臺灣博碩士論文加值系統

本文針對卵巢癌復發或死亡風險因子做統計分析及討論，分三個部分探討。第一部分先檢定四類癌症細胞病人存活(復發)曲線差異以及探討死亡或復發風險因子，最後用Cox 比例風險模型找出影響每個類型的顯著變數。第二部分用廣義Cox 模型估計風險因子是否會隨治療時間而影響程度變小或加劇，R 程式中有提供”dynsurv”套 ”splineCox” 指令估計 Cox 模型時變係數，可是只能設定所有係數皆與時間相關，但並非所有的風險因子皆與時間相關，因此本文提供 R 程式函式可以設定與時間相關和不相關的係數一起估計，並提供B-splines 和分段三次曲線兩種不同的平滑曲線做為分段迴歸的基本估計函數。第三部分分析病人 CA125 隨時間的變化，病人CA125 的趨勢大約分兩類，一類病人經過治療後CA125 會急速下降並保持穩定，另一類病人治療後也是急速下降，但是最後會再上升。我們在貝氏階層模型的架構下用非線性混合效應模型來分析兩類病人CA125 的變化，目的了解兩類病人的差異。

Ovarian cancer is not the most common tumor in gynecology department, but it is the most lethal gynecologic malignancy. The first part is to find the important variates between different cell types. We use Kaplan-Meier curve to analysis the survival curves with different cell types, and test whether the curves are different by log-rank test. The second part, we were interested in the correlation of the risk factors and survival. The traditional Cox proportional hazards model has been used to identify independent risk factors without considering time effect. The objective of this study was to explore whether the risk factors in ovarian cancer had time-varying effects on survival. We shared the R package on internet for download. The final section is to model patients'' CA125 by time. We can roughly classify patients into two types with the tendency of CA125. After treatment, the perform of CA125 will keep stable continuously or get rise eventually. Therefore, we use nonlinear mixed-effects model with Bayesian hierarchical framework to analysis the longitudinal data. Data used in this study was from Kaohsiung Veteran''s General Hospital from 1995 to end of 2011.

目錄
論文審定書 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
誌謝 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
摘要 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
1 研究動機與目的 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 資料描述 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1 資料收集 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 資料處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3 變數介紹 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3 研究方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1 存活曲線 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Cox 比例風險模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 廣義 Cox 比例風險模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.4 非線性混合效應模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4 研究結果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.1 卵巢癌不同惡性腫瘤細胞類型復發或死亡風險因子結果 . . . . . . . . . . . . . 12
4.2 卵巢癌復發或死亡風險因子結果 . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.3 卵巢癌長期追蹤資料 CA125 分析 . . . . . . . . . . . . . . . . . . . . . . . . 17
5 結論與建議 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
參考文獻 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
附錄 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.1 附錄一 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 附錄二 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.3 附錄三 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

[1] Arellano-valle, R. B., Bolfarine, H. and Lachos, V. H. (2007). Bayesian Inference for
Skew-normal Linear Mixed Models. Journal of Applied Statistics. 34: 663-682.
[2] Chang C., Chiang A. J., Wang H. C., Chen W. A. and Chen J. B. (2015). Evaluation of
the Time-Varying Effect of Prognostic Factors on Survival in Ovarian Cancer. Annals
of Surgical Oncology. (Appear)
[3] Giolo SR, Krieger JE, Mansur AJ, Pereira AC. Survival analysis of patients with heart
failure: implications of time-varying regression effects in modeling mortality. PloS one.
2012;7:e37392.
[4] Liu ML, Lu WB, Shore RE, Zeleniuch-Jacquotte A. Cox regression model with time-
varying coefficients in nested case-control studies. Biostatistics. 2010;11:693-706.
[5] Lu, X. and Huang, Y. (2014). Bayesian Analysis of Nonlinear Mixed-effects Mixture
Model for Longitudinal Data with Heterogeneity and Skewness. Statistics in Mede-
icine. 33: 2830-2849.
[6] Montgomery D. C., Peck E. A. and Vining G. G. (2006). Introduction to Linear
Regression Analysis (4th ed.). New Jersey: Wiley Series in Probability and Statistics.
[7] Sahu, S. K., Dey D. K. and Branco M. D. (2003). A New Class of Multivariate Skew
Distributions with Applications to Bayesian Regression Models.The Canadian Journal
of Statistics. 31: 129-150.
[8] Therneau, T. ,Crowson, C. and Clinic, M. (2014). Using Time Dependent Corariates
and Time Dependent Coefficients in the Cox Model.
[9] Tian L, Zucker D, Wei LJ. On the cox model with time-varying regression coefficients.
J Am Stat Assoc. 2005;100:172-83.
[10] 陳威安 (2014) 。利用存活分析卵巢癌病人資料，國立中山大學應用數學系碩士論文。