Tekrarlı ölçüm verilerinde çok değişkenli çözümleme yöntemler kullanılarak en iyi modelin kestirimi

Abstract

Bilgi teknolojilerin gelişmesi ile birçok alanda olduğu gibi sağlık alanında da kompleks verilerin toplanması ve işlenmesi daha kolay ve hızlı yapılabilmektedir. Bu sayede her geçen gün daha fazla sağlık verisi toplanabilmekte ve toplanan bu veriler bilgisayar ortamında istatistiksel yöntemler ile analiz edilerek yeni bilgilere dönüştürülebilmektedir. Böylelikle istatistiğin klinik araştırmalarda kullanımı da hızla artmaktadır.Klinik çalışmalarda, tekrarlı ölçümler deneklerin kendi içindeki ve denekler arasındaki farklılıklarının ortaya konulması açısından önemli verilerdir. Tekrarlı ölçümler, aynı bireylerden farklı zaman noktalarında elde edilen ilişkili verilerdir ve analizlerinde çok değişkenli istatistik yöntemleri kullanılmaktadır. Bu verilerin analizlerinde en sık kullanılan yöntemler Genelleştirilmiş Tahmin Denklemi(GTD), Genelleştirilmiş Doğrusal Karma Etkili Modelidir (GDKM). GDKM, aynı deneğin tekrarlı ölçümleri arasındaki ilişkiyi modellerken GTD, tüm deneklerin tekrarlı ölçümleri arasında ilişkiyi tanımlayan bir yöntemdir. Tekrarlı veriler için kullanılan bir başka yöntem de İkinci Dereceden Sonuç Çıkarım Fonksiyonu (İDSÇF)? dur. İDSÇF, GTD? nin devamı olarak, boylamsal verilerin analizinde tahmin ve çıkarım için geliştirilmiş yeni bir yöntemdir.Bu çalışmada, Anestezi ve Reanimasyon kliniğinden alınan, cevap değişkeninin iki durumlu ve tekrarlı olduğu bir veri seti kullanılmıştır. İlk aşamada veri setine uygulanan yöntemlerin sonuçları, sonraki aşamada ise birbirlerine göre parametre tahminlerinin etkinlikleri incelenmiştir. Son olarak Bootstrap yöntemi ile elde edilen parametre tahminlerin doğruluğu araştırılmıştır.Kullanılan yöntemlerin bazı eksiklileri olmasına rağmen, tekrarlı ölçümlerin analizinde kullanılabilecek en uygun yöntemlerdir. Çalışma, bilindiği kadarıyla GTD, GDKM ve İDSÇF yöntemlerinin karşılaştırıldığı ilk çalışmadır ve bulgular incelendiğinde, GTD ve İDSÇF yöntemleri birbirine yakın sonuçlar, GDKM yöntemine göre ise daha etkili sonuçlar vermektedir. Bootstrap ise yöntemlerin parametre tahminlerinin oldukça tutarlı olduğunu göstermiştir.Anahtar Kelimeler: Boylamsal Veriler, GTD, GDKM, İDSÇF, Bootstrap

Advances in information technologies enabled rapid and easy data collection and processing in almost every field, including medicine. By this means, gathering high quality health data is now becoming easier and the collected data is analyzed with statistical methods and transformed into new knowledge to be used to improve the level of health. This process increased the use of statistics in clinical studies. In clinical studies, repeated observations or longitudinal data is very important todefine the difference between and within subjects. Repeated observations are correlated data which is obtained from the same subject at different time points. Several statistical methods developed for longitudinal data. Most frequently used analysis methods for longitudinal are Generalized Estimating Equations (GEE) and Generalized Linear Mixed Effect Model (GLMM). GLMM allows to define the relationship within repeated observations of same subject while GEE focuses on describing the relationship betweenrepeated observations of all subjects. Another method used for longitudinal data is Quadratic Inference Function (QIF). This method is extension of GEE and is a new statistical methodology developed for the estimation and inference in longitudinal data analysis.In this study, a data set collected in Anesthesia and Reanimation Department that has a binary outcome variable and several other repeated variables are used. In the first step, the results collected with different methods applied are evaluated. In the second step, the parameter estimates of the methods were compared in terms of their efficiencies. As the last step, the validation of the parameter estimates of GEE, GLMM and QIF were calculated with Bootstrapping method were evaluated.Although the methods used had their own limitations, they are the most appropriate approaches to analyze longitudinal data. To our knowledge, this is the first study to compare GEE, GLMM and QIF methods. The results showed that GEE and QIF methods provide similar outcomes and they are more efficient than GLMM. On the other hand, Bootstrapping showed that the parameter estimates of the methods are highly consistent.Key Words: Longitudinal Data, GEE, GLMM, QIF, Bootstrap