Ein Multi-State-Modell für das Fortschreiten von Nierenerkrankungen
Mar 29, 2022
Kontakt: Audrey Hu WhatsApp/hp: 0086 13880143964 E-Mail:audrey.hu@wecistanche.com
MK Lintua, KM Shreyasb, Asha Kamatha,*et al
Abstrakt
Hintergrund:Das Verständnis des Fortschreitens von Nierenerkrankungen ist für Kliniker von großem Interesse. Das Multi-State-Modell ist ein geeignetes Werkzeug, um die Auswirkungen von Kovariaten zu modellieren, die den Beginn, das Fortschreiten und die Regression der Nierenfunktion beeinflussen.
Zielsetzung:Das Ziel der vorliegenden Studie ist es, ein stochastisches Modell für vorzuschlagenNiereErkrankungProgression und um die Anwendung derselben zu demonstrieren.
Methodik:Wir schlugen ein semiparametrisches kontinuierliches zeithomogenes Markov-Modell mit mehreren Zuständen für die Daten zum Fortschreiten der Nierenerkrankung vor, die aus einer retrospektiven Studie mit 225 Patienten stammen, denen Colistin (ein wiederauftretendes Antibiotikum) in einem Krankenhaus der Tertiärversorgung an der Küste von Karnataka verschrieben wurde. Basierend auf dem Kidney Disease Improving Global Outcome (KDIGO) Score wurden verschiedene Stadien der Nierenerkrankung definiert. Das Modell besteht aus drei Übergangszuständen und einem absorbierenden Todeszustand. Kovariateneffekte auf die bidirektionalen Übergangsraten wurden unter Verwendung des Mehrzustandsmodells geschätzt.
Ergebnisse:Wir haben die Daten von 225 Patienten verwendet, um das Fortschreiten ihrer Nierenerkrankung zu sehen. Alle Patienten standen unter Colistin-Therapie. Die mediane Krankenhausaufenthaltsdauer betrug 21 Tage. Insgesamt 83 (36,89 Prozent) Patienten starben im Krankenhaus. Die prognostischen Faktoren wie Geschlecht, Bluthochdruck, Sepsis und Operation sind signifikante Faktoren, die die Nierenerkrankung in verschiedenen Stadien beeinflussen.
Fazit:Die Ergebnisse der Studie werden für Entscheidungsträger im Bereich der öffentlichen Gesundheit nützlich sein, um Richtlinien und Behandlungspläne umzusetzen, um das Überleben der Patienten zu verbessern. Darüber hinaus hilft die Modellierung des Krankheitsverlaufs beim Verständnis der erwarteten Belastung durch die Krankheit.
Schlüsselwörter:Mehrstaatenmodell,Niere Erkrankung, Übergangsintensität, Zwischenereignisse, Krankheitsverlauf
Cistanche Deserticola Vorteile: Behandlung von Nierenerkrankungen
1. Einleitung
Niere Erkrankungist ein wichtiges Problem der öffentlichen Gesundheit. Frühes Eingreifen kann jedoch vermieden werdenNiereProblemepermanent. Die nachteiligen Folgen und das Fortschreiten vonchronischKrankheitenwie zum BeispielNiereErkrankungkann durch geeignete Medikamente und Änderungen des Lebensstils kontrolliert werden. Da Nierenerkrankungen oft mit einem Krankenhausaufenthalt enden, ist die Modellierung der Aufenthaltsdauer, des Überlebens und des Fortschreitens der Nierenerkrankung von großem Interesse für Kliniker.
Standard-Überlebensansätze wie die Kaplan-Meier-Methode oder das Cox-Proportional-Hazards-Modell reichen aus, um die einfachen Überlebenseinstellungen ohne Zwischenereignisse zu handhaben. Das Fortschreiten einer Nierenerkrankung ist jedoch ein Beispiel für einen komplexen Prozess mit verschiedenen Zwischenereignissen. Das Multi-State-Modell ist ein effizienter Weg, um solche komplexen Prozesse zu handhaben. Die Probanden können sich zu Beginn des Studiums in einem Zustand befinden, weitere verschiedene Zustände durchlaufen und schließlich in einem Endzustand enden. Diese Übergänge eines Subjekts können modelliert werden und die Risikofaktoren, die mit Überlebenszeiten verschiedener Übergänge verbunden sind, können unter Verwendung eines Mehrzustandsmodells identifiziert werden. Das Modell schätzt die Wirkung verschiedener klinischer und demographischer Faktoren auf komplexe Krankheitsprozesse.1–3
Das Multi-State-Modell wird häufig in Krebsstudien verwendet, da es verschiedene Krebsstadien gibt, die auf das Fortschreiten der Krankheit hinweisen.4,5 In ähnlicher Weise werden Studien durchgeführt, um die Risikofaktoren zu identifizieren, die das Fortschreiten von AIDS bei HIV-Patienten beeinflussen.6–8 Krankheiten wie Diabetes , chronische Nierenerkrankungen usw. können auch mit einem Multi-State-Modell anstelle eines einfachen Überlebensmodells effizient behandelt werden.9,10
In diesem Artikel haben wir ein Multi-State-Modell für das Fortschreiten der Nierenerkrankung von Patienten vorgeschlagen, die Colistin während ihres Krankenhausaufenthalts erhalten. Fallaufzeichnungen von 225 Patienten wurden abgerufen und ihre KDIGO-Scores zu verschiedenen Zeitpunkten wurden für ein klinisches Begleitpapier abgerufen. Die Dauer des Krankenhausaufenthalts ist die Anzahl der Tage von der Aufnahme bis zu ihrem Tod/Entlassung. Während des Krankenhausaufenthaltes durchliefen die Patienten verschiedene Stadien der Schwere der Erkrankung. Wir haben den Prozess mit vier Zuständen definiert. Drei vom KDIGO-Score abgeleitete Übergangszustände sind in Tabelle 1 angegeben.

Aus verschiedenen epidemiologischen Studien geht hervor, dass verschiedene Biomarker und Komorbiditäten eine wichtige Rolle beim Fortschreiten der Nierenerkrankung spielen. Wir schätzten die Auswirkungen von Kovariaten, die den Beginn, das Fortschreiten und die Regression der Nierenfunktion beeinflussen, unter Verwendung des Multi-State-Modells. Wir bieten auch eine Demonstration für die Datendokumentation, -analyse und -interpretation, damit die Leser das Multi-State-Modell einfach implementieren können. Nach unserem besten Wissen wurde das Multi-State-Markov-Modell nicht verwendet, um das Fortschreiten einer Colistin-induzierten Nierenerkrankung zu modellieren.
Im Rest des Papiers stellen wir die Daten vor, erläutern die Methodik und diskutieren die Ergebnisse.

Cistanche Deserticola
2. Materialien und Methoden
2.1. Daten Beschreibung
Die retrospektive Studie wurde ursprünglich durchgeführt, um die Risikofaktoren im Zusammenhang mit Colistin-induzierter Nephrotoxizität bei Patienten zu verstehen, die von Januar 2016 bis Dezember 2017 im Department of Medicine, Kasturba Hospital, Manipal, behandelt wurden. Wir untersuchen weiter die Krankenhaussterblichkeit und die Dauer des Krankenhausaufenthalts Aufenthalt und Fortschreiten der Nierenerkrankung. Von den insgesamt 600 gescreenten Fallakten waren 225 Patienten für die vorliegende Studie geeignet. Krankenhausakten dieser 225 Patienten bilden die Grundlage der vorliegenden Studie.
Auf den KDIGO-Score wurde zu verschiedenen Zeitpunkten zugegriffen, um den zu überwachenNiereFunktionVerbesserung und Verfall. Die prognostischen Faktoren wie Alter, Geschlecht, Diabetes, Bluthochdruck etc. wurden für jeden Patienten erfasst. Ähnliche Studien in der Literatur näherten sich dem Problem mit logistischer Regression oder gewöhnlicher Überlebensanalyse, indem sie den Endpunkt als Abnahme der Nierenfunktion betrachteten. Diese Verfahren vernachlässigen die Progressions- und Regressionsübergänge über die verschiedenen Zustände hinweg. Das Mehrstaatenmodell vermittelt ein vertieftes Verständnis des AllgemeinenNieren- FunktionVerbesserungs- oder Verschlechterungsmuster und Todesfälle in Bezug auf Übergangswahrscheinlichkeiten. Ein Übergang ist eine Zustandsänderung im Laufe einer Studie, und die Übergangswahrscheinlichkeit ist die Wahrscheinlichkeit, von einem Zustand in einen anderen zu wechseln. Die meisten Patienten schienen mehrmals zwischen Zustand 1, Zustand 2 und Zustand 3 zu oszillieren, was darauf hindeutet, dass diese Zustände reversibel sind. Der Übergang ist reversibel, wenn sich das Subjekt zwischen zwei Zuständen hin und her bewegt.
Die Datenanordnung ist ein wichtiger Schritt beim Anpassen eines Mehrzustandsmodells. Die eindeutige ID, die jedem Patienten gegeben wird, sorgt für die Gruppierung eines einzelnen Subjekts. Daher sollte bei der Dokumentation der Daten darauf geachtet werden, dass alle Informationen eines einzelnen Patienten unter derselben eindeutigen ID erfasst wurden. Das Musterdatenlayout ist in Tabelle 2 angegeben.

2.2. Multi-State-Modell
Das Fortschreiten der Nierenerkrankung kann als stochastischer Prozess mit endlichem Zustandsraum in kontinuierlicher Zeit visualisiert werden. Unterschiedliche Zustände spiegeln die Schwere der Erkrankung wider. Es gibt zwei Arten von Zuständen: transient und absorbierend. Ein absorbierender Zustand ist ein Zustand, der, einmal betreten, nicht mehr verlassen werden kann. Während Übergangszustände diejenigen mit weiteren Übergängen sind. Das Mehrzustandsmodell ist ein nützliches Werkzeug, um die Bewegungen eines Subjekts zwischen verschiedenen Zuständen in kontinuierlicher Zeit zu beschreiben. Das Modell berechnet Übergangswahrscheinlichkeiten für alle möglichen Übergänge.11,12
Wir haben ein zeitkontinuierliches, homogenes Multi-State-Markov-Modell mit vier Zuständen für die Daten zum Fortschreiten der Nierenerkrankung vorgeschlagen. Ein Prozess ist Markovsch, wenn die Zukunft nur von der Gegenwart abhängt. Das Modell ist in Abb. 1 visualisiert.

Die Pfeile zeigen die möglichen Übergänge an. Die zweiseitigen Pfeile implizieren reversible Übergänge. Übergänge sind reversibel, wenn sich das Subjekt zwischen zwei Zuständen hin und her bewegt. Die drei betrachteten Übergangszustände (Zustände mit Pfeilen nach außen) sind: Zustand 1 (KDIGO > 60), Zustand 2 (30 < kdigo="">< 60)="" und="" zustand="" 3="" (kdigo="">< 30).="" zustand="" 4="" (tod)="" absorbiert="" (zustand="" ohne="" pfeile="" nach="" außen).="" der="" prozess="" (x(t),="" t="" ∈="" t)="" mit="" zustandsraum="" s="{1," 2,="" 3,="" 4}="" beschreibt="" den="" zur="" zeit="" t="" eingenommenen="" zustand.="" die="" zeitvariable="" wird="" in="" tagen="" ab="" krankenhausaufnahme="" gemessen.="" das="" mehrzustandsmodell="" charakterisiert="" die="" übergangswahrscheinlichkeiten.="" die="" übergangswahrscheinlichkeiten="" (zeitfunktionen)="" sind="" gegeben="" durch:="" kovariateneffekte="" (alter,="" geschlecht,="" bluthochdruck,="" diabetes="" usw.)="" auf="" die="" bidirektionalen="" übergangsraten="" wurden="" geschätzt.="" die="" abschätzung="" der="" gefährdung="" λij="" ist="" gegeben="">

wobei λij das momentane Risiko ist, vom Zustand i in den Zustand j zu wechseln. Die Übergangsintensitätsmatrix ist gegeben durch:

Kontinuierliche Variablen werden als Mittelwert (SD) dargestellt; kategoriale Variablen als Häufigkeit (Prozent).

Q ist die n × n-Übergangsintensitätsmatrix, wobei n die maximale Anzahl der am Prozess beteiligten Zustände ist. Die Übergangsintensität gibt die momentane Übergangsgeschwindigkeit von einem Zustand in einen anderen an. Der Eintrag (i, j) ist 0, wenn kein Übergang von i nach j möglich ist. Diagonale Einträge sind: λii(t)=λi.=− ∑i=∕jλij(t) für alle I ∈ S. Zustand 4 ist ein absorbierender Zustand, die Wahrscheinlichkeit, diesen Zustand zu verlassen, ist Null. Die Summe der Elemente jeder Zeile der Übergangsmatrix ist Null. Das Anpassen eines Mehrzustandsmodells ist der Prozess des Findens der unbekannten Übergangsintensitäten, die die Wahrscheinlichkeit maximieren.13
Das Multi-State-Modell schätzt die mittlere Verweildauer in jedem Bundesstaat, d. h. die durchschnittliche Zeit, die ein Patient bei einem einzigen Aufenthalt in einem Übergangszustand verbringt, bevor er in einen anderen Bundesstaat wechselt. Die erwartete Aufenthaltszeit wird berechnet als − 1/λjj, wobei λjj der j-te Diagonaleintrag von Q(t) ist.
Übergangswahrscheinlichkeiten werden aus Übergangsintensitäten als P(t)=exp[Q(t)] berechnet. Die Übergangswahrscheinlichkeitsmatrix ist gegeben durch:

Die Zeilensumme von P ist gleich eins. Für den absorbierenden Zustand j gilt Pjj(s,t) =1.
Mit den Übergangswahrscheinlichkeiten wird die Likelihood-Funktion gebildet. Diese Likelihood-Funktion L(Q) ist gegeben durch

Wobei das Element Li,j der Eintrag der Zeile s(tij) und der Spalte s(ti,j plus 1) in der Übergangswahrscheinlichkeitsmatrix ist.
Das Proportional-Hazards-Regressionsmodell wurde verwendet, um die kovariaten Effekte auf die Übergangsintensitäten einzubeziehen. Gegeben ein Kovariatenvektor Z,

ij ist der Vektor der Regressionskoeffizienten. Wir haben das Paket MSM in R Version 4.0.2 verwendet, um die Multi-State-Analyse durchzuführen.14 Die Modellauswahl erfolgte mit dem Likelihood-Quotienten-Test.

Cistanche-Stamm
3. Ergebnisse
3.1. Explorative Datenanalyse
Diese retrospektive Studie zielte darauf ab, das Fortschreiten der Nierenerkrankung von Patienten zu modellieren, die Colistin während ihres Krankenhausaufenthalts erhielten. Von den 225 Patienten starben 83 (37 Prozent) Patienten im Krankenhaus und 142 (63 Prozent) Patienten wurden lebend entlassen. Deskriptive Statistiken finden sich in Tabelle 3 und Tabelle 4. Die mediane (IQR) Aufenthaltsdauer betrug 21 (16) Tage. Es wurden 166 männliche Patienten und 59 weibliche Patienten ins Krankenhaus eingeliefert. Das mediane (IQR) Alter der Patienten betrug 57 (26) und der Mittelwert (±SD) beträgt 54 (±17). Es gab 87 (39 Prozent) Patienten mit Bluthochdruck, 78 (35 Prozent) Patienten mit Diabetes, 115 (51 Prozent) Patienten mit Sepsis, 30 (13,3 Prozent) Patienten mit chronischer Nierenerkrankung (CKD), 123 (55 Prozent) Patienten mit Lungenentzündung und 59 (26 Prozent) Patienten hatten eine akute Nierenschädigung (AKI). Von den hospitalisierten Patienten wurden 194 (86 Prozent) auf der Intensivstation aufgenommen und 119 (53 Prozent) Patienten hatten sich einer Operation unterzogen.


Von den 225 Patienten starben 83 (37 Prozent) Patienten im Krankenhaus und die restlichen 142 (63 Prozent) Patienten überlebten am Leben. Die mediane Überlebenszeit betrug 38 Tage (Tabelle 5). Abb. 2 zeigt die Kaplan-Meier-Schätzungen der Überlebensfunktion.


3.2. Multi-State-Analyse
Zum Zeitpunkt der Aufnahme befanden sich 126 Patienten in Zustand 1, 48 Patienten in Zustand 2 und 51 Patienten in Zustand 3. Die Übergangsmatrix des Prozesses ist in Tabelle 6 angegeben. Da die Übergänge reversibel waren, gab es mehr als einen Übergang desselben Typs bei demselben Patienten.

Es gab 32 Übergänge von Zustand 1 zu Zustand 4, was darauf hinweist, dass 32 Patienten, die zu Zustand 1 gehörten, im Krankenhaus starben. In ähnlicher Weise gab es 27 bzw. 24 Todesfälle in Staat 2 und Staat 3. Die diagonalen Einträge geben die Anzahl der Fälle an, in denen die Patienten zu nachfolgenden Zeitpunkten im selben Zustand blieben. Die geschätzte mittlere Aufenthaltsdauer ist in Tabelle 7 angegeben.

msm-Paket wurde verwendet, um die Multi-State-Analyse durchzuführen, um die Auswirkungen von Kovariaten auf die Übergangsintensitäten zu erhalten. Univariate Mehrzustandsmodelle wurden mit klinisch signifikanten Kovariaten erstellt. Kovariaten, die statistische Signifikanz zeigten (p-Wert<0.05) in="" the="" univariate="" analysis="" were="" considered="" in="" the="" final="" model.="" hazard="" ratios="" (95%="" confidence="" intervals)="" of="" each="" transition="" are="" shown="" in="" table="" 8="" and="" table="">0.05)>


Männliche Patienten in Zustand 1 haben ein hohes Risiko [HR: 2,55; 95-Prozent-KI (1,31–4,92)] der Krankheitsprogression im Vergleich zu Frauen. Die Wahrscheinlichkeit einer Regression ist jedoch auch größer für männliche Patienten in Zustand 2. Im Vergleich zu den Frauen in Zustand 3 haben Männer eine um 86 % geringere Wahrscheinlichkeit eines unerwünschten Ergebnisses. Das Vorhandensein von Diabetes zeigte einen gemischten Effekt in verschiedenen Übergängen. Bluthochdruckpatienten in Zustand 2 haben im Vergleich zu den anderen ein höheres Risiko für eine Krankheitsprogression und ihre Chance auf eine Regression von Zustand 3 ist ebenfalls geringer. Sepsis war ein Risikofaktor und zeigte einen signifikanten Effekt beim Übergang von Zustand 1 und Zustand 2 in den absorbierenden Zustand. Dies weist darauf hin, dass Patienten mit Sepsis einem hohen Sterberisiko ausgesetzt sind. In ähnlicher Weise besteht für Patienten, die sich einer Operation unterzogen haben, in Zustand 3 ein höheres Sterberisiko. Aufgrund des Ungleichgewichts in einigen Gruppen kann es einige falsche Assoziationen geben, die keine klinische Signifikanz anzeigen.

Cistanche Bewertungen: Behandlung von Nierenerkrankungen
4. Diskussion und Schlussfolgerung
Nierenerkrankungen sind ein wichtiges Problem der öffentlichen Gesundheit. Durch frühzeitiges Eingreifen können Nierenprobleme jedoch dauerhaft vermieden werden. Die Modellierung des Krankheitsverlaufs hilft beim Verständnis der erwarteten Belastung durch die Krankheit, was für die nationalen Entscheidungsträger im Bereich der öffentlichen Gesundheit weiter nützlich sein kann.
Einige der nicht tödlichen Zwischenereignisse geben einen besseren Einblick in den Krankheitsverlauf. In den meisten Studien werden diese Ereignisse oft ignoriert. Diese Zwischenereignisse sind jedoch für Kliniker von erheblicher Bedeutung, um Behandlungspläne zu verbessern. Das Multi-State-Markov-Modell wurde verwendet, um das Fortschreiten mehrerer chronischer Krankheiten zu verstehen, die Übergänge zwischen verschiedenen Zwischenstadien beinhalten, die die Schwere der Krankheit über einen kontinuierlichen Zeitraum anzeigen. Das Modell bietet einen besseren Einblick in das komplexe Ereignismuster und kann daher als effektives Werkzeug zur Untersuchung der Wirksamkeit von Behandlungen verwendet werden. Das Multi-State-Modell wird in Krebsstudien verwendet, da es verschiedene Stadien von Krebs gibt, die unterschiedliche Übergänge darstellen.4,5 Ebenso werden Studien durchgeführt, um die Risikofaktoren zu identifizieren, die das Fortschreiten von AIDS bei HIV-Patienten beeinflussen.6–8 Krankheiten wie z Diabetes, chronische Nierenerkrankungen usw. können auch mit einem Multi-State-Modell anstelle eines einfachen Überlebensmodells effizient gehandhabt werden.9,10 Allerdings gibt es weniger Anwendungen im Bereich des Fortschreitens chronischer Nierenerkrankungen. Die jüngste Studie, die ein Multi-State-Modell verwendete, um das Fortschreiten der chronischen Nierenerkrankung zu verstehen, stammt von Grover et al.10
Wir schlugen ein Multi-State-Modell mit 4 Zuständen für das Fortschreiten der Nierenerkrankung bei Patienten vor, die Colistin erhielten. Es wurde versucht, eine einfache Demonstration des Multi-State-Modells für Angehörige der Gesundheitsberufe bereitzustellen. Durch die Verfügbarkeit fortschrittlicher Softwaretools ist die Analyse einfach und effektiv. Obwohl wir uns auf das allgemeine Markov-Modell konzentriert haben, gibt es je nach Art des Prozesses verschiedene Arten von Mehrzustandsmodellen.1,2,15–18
Die folgenden grundlegenden Schritte werden empfohlen, um das Mehrzustandsmodell zu verwenden: (i) Definieren Sie den Prozess, indem Sie verschiedene Zustände und mögliche Übergänge identifizieren, wie in Abb. 1 und Tabelle 2 gezeigt. Halten Sie die Anzahl der Zustände für ein reibungsloses Funktionieren des Modells minimal ( ii) Dokumentieren Sie die Daten ordnungsgemäß, wie in Tabelle 1 gezeigt. (iii) Verwenden Sie geeignete Software und Pakete, um das Modell anzupassen. (iv) Interpretieren Sie die Ergebnisse, ohne die Vorteile des Multi-State-Modells gegenüber den anderen Standard-Überlebensanalysetechniken zu verlieren.
Die mediane Aufenthaltsdauer betrug 21 Tage und die mediane Überlebenszeit 38 Tage. Die Ergebnisse zeigen, dass Geschlecht, Diabetes, Bluthochdruck, Sepsis und Operation signifikante Faktoren sind, die das Fortschreiten oder Zurückgehen von Nierenerkrankungen beeinflussen. Die aus der vorliegenden Studie gewonnenen Ergebnisse sind aufgrund der geringeren Probandenzahl nur begrenzt aussagekräftig. Daher müssen diese Ergebnisse mit Vorsicht verallgemeinert werden. Anschließend wurden aufgrund der kleineren Stichprobengröße verschiedene Stadien der Nierenerkrankung zusammengeführt. Dies würde die Verallgemeinerbarkeit der Ergebnisse beeinträchtigen, da das genaue Bild der Übergangsmuster des Fortschreitens der Nierenerkrankung nicht enthalten ist.8
Das msm-Paket in R-Version 4.0.2 wurde verwendet, um das Multi-State-Modell anzupassen. Als Einschränkungen, die in der Dokumentation des MSM-Pakets aufgeführt sind,14 war die Einbeziehung weiterer Kovariaten aufgrund von Konvergenzproblemen eine Herausforderung. Daher kann für komplexere Probleme ein Nachlasspaket verwendet werden.
Die Erkenntnisse aus einem Multi-State-Modell werden für Entscheidungsträger im Bereich der öffentlichen Gesundheit nützlich sein, um Richtlinien und Behandlungspläne umzusetzen, um das Überleben der Patienten zu verbessern. Darüber hinaus hilft die Modellierung des Krankheitsverlaufs beim Verständnis der erwarteten Belastung durch die Krankheit.

Vorteil des Cistanche-Extrakts: Verbesserung der Nierenfunktion
Ethik-Zustimmung und Zustimmung zur Teilnahme
Die Studie präsentiert eine Sekundäranalyse. Für das klinische Begleitpapier wurde eine ethische Genehmigung eingeholt.
Finanzierung
Diese Forschung wurde nicht finanziert.
Erklärung konkurrierender Interessen
Die Autoren haben keine Interessenkonflikte offenzulegen.
Verweise
1 AndersenPK. Multistate-Modelle in der Überlebensanalyse: eine Studie über Nephropathie und Mortalität bei Diabetes. Stat. Med. 1988;7(6):661–670.
2 Andersen PK, Esbjerg S, Sørensen TI. Multi-State-Modelle für Blutungsepisoden und Mortalität bei Leberzirrhose. Stat. Med. 2000;19(4):587–599.
3 Amorim LD, Cai J. Modellierung wiederkehrender Ereignisse: ein Tutorial zur Analyse in der Epidemiologie. Int J Epidemiol. 2015;44(1):324–333.
4 Le-Rademacher JG, Peterson RA, Therneau TM, et al. Anwendung von Multi-State-Modellen in klinischen Krebsstudien. Clin-Studien. 2018;15(5):489–498.
5 Putter H., van der Hage J., de Bock GH, et al. Schätzung und Vorhersage in einem Multistate-Modell für Brustkrebs. Biom J. 2006;48(3):366–380.
6 Hamidi O., Tapak L., Poorolajal J., et al. Identifizierung von Risikofaktoren für das Fortschreiten zu AIDS und Mortalität nach einer HIV-Infektion unter Verwendung des Krankheits-Tod-Mehrzustandsmodells. Clin Epidemiology Glob Health. 2017;5(4):163–168.
7 Tapak L, Kosorok MR, Sadeghifar M, et al. Rekursiv imputierte Überlebensbäume mit mehreren Zuständen für die Zeit-bis-Ereignis-Datenanalyse: eine Anwendung auf AIDS- und Sterblichkeitsdaten nach einer HIV-Infektion. BMC Med Res Methodol. 2018;18(1):1–2.
8 Matsena Zingoni Z, Chirwa TF, Todd J, et al. Fortschreiten der HIV-Krankheit bei Patienten mit antiretroviraler Therapie in Simbabwe: ein Multistate-Markov-Modell. Front der öffentlichen Gesundheit. 2019;7:326.
9 Aliyari R., Hajizadeh E., Aminorroaya A., et al. Multistate-Modelle zur Vorhersage der Entwicklung von Spätkomplikationen bei Typ-2-Diabetes in einer offenen Kohortenstudie. Diabetes Metab Syndr Obes. 2020;13:1863.
10 Grover, G., Sabharwal, A., Kumar, S., et al. Ein Multi-State-Markov-Modell für das Fortschreiten chronischer Nierenerkrankungen. Turkiye Klinikleri J Biostat. 2019;11(1):1–4.
11 Keiding N, Klein JP, Horowitz MM. Mehrzustandsmodelle und Ergebnisvorhersage bei der Knochenmarktransplantation. Stat. Med. 2001;20(12):1871–1885.
12 Klein JP, Qian C. Modellierung des Überlebens in mehreren Zuständen, veranschaulicht in der Knochenmarktransplantation. Biometrie. 1996: 93–102.
13 Manzini G, Ettrich TJ, Kremer M, et al. Vorteile eines Multi-State-Ansatzes in der chirurgischen Forschung: Wie intermediäre Ereignisse und das Risikofaktorprofil die Prognose eines Patienten mit lokal fortgeschrittenem Rektumkarzinom beeinflussen. BMC Med Res Methodol. 2018;18(1): 1–11.
14 JacksonCH. Multi-State-Modelle für Paneldaten: das MSM-Paket für R. J Stat Software. 2011;38(8):1–29.
15 Marshall G., Jones RH. Multi-State-Modelle und diabetische Retinopathie. Stat. Med. 30. September 1995;14(18):1975–1983.
16 Meira-Machado L, de Una- ˜ Alvarez ´ J, Cadarso-Suarez ´ C, et al. Multi-State-Modelle für die Analyse von Time-to-Event-Daten. Statistikmethoden Med Res. 2009;18(2):195–222.
17 Begun A, Icks A, Waldeyer R, et al. Identifizierung eines zeitkontinuierlichen, inhomogenen Markov-Kettenmodells mit mehreren Zuständen für Patienten mit eingeschränkter Nierenfunktion. Med Entscheidungsfindung. 2013 Feb;33(2):298–306.
18 O'Keeffe AG, Su L, Farewell VT. Korrelierte Mehrzustandsmodelle für mehrere Prozesse: eine Anwendung auf das Fortschreiten von Nierenerkrankungen bei systemischem Lupus erythematodes. Königliche Statistische Gesellschaft. 2018;67(4):841–860.







