Multistate models in survival analysis using INLA, applied on data for resuscitation after cardiac arrest

Abstract

Levetidsanalyse er studiet av data som beskriver tiden til en bestemt hendelse. Inkludering av flere hendelser er ofte nødvendig for å lage en mer nøyaktig modell av verden, og disse modellene blir referert til som multistate-modeller. Siden levetidsdata ofte inkluderer sensurerte data, spiller farefunksjonen en sentral rolle i levetidsanalyse. Heterogenitet i fordelingene kan gjøres rede for ved å inkludere kovariater i farefunksjonen, og vi ønsker å estimere effektene av disse kovariatene. I tillegg bruker vi Weibull og eksponentielle grunnlinjefarer. Vi bruker en Bayesiansk analysetilnærming for våre multistate-modeller, som kan presenteres som latente Gaussiske modeller (LGMs) ved å tilordne Gaussiske priors til det latente feltet. Inferensverktøyet kalt integrerte nestede Laplace-tilnærminger (INLA) brukes til å utføre inferens. INLA kan tilpasses og brukes på komplekse multistate-modeller, noe som gjør Bayesiansk analyse rask og nøyaktig.

Survival analysis is the study of data that describes the time to a particular event. Including several events are often needed to create a more accurate model of the world and these models are referred to as multistate models. As survival data often includes censored data, the hazard function plays a central role in survival analysis. Heterogeneity in the distributions can be accounted for by including covariates in a model for the hazard, and we wish to estimate the effects of these covariates. In addition, we use Weibull and exponential baseline hazards. We use a Bayesian analysis approach for our multistate models, which can be presented as latent Gaussian models (LGMs) by assigning Gaussian priors to the latent field. The inferential tool named integrated nested Laplace approximations (INLA) is used for inference. INLA can be adapted and applied to complex multistate models, making Bayesian analysis fast and accurate.