Recurrent Events Modeling Based on a Reflected Brownian Motion with Application to Hypoglycemia
基于反射布朗运动的重复事件模型及其低血糖应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究临床重复事件与潜在血糖过程，波动参数并非金融波动率，所列领域缺乏直接对应项。
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…
基于反射布朗运动的重复事件模型及其低血糖应用
- 研究问题
- 如何将患者反复出现的低血糖事件与潜在血糖过程联系起来，同时刻画患者异质性、个体内依赖和协变量的影响？
- 方法与思路
- 作者把低血糖建模为具有上反射屏障的布朗运动越过下界的事件，将协变量和个体脆弱性纳入波动参数及上屏障，并用 MCMC 推断。
- 材料陈述的贡献
- 摘要称，该框架可量化潜在血糖变异与患者异质性；模拟用于验证方法，DURABLE 数据应用展示拟合和生成相似数据的能力。
- 阅读关注点
- 应核对重复越界事件的生成机制、屏障与波动参数的可识别性、脆弱性分布和先验，以及模型比较标准与后验拟合诊断。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核实；摘要未给拟合指标或参数结果，风险因素影响不能直接解释为因果效应。
原文摘要
Patients with type 2 diabetes need to closely monitor blood sugar levels as their routine diabetes self-management. Although many treatment agents aim to tightly control blood sugar, hypoglycemia often stands as an adverse event. In practice, patients can observe hypoglycemic events more easily than hyperglycemic events due to the perception of neurogenic symptoms. We propose to model each patient's observed hypoglycemic event as a lower-boundary crossing event for a reflected Brownian motion with an upper reflection barrier. The lower-boundary is set by clinical standards. To capture patient heterogeneity and within-patient dependence, covariates and a patient level frailty are incorporated into the volatility and the upper reflection barrier. This framework provides quantification for the underlying glucose level variability, patients heterogeneity, and risk factors' impact on glucose. We make inferences based on a Bayesian framework using Markov chain Monte Carlo. Two model comparison criteria, the Deviance Information Criterion and the Logarithm of the Pseudo-Marginal Likelihood, are used for model selection. The methodology is validated in simulation studies. In analyzing a dataset from the diabetic patients in the DURABLE trial, our model provides adequate fit, generates data similar to the observed data, and offers insights that could be missed by other models.