| Abstract : | Η προβολή καμπυλών επιβίωσης μπορεί να είναι δυνητικά επικίνδυνη, εφόσον δεν μπορεί κανείς να κάνει τέτοιες προβλέψεις με προκαθορισμένη στατιστική ακρίβεια. Ωστόσο, αυτή η προβολή των καμπυλών επιβίωσης λαμβάνει αναπόφευκτα χώρα σε πλήθος επιστημονικών πεδίων, συμπεριλαμβανομένων των οικονομικών εκτιμήσεων στον τομέα της υγείας. Στο πλαίσιο της μελέτης αποδοτικότητας κόστους, οι προβολές καμπυλών επιβίωσης διαδραματίζουν κρίσιμο ρόλο, καθώς ποσοτικοποιούν το κέρδος στη διάρκεια ζωής που σχετίζεται με μια νέα επέμβαση. Αυτός ο παράγοντας είναι ιδιαίτερα σημαντικός λόγω της περιορισμένης διάρκειας των τυχαιοποιημένων κλινικών δοκιμών, οι οποίες απαιτούν προβλέψεις σχετικά με την επιβίωση, πέρα από την περίοδο παρακολούθησης των ασθενών. Το κύριο αντικείμενο αυτής της διατριβής είναι να εκτιμήσει με ακρίβεια τον μέσο χρόνο επιβίωσης, ένα σημαντικό μέτρο που παρέχει ενδείξεις για την αποτελεσματικότητα μιας θεραπείας σε σχέση με το πόσο παρατείνει τον χρόνο ζωής. Η διατριβή αρχίζει με μια ανασκόπηση των υπαρχόντων παραμετρικών μοντέλων που συνήθως χρησιμοποιούνται για την προβολή των καμπυλών επιβίωσης, συμπεριλαμβανομένων των μοντέλων Exponential, Weibull, Log-Normal, Log-Logistic και Gompertz. Τα παραπάνω παραμετρικά μοντέλα εξετάζονται ενώ δίνεται ιδιαίτερη έμφαση στη σημασία επιλογής κατάλληλων κριτηρίων και μέτρων σχετικών με την προβλεπτική ικανότητα τους, προκειμένου να χρησιμοποιηθεί το πιο αξιόπιστο μοντέλο για την πρόβλεψη. Το κεντρικό ενδιαφέρον εστιάζεται στην ανάπτυξη ανθεκτικών μεθοδολογιών, οι οποίες επιτρέπουν να γίνονται όσο το δυνατόν πιο αξιόπιστες μακροπρόθεσμες προβολές των καμπυλών επιβίωσης. Έτσι, ενισχύονται οι πληροφορίες που αξιοποιούνται για την λήψη αποφάσεων στον τομέα της υγείας, καθώς και για την διάθεση των υπάρχοντών πόρων. Η πρακτική εφαρμογή των προτεινόμενων μεθοδολογιών παρουσιάζεται μέσω μιας μελέτης που χρησιμοποιεί πραγματικά κλινικά δεδομένα με την ονομασία METABRIC, τα οποία σχετίζονται με τον καρκίνο του μαστού. Η απόδοση του κάθε μοντέλου αξιολογείται σχολαστικά μέσα από τη σύγκριση των αποτελεσμάτων της εκάστοτε πρόβλεψης με τα παρατηρούμενα εμπειρικά αποτελέσματα, τα οποία αποκτώνται μέσω της χρήσης κλασικών μη παραμετρικών μεθόδων. Τα αποτελέσματα αναδεικνύουν τη χρησιμότητα επιλογής κατάλληλων μοντέλων σε διαφορετικές χρονικές στιγμές, καθώς διαφορετικά μοντέλα μπορεί να εμφανίζουν υψηλότερη προβλεπτική ικανότητα σε συγκεκριμένες χρονικές περιόδους. Επιπλέον, η διατριβή αυτή παρέχει πληροφορίες σχετικά με την εγκυρότητα που έχουν οι προβολές των καμπυλών επιβίωσης, αξιοποιώντας μέτρα αξιολόγησης όπως η Λ1, η Λ2 νόρμα και το μέσο τετραγωνικό σφάλμα. Μέσω των παραπάνω, επιτυγχάνεται η σύγκριση μεταξύ των παρατηρούμενων και των προβλεπόμενων τιμών των καμπυλών επιβίωσης. Επιπρόσθετα, μια πιο σχολαστική στρατηγική θα περιλάμβανε την αξιολόγηση διαφορετικών μοντέλων προκειμένου να γίνουν οι προβλέψεις, ανάλογα με το που φτάνει η καμπύλη επιβίωσης σε διαφορετικούς χρονικούς ορίζοντες. Ακόμα, είναι γεγονός ότι η ακριβής μακροπρόθεσμη πρόβλεψη εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα μακροπρόθεσμων δεδομένων. Τέλος, είναι αξιοσημείωτο ότι προκειμένου να επιτευχθεί αξιόπιστη εκτίμηση των προβολών των καμπυλών επιβίωσης, θα πρέπει να αξιοποιηθούν εξωτερικές πηγές δεδομένων ή/και γνώμες ειδημόνων.
Survival extrapolation can be potentially dangerous since one may not make such predictions with pre-specified statistical accuracy. However, such extrapolation necessarily takes place implicitly or explicitly in a number of scientific fields, including in health economic evaluations. In the context of cost-effectiveness analysis, survival extrapolation plays a crucial role in quantifying the lifetime survival benefit associated with a new intervention. This aspect is particularly significant, due to the limited duration of randomized controlled trials (RCTs) which require projecting outcomes beyond the trial period. The primary objective of this master’s thesis is to accurately estimate the mean survival time, a significant measure that provides insights into the effectiveness of a treatment in terms of prolonging life. The thesis begins with a comprehensive review of existing parametric models commonly employed for survival extrapolation, including Exponential, Weibull, Log-Normal, Log-Logistic, and Gompertz models. The central focus lies on developing robust methodologies that enable precise long-term survival predictions, thereby enriching the level of information available for healthcare decision making and resource allocation processes. The practical application of the proposed methodologies is demonstrated through a case study utilizing real-world clinical data from the METABRIC breast cancer data set. The performance of each model is rigorously evaluated by comparing the results against the ground truth, which is obtained through the utilization of standard non-parametric methods. The results highlight the importance of selecting appropriate models at different time points, as different models may exhibit superior predictive ability in specific time periods. In addition, the thesis provides insights into the assessment and validation of survival extrapolation, presenting evaluation metrics such as the L1 norm, L2 norm, and mean squared error for comparing predicted and observed survival curves. In conclusion, the metrics examined in this study offer quantitative measures of accuracy and facilitate informed decision-making as regards the challenging task of survival extrapolation. Moreover, a more informed strategy would entail choosing distinct models for extrapolation depending on the stage of advancement in the survivor curve. Noteworthy, it should be stated that accurate estimation of long-term survival heavily depends on the availability of long-term data and is influenced by the assumptions made during modeling, which can significantly impact resulting decisions. To ensure reliable estimation, data from external sources (such as disease registries, cohorts, or the general population should be obtained), and formal elicitation of expert beliefs may be necessary.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.