Modelling non-standard longitudinal outcomes using fast Bayesian inference.

该项目旨在改进医学研究中对随时间重复测量数据的统计分析方法，例如血液生物标志物或癫痫发作次数的变化。虽然标准模型对简单数据类型效果良好，但对更复杂的结局变量——如有序分类数据（例如疾病严重程度分级）或过度离散的计数数据（变异程度高于常规情况）——尤其在大规模数据集中，分析难度较大。目前的贝叶斯方法（如MCMC）虽然准确，但计算速度较慢。 为解决这一问题，该项目将探索变分贝叶斯（Variational Bayes）方法，这是一种通过近似而非精确计算来加速分析的替代方案。目标是为非标准的纵向数据模型开发高效的分析方法，涵盖有序模型、多项分布模型、离散威布尔模型（用于过度离散的计数数据）以及贝塔-二项模型（用于过度离散的二元数据）。这些模型将通过模拟实验和真实世界数据进行测试，评估其计算速度与准确性。 潜在应用包括糖尿病视网膜病变的进展研究以及癫痫患者的癫痫发作模式分析。项目还将探索通过联合建模方式将这些纵向模型与生存数据相结合。一个关键成果将是提供用户友好的R语言代码，使研究人员能够在实际研究中便捷地应用这些先进工具。