Modeling Disease Progression With Longitudinal Markers
利用纵向标志物建模疾病进展AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究医学纵向标志物与潜在疾病过程，仅有重复观测不足以确定其属于经济面板方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用纵向标志物建模疾病进展
- 研究问题
- 如何联合利用生物标志物的纵向水平、疾病临床检出年龄和确诊时状态，刻画疾病发生及向晚期进展的自然过程？
- 方法与思路
- 作者提出贝叶斯疾病自然史模型，以潜在疾病过程连接纵向观测与疾病发生，并让向晚期阶段的转移依赖生物标志物水平。
- 材料陈述的贡献
- 摘要称论文构建了上述联合模型，并利用巴尔的摩老龄化纵向研究中的前列腺特异抗原数据研究前列腺癌自然史。
- 阅读关注点
- 应核对潜在疾病过程、标志物轨迹和临床检出机制如何连接，查看参数识别、先验设定及模型拟合的验证方式。
- 阅读边界
- 仅据版本未注明的索引摘要；转移模型、识别条件和应用数值未说明，标志物依赖关系不能自动解释为因果效应。
原文摘要
In this paper we propose a Bayesian natural history model for disease progression based on the joint modeling of longitudinal biomarker levels, age at clinical detection of disease and disease status at diagnosis. We establish a link between the longitudinal responses and the natural history of the disease by using an underlying latent disease process which describes the onset of the disease and models the transition to an advanced stage of the disease as dependent on the biomarker levels. We apply our model to the data from the Baltimore Longitudinal Study of Aging on prostate specific antigen (PSA) to investigate the natural history of prostate cancer.