报告题目：Survival Analysis with Dependently Interval-Censored Data。
报告人: 朱雅媛（助理教授）（University of Western Ontario）
报告时间：2019年12月12日下午2: 30 ~ 4: 30.
报告地点：数理楼小报告厅145.
报告摘要：Disease progression is often monitored by intermittent follow-up visits in longitudinal cohort studies, resulting in time-to-event outcomes subject to interval censoring. Furthermore, the timing and frequency of clinical visits are often found related to a person's history of disease-related variables such as disease progression and treatment, thus producing outcome-dependent observation times. Standard statistical methods for interval-censored data analysis reply on the assumption that observation times are independent of the time-to-event outcome. Otherwise, selection bias will be induced. In this presentation, I will introduce a so-called inverse-intensity-of-visit (IIV) weighting approach which models observation times as a recurrent event process and incorporates the estimated visit intensities in the model of time-to-event outcome. Parametric, non-parametric and semi-parametric methods are specifically developed based on that. Simulations are conducted to examine the finite sample performance of the proposed estimators, compared with standard analysis methods. A dataset from the Toronto Psoriatic Arthritis (PsA) Cohort Study is used to illustrate the proposed methodologies.
在流行病学及临床医学实践中，病人通常接受间断性的跟踪访问：例如前往诊所进行定期复诊及检查。在生存数据分析中，当所感兴趣的事件不是被实时跟踪而是间歇性跟踪时，我们只能观测到事件发生于某个时间区间内，而非具体某个时间点。这被称之为区间删失数据 (interval-censored data)。尽管规律性的复诊及跟踪通常是被期望的，然而现实中更为常见的是病人由于种种原因未遵循建议在规律时间点参与跟踪访问。并且据很多现实数据显示，这些访问时间点往往和病人的病情发展和接受的治疗方案等与疾病相关的因素有关。 这致使区间删失数据的删失体制并非是与我们感兴趣的生存数据的分布无关， 反而携带着与之有关的大量信息。 常用的统计方法都是依赖这个不相关删失的假设。当这个假设不成立时，常用统计方法所得到的估计值是有偏差的。在这个讲座中，我将介绍一种用经常性的事件过程 (recurrent event process) 来对访问时间进行建模并估计每个人在每个时间点的访问强度。 随后这些被估计的访问强度将被作为权重包含在生存数据的模型中来调和非独立观测时间点带来的偏差。我将介绍有参，非参及半参数三种模型下的统计分析方法，并在随机模拟中与常规分析方法做比较。结果显示，我们提出的方法产生无偏的估计和有效的推断。隶属于多伦多大学的多伦多西部医院的牛皮癣关节炎诊所提供的数据将被用于现实数据分析案例.

简介：朱雅媛 博士 毕业于同济大学数学系统计学专业，后于加拿大卡尔加里大学数学系和滑铁卢大学统计精算系获得理学硕士与博士学位。现于加拿大西安大略大学流行病学与生物统计学系任助理教授。其主要研究方向是生存分析，纵向数据分析，及动态预测模型在生物医学领域的应用。