι διαχρονικές μελέτες είναι απαραίτητες σε πολλούς τομείς, όπως η ιατρική, η ψυχολογία και οι κοινωνικές επιστήμες, για την κατανόηση των αλλαγών και των τάσεων που συμβαίνουν με την πάροδο του χρόνου. Ωστόσο, μία από τις προκλήσεις στις διαχρονικές μελέτες είναι το ζήτημα της αποκοπής-αποχώρησης, το οποίο αναφέρεται στην απώλεια συμμετεχόντων-παρατηρήσεων κατά τη διάρκεια της παρακολούθησης. Ανάλογα με τον μηχανισμό που προκάλεσε την απώλεια των δεδομένων, οι ελλείπουσες παρατηρήσεις που προκύπτουν από την αποκοπή μπορούν να ταξινομηθούν ως παρατηρήσεις που λείπουν εντελώς τυχαία (MCAR), τυχαία (MAR) ή όχι τυχαία (MNAR). Η αγνόηση του μηχανισμού έλλειψης παρατηρήσεων μπορεί να οδηγήσει σε μεροληπτικά και μη ορθά αποτελέσματα στην ανάλυση. Μια λύση σε αυτό το ζήτημα είναι η χρήση από κοινών μοντέλων, τα οποία συνδυάζουν ένα διαχρονικό μοντέλο για την διαχρονική έκβαση που μας ενδιαφέρει με ένα μοντέλο επιβίωσης για τη διαδικασία αποκοπής. Τα μεικτά μοντέλα υποθέτουν ότι ο μηχανισμός ελλειπόντων δεδομένων είναι MAR, δηλαδή ότι η πιθανότητα έλλειψης εξαρτάται μόνο από τα παρατηρούμενα δεδομένα. Ωστόσο, στην περίπτωση του μηχανισμού MNAR, όπου η πιθανότητα έλλειψης σχετίζεται και με μη παρατηρούμενα δεδομένα οι υποθέσεις των μεικτών μοντέλων παραβιάζονται. Τα από κοινού μοντέλα, από την άλλη πλευρά, μπορούν να λάβουν υπόψη τους την εξάρτηση μεταξύ της διαχρονικής έκβασης και της διαδικασίας των ελλειπουσών δεδομένων, καθιστώντας τα πιο κατάλληλα για τον χειρισμό δεδομένων MNAR. Η μελέτη προσομοίωσης αποτέλεσε κρίσιμο στοιχείο της παρούσας διατριβής, καθώς χρησιμοποιήθηκε για να εξεταστεί η απόδοση των μοντέλων μεικτών επιδράσεων και των από κοινού μοντέλων παρουσία ελλειπουσών δεδομένων υπό τους μηχανισμούς MAR και MNAR. Ο κύριος στόχος της μελέτης προσομοίωσης, η οποία μιμήθηκε πραγματικά δεδομένα από την εξέλιξη των CD4 λεμφοκυττάρων από τη βάση δεδομένων CASCADE, ήταν να αξιολογήσει την απόδοση των μοντέλων μεικτών επιδράσεων και των από κοινού μοντέλων, και συγκεκριμένα των μοντέλων κοινών τυχαίων επιδράσεων (SREM), όσον αφορά την ακρίβεια εκτίμησης και τη μεροληψία, καθώς και την ικανότητά τους να χειρίζονται τα ελλείποντα δεδομένα υπό 3 διαφορετικά σενάρια. Τέλος, έγινε και μια απλή-αδρή εφαρμογή σε δεδομένα από την CASCADE μελέτη με προγνωστικό παράγοντα την ηλικία.","abstract_has_math":false,"creators":["Χαλκίδης Νίκος","Chalkidis Nikos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:23:29Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3359654"],"render_values":[{"text":"uoadl:3359654","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3359654","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3359654","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%3A3359654","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χαλκίδης Νίκος","Chalkidis Nikos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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:3359654","https://pergamos.lib.uoa.gr/uoa/dl/object/3359654"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι διαχρονικές μελέτες είναι απαραίτητες σε πολλούς τομείς, όπως η ιατρική, η ψυχολογία και οι κοινωνικές επιστήμες, για την κατανόηση των αλλαγών και των τάσεων που συμβαίνουν με την πάροδο του χρόνου. Ωστόσο, μία από τις προκλήσεις στις διαχρονικές μελέτες είναι το ζήτημα της αποκοπής-αποχώρησης, το οποίο αναφέρεται στην απώλεια συμμετεχόντων-παρατηρήσεων κατά τη διάρκεια της παρακολούθησης. Ανάλογα με τον μηχανισμό που προκάλεσε την απώλεια των δεδομένων, οι ελλείπουσες παρατηρήσεις που προκύπτουν από την αποκοπή μπορούν να ταξινομηθούν ως παρατηρήσεις που λείπουν εντελώς τυχαία (MCAR), τυχαία (MAR) ή όχι τυχαία (MNAR). Η αγνόηση του μηχανισμού έλλειψης παρατηρήσεων μπορεί να οδηγήσει σε μεροληπτικά και μη ορθά αποτελέσματα στην ανάλυση. Μια λύση σε αυτό το ζήτημα είναι η χρήση από κοινών μοντέλων, τα οποία συνδυάζουν ένα διαχρονικό μοντέλο για την διαχρονική έκβαση που μας ενδιαφέρει με ένα μοντέλο επιβίωσης για τη διαδικασία αποκοπής. Τα μεικτά μοντέλα υποθέτουν ότι ο μηχανισμός ελλειπόντων δεδομένων είναι MAR, δηλαδή ότι η πιθανότητα έλλειψης εξαρτάται μόνο από τα παρατηρούμενα δεδομένα. Ωστόσο, στην περίπτωση του μηχανισμού MNAR, όπου η πιθανότητα έλλειψης σχετίζεται και με μη παρατηρούμενα δεδομένα οι υποθέσεις των μεικτών μοντέλων παραβιάζονται. Τα από κοινού μοντέλα, από την άλλη πλευρά, μπορούν να λάβουν υπόψη τους την εξάρτηση μεταξύ της διαχρονικής έκβασης και της διαδικασίας των ελλειπουσών δεδομένων, καθιστώντας τα πιο κατάλληλα για τον χειρισμό δεδομένων MNAR. Η μελέτη προσομοίωσης αποτέλεσε κρίσιμο στοιχείο της παρούσας διατριβής, καθώς χρησιμοποιήθηκε για να εξεταστεί η απόδοση των μοντέλων μεικτών επιδράσεων και των από κοινού μοντέλων παρουσία ελλειπουσών δεδομένων υπό τους μηχανισμούς MAR και MNAR. Ο κύριος στόχος της μελέτης προσομοίωσης, η οποία μιμήθηκε πραγματικά δεδομένα από την εξέλιξη των CD4 λεμφοκυττάρων από τη βάση δεδομένων CASCADE, ήταν να αξιολογήσει την απόδοση των μοντέλων μεικτών επιδράσεων και των από κοινού μοντέλων, και συγκεκριμένα των μοντέλων κοινών τυχαίων επιδράσεων (SREM), όσον αφορά την ακρίβεια εκτίμησης και τη μεροληψία, καθώς και την ικανότητά τους να χειρίζονται τα ελλείποντα δεδομένα υπό 3 διαφορετικά σενάρια. Τέλος, έγινε και μια απλή-αδρή εφαρμογή σε δεδομένα από την CASCADE μελέτη με προγνωστικό παράγοντα την ηλικία.","Longitudinal studies are essential in many fields, such as medicine, psychology, and social sciences, to understand the changes and trends that occur over time. However, one of the challenges in such longitudinal studies is the issue of dropout, which refers to the loss of participants-observations during follow-up. The missing data resulting from dropout can be classified as missing completely at random (MCAR), at random (MAR) or missing not at random (MNAR), depending on the mechanism that caused the missingness. Ignoring the missingness mechanism can lead to biased and inefficient results in the analysis. One solution to this issue is to use joint models, which combine a longitudinal model for the outcome of interest with a survival model for the dropout process. Joint models allow for the estimation of both the longitudinal and survival processes. Mixed models assume that the missing data mechanism is Missing at Random (MAR), meaning that the probability of missingness depends only on observed data. However, in the case of MNAR mechanism, the probability of missingness is related to unobserved data, and thus, the assumptions of mixed models are violated. Joint models, on the other hand, can account for the dependence between the longitudinal outcome and the missing data process, making them more suitable for handling MNAR data. The simulation study is a crucial component of this thesis, as it was used to examine the performance of mixed effect models and joint models in the presence of missing data under both MAR and MNAR mechanisms. The study simulated longitudinal datasets with different patterns of missingness (i.e., MAR vs. MNAR). The simulation was based on realistic scenarios, and involved the use of clinical data from a real-world longitudinal study, namely, the CASCADE study. The main objective of the simulation study was to evaluate the performance of mixed effect models and joint models such as the shared parameters models (SREMs) in terms of estimation accuracy and bias as well as their ability to handle missing data. The results of the simulation study were used to compare the performance of the two classes of models in the presence of missing data, and to identify the situations in which one model may be preferable over the other using different scenarios. Finally, a simple application was conducted using data from the CASCADE database with age as a predictor."]},{"key":"dc:title","label":"Title","values":["Διερεύνηση της απόδοσης μεθόδων από κοινού μοντελοποίησης του μηχανισμού περικοπής και διαχρονικών τιμών CD4 λεμφοκυττάρων σε άτομα με HIV μέσω μελετών προσομοίωσης"]}]}],"canonical_facts":{"dc:creator":["Χαλκίδης Νίκος","Chalkidis Nikos"],"dc:date":["2023"],"dc:description":["Οι διαχρονικές μελέτες είναι απαραίτητες σε πολλούς τομείς, όπως η ιατρική, η ψυχολογία και οι κοινωνικές επιστήμες, για την κατανόηση των αλλαγών και των τάσεων που συμβαίνουν με την πάροδο του χρόνου. Ωστόσο, μία από τις προκλήσεις στις διαχρονικές μελέτες είναι το ζήτημα της αποκοπής-αποχώρησης, το οποίο αναφέρεται στην απώλεια συμμετεχόντων-παρατηρήσεων κατά τη διάρκεια της παρακολούθησης. Ανάλογα με τον μηχανισμό που προκάλεσε την απώλεια των δεδομένων, οι ελλείπουσες παρατηρήσεις που προκύπτουν από την αποκοπή μπορούν να ταξινομηθούν ως παρατηρήσεις που λείπουν εντελώς τυχαία (MCAR), τυχαία (MAR) ή όχι τυχαία (MNAR). Η αγνόηση του μηχανισμού έλλειψης παρατηρήσεων μπορεί να οδηγήσει σε μεροληπτικά και μη ορθά αποτελέσματα στην ανάλυση. Μια λύση σε αυτό το ζήτημα είναι η χρήση από κοινών μοντέλων, τα οποία συνδυάζουν ένα διαχρονικό μοντέλο για την διαχρονική έκβαση που μας ενδιαφέρει με ένα μοντέλο επιβίωσης για τη διαδικασία αποκοπής. Τα μεικτά μοντέλα υποθέτουν ότι ο μηχανισμός ελλειπόντων δεδομένων είναι MAR, δηλαδή ότι η πιθανότητα έλλειψης εξαρτάται μόνο από τα παρατηρούμενα δεδομένα. Ωστόσο, στην περίπτωση του μηχανισμού MNAR, όπου η πιθανότητα έλλειψης σχετίζεται και με μη παρατηρούμενα δεδομένα οι υποθέσεις των μεικτών μοντέλων παραβιάζονται. Τα από κοινού μοντέλα, από την άλλη πλευρά, μπορούν να λάβουν υπόψη τους την εξάρτηση μεταξύ της διαχρονικής έκβασης και της διαδικασίας των ελλειπουσών δεδομένων, καθιστώντας τα πιο κατάλληλα για τον χειρισμό δεδομένων MNAR. Η μελέτη προσομοίωσης αποτέλεσε κρίσιμο στοιχείο της παρούσας διατριβής, καθώς χρησιμοποιήθηκε για να εξεταστεί η απόδοση των μοντέλων μεικτών επιδράσεων και των από κοινού μοντέλων παρουσία ελλειπουσών δεδομένων υπό τους μηχανισμούς MAR και MNAR. Ο κύριος στόχος της μελέτης προσομοίωσης, η οποία μιμήθηκε πραγματικά δεδομένα από την εξέλιξη των CD4 λεμφοκυττάρων από τη βάση δεδομένων CASCADE, ήταν να αξιολογήσει την απόδοση των μοντέλων μεικτών επιδράσεων και των από κοινού μοντέλων, και συγκεκριμένα των μοντέλων κοινών τυχαίων επιδράσεων (SREM), όσον αφορά την ακρίβεια εκτίμησης και τη μεροληψία, καθώς και την ικανότητά τους να χειρίζονται τα ελλείποντα δεδομένα υπό 3 διαφορετικά σενάρια. Τέλος, έγινε και μια απλή-αδρή εφαρμογή σε δεδομένα από την CASCADE μελέτη με προγνωστικό παράγοντα την ηλικία.","Longitudinal studies are essential in many fields, such as medicine, psychology, and social sciences, to understand the changes and trends that occur over time. However, one of the challenges in such longitudinal studies is the issue of dropout, which refers to the loss of participants-observations during follow-up. The missing data resulting from dropout can be classified as missing completely at random (MCAR), at random (MAR) or missing not at random (MNAR), depending on the mechanism that caused the missingness. Ignoring the missingness mechanism can lead to biased and inefficient results in the analysis. One solution to this issue is to use joint models, which combine a longitudinal model for the outcome of interest with a survival model for the dropout process. Joint models allow for the estimation of both the longitudinal and survival processes. Mixed models assume that the missing data mechanism is Missing at Random (MAR), meaning that the probability of missingness depends only on observed data. However, in the case of MNAR mechanism, the probability of missingness is related to unobserved data, and thus, the assumptions of mixed models are violated. Joint models, on the other hand, can account for the dependence between the longitudinal outcome and the missing data process, making them more suitable for handling MNAR data. The simulation study is a crucial component of this thesis, as it was used to examine the performance of mixed effect models and joint models in the presence of missing data under both MAR and MNAR mechanisms. The study simulated longitudinal datasets with different patterns of missingness (i.e., MAR vs. MNAR). The simulation was based on realistic scenarios, and involved the use of clinical data from a real-world longitudinal study, namely, the CASCADE study. The main objective of the simulation study was to evaluate the performance of mixed effect models and joint models such as the shared parameters models (SREMs) in terms of estimation accuracy and bias as well as their ability to handle missing data. The results of the simulation study were used to compare the performance of the two classes of models in the presence of missing data, and to identify the situations in which one model may be preferable over the other using different scenarios. Finally, a simple application was conducted using data from the CASCADE database with age as a predictor."],"dc:identifier":["uoadl:3359654","https://pergamos.lib.uoa.gr/uoa/dl/object/3359654"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Διερεύνηση της απόδοσης μεθόδων από κοινού μοντελοποίησης του μηχανισμού περικοπής και διαχρονικών τιμών CD4 λεμφοκυττάρων σε άτομα με HIV μέσω μελετών προσομοίωσης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:23:29Z"}