Bayesiaanse methoden om longitudinale profielen te klasseren met toepassingen in geïndividualiseerde geneeskunde

Precisiegeneeskunde of gepersonaliseerde geneeskunde is een opkomend aandachtsgebied dat tot doel heeft de klinische resultaten te verbeteren door geïndividualiseerde behandelplannen op maat te maken. Dit wordt gedreven door de grote hoeveelheid gegevens die routinematig wordt verzameld in moderne klinische omgevingen (bijvoorbeeld DNA-sequenties, continu gemonitorde biomarkers, uitgebreide medische beeldvorming, etc.). De in de loop der tijd gemeten biomarkers leveren belangrijke informatie op over zowel de ziekteprogressie als de potentiële doeltreffendheid van de behandeling. In de context van gepersonaliseerde geneeskunde is de populatie niet homogeen, en het is belangrijk om de heterogeniteit vast te leggen en te modelleren om individuele behandelingsschema's aan te bevelen. Heterogeniteit in populaties wordt typisch behandeld met mengmodellen of heuristische clustermethoden. Een standaardfrequentiemethode maakt gebruik van latente klasse lineaire gemengde modellen, waarbij de longitudinale responsen worden gemodelleerd met behulp van een lineair gemengd model met een mengverdeling voor de willekeurige effecten. Als alternatief kan men gebruik maken van profielregressie, wat een Bayesiaanse benadering is. Profielregressie probeert de hele populatie op te delen in homogene subgroepen met behulp van covariaten en past in een regressiemodel voor de resultaten op elk van de groepen. Ons doel in dit proefschrift is het bestuderen van mogelijke uitbreidingen en praktische toepassingen van Bayesiaanse profielregressie met bijzondere nadruk op gepersonaliseerde geneeskunde.