用于疾病进展预测的贝叶斯联合建模

本文解决了医学研究中的一个关键问题：通过联合建模纵向生物标志物数据和时间-事件结果来准确预测疾病进展。贝叶斯方法通过考虑这些数据类型的相互依赖性、处理缺失数据并提供不确定性量化，优于传统方法。 侧重于预测评估和临床可解释性对于个性化医疗中的实际应用尤其有价值。

• •提出了一个用于纵向和生存数据的贝叶斯分层联合建模框架。
• •解决了传统两阶段方法的局限性。
• •强调预测评估和临床可解释性。
• •在模拟和真实世界数据上展示了改进的性能。
• •提供了一个用于动态、患者特异性预后的工具。