Diskreta data
Andrew Hooker, Mats Karlsson, Maria Kjellsson, Elodie Plan,
Sebastian Ueckert
Inom många sjukdomsområden är det primära effektmåttet ofta en diskret variabel t ex antal händelser, svårighetsgrad av symptom, sjukdomsstadium, sammansatta sjukdomsskalor. Modellerna som beskriver denna typ av data är probabilistiska och trots att de funnits inom området ca 20 år, är användandet ej allmänt utbredd och det finns utvecklingsbehov. I det här projektet, är vår målsättning att utveckla nya modelleringsmetoder för diskreta data för att bättre kunna beskriva sjukdomsförlopp, karaktärisera koncentrations-effektsamband med högre säkerhet och för att kunna simulera kliniska prövningar som avspeglar realiteteten.
Ett fokus är kliniska effektmått som bygger sammansatta skalor, t ex ADAS-cog (Alzheimers sjukdom) och MDS-UPDRS (Parkinsons sjukdom), där vi har introducerat nya tillvägagångssätt såsom ’Item response theory’ och ’Bounded integer models’. Ett annat intresseområde är Hidden Markov models. Läs mer på vår engelska hemsida.