Populationspharmakokinetik, Allometrie und Skalierung von Modellparametern. Tillmann Utesch, Axel Rack, U. K., Max von Kleist
|
|
- Kasimir Hafner
- vor 7 Jahren
- Abrufe
Transkript
1 Populationspharmakokinetik, Allometrie und Skalierung von Modellparametern Tillmann Utesch, Axel Rack, U. K., Max von Kleist
2 Übersicht Einleitung Allometrie (Populations-)Pharmakokinetik Zusammenfassung
3 Was ist Populationspharmakokinetik? Was möchte man? Verteilungen pharmakokinetischer Größen Was braucht man? Verteilungen physiologischer Größen Wozu? Identifizierung von Unterschieden in Wirkstoffsicherheit und Effektivität in Subpopulationen
4 Populationspharmakokinetik: Motivation Individuen unterscheiden sich in ihrer Physiologie Sammeln relevanter Informationen Messen und Identifizieren von Variabilitäten in (Sub-)Populationen Ursachen der Variabilitäten finden Abschätzung der zufälligen Variabilität in Bevölkerungen
5 Relevante Informationen: physiologische Parameter Physiologische Parameter erhält man aus: 1) Umfassenden Studien, wie NHANES III : 3rd National Health and Nutrition Examination Survey ( ) (Durchführung in den USA) 2) Speziellen Studien, wie die Studie von de Simone et al.(1997) zum Herzzeitvolumen. Keiner der beiden Ansätze ist umfassend Ausweg:Extrapolation mit Hilfe von Allometrie
6 Was ist Allometrie? griech.: das fremdartige Maß αλλο µετρον (allo metron) Befunddarstellung statistischer Abhängigkeit zweier physiologischer Größen Näherungsweise Bestimmung einer physiologischen Größe durch eine andere
7 Formen der Allometrie Ontogenetisch Phylogenetisch Intraspezifisch Interspezifisch dynamisch statisch
8 Allometrie: Eine Frage der Skalierung Wie sind zwei biologische Größen X Y korreliert? Wie kann die Beziehung mathematisch beschrieben werden? Naiver Ansatz: X und Y proportional Y = a X Zu bestimmender Parameter bekannter Parameter
9 Allometrie: Korrelation physiologischer Größen Korrelation: Körpergröße-Gewicht für Männer (0-99 Jahre) aus NHANES III Studie Körpergröße Gewicht Geringe lineare Korrelation zwischen Gewicht und Größe!
10 Allometrie: ein altes Konzept Eugène Dubois 1897: Beziehung zwischen Gehirngröße und Körpergewicht in Säugetieren 2 Faktoren: Grad der Cephalisierung Körpergröße e = c s r
11 Allometrie: ein altes Konzept Louis Lapicque 1898: Vergleich des relativen Gehirngewichts von Hunden mit Dubois Formel 1907: e log( e) = c log( s) logarithmisches Auftragen führt zu einer Geraden s r = log( c) + r
12 Allometrie: Das Potenzmodell Allgemeines allometrisches Potenzmodell: Y = a X b Potenz- Skalierungsfaktor Biolog. Größe Bekannte biolog. Größe Logarithmieren: lineare Beziehung log (Y) = log (a) + b log (X)
13 Allometrie: Korrelation physiologischer Größen Korrelation: Körpergröße-Gewicht für Männer (0-99 Jahre) aus NHANES III Studie log(körpergröße) 2,5 2,3 2,1 1,9 1,7 y = 0,3702x + 1,5406 R 2 = 0,9409 1,5 0,5 1 1,5 2 2,5 log(gewicht) Regression: Y = * X (R 2 = 0,9409)
14 Allometrie: Korrelation physiologischer Größen Korrelation: Körpergewicht-Größe Frauen (31-99 Jahre) aus NHANES III Studie 200 Körpergröße y = 0,0971x + 155,14 R 2 = 0, Gewicht
15 Allometrie: Korrelation physiologischer Größen Korrelation: log(körpergröße) - log(gewicht) bei Frauen (31+ Jahre) aus NHANES III Studie 2,28 log(körpergröße) 2,23 2,18 2,13 2,08 y = 0,0485x + 2,1203 R 2 = 0,0597 1,5 1,6 1,7 1,8 1,9 2 2,1 2,2 log(gewicht) Nicht immer sind Korrelationen in den Daten abzulesen!
16 Parameterskalierung in der Pharmakokinetik Vorhersage mit size models (Potenzmodell, pro Kilogramm Modell,...) Probleme: Interspeziesvergleiche vergleichende Stoffwechselphysiologie und Medizin Missverständnisse
17 Pharmakokinetische Mythen? Kinder haben eine höhere metabolische Clearance vieler analgetischer Medikamente aufgrund ihrer erhöhten relativen Lebergröße und/oder ihres erhöhten Leberblutflusses! Stimmt nicht! Die metabolische Clearance in Kindern ist geringer als in Erwachsenen! Artefakt des pro Kilogramm size models
18 Pharmakokinetische Mythen? Wirkstoffdosen für Kinder können mit size models geschätzt und als Anteil einer Erwachsenendosis berechnet werden! Stimmt nicht! Die Dosierung für ein Individuum hängt ab von: Clearance, Verteilungsvolumen, Pharmakodynamik Änderung mit dem Alter!
19 Allometrie: Skalierungsparameter Welche Daten stehen zur Verfügung? Anhand welcher Größen wird skaliert? Sind die Schätzungen zuverlässig? Für welche Personengruppen?
20 Beispiel: Herzzeitvolumen (CO) Katori (1979) Kinder (4-14J): CO (L/min) = BH (m) Erwachsene (14-78J): CO (L/min) = [surface area (m 2 )] de Simone et al. (1997) Kinder (1-18J): CO (ml/min) = 3294[surface area (m 2 )] 0.53 Erwachsene (18-85J): CO (ml/min) = 2421[surface area (m 2 )] 1.15 Quelle: Modeling Interindividual Variation in Physiological Factors used in PBPK Models of Humans, Price et al. 2003
21 Ethanol total amount 18 Male 70 kg Female 70 kg Male 90 kg Amount (g) Time (min)
22 Average ethanol concentration in body fluids Male 70 kg Female 70 kg Male 90 kg 0.4 Mass per volume (g/l body water) Time (min)
23 Ethanol concentration in vein Male 70 kg Female 70 kg Male 90 kg 0.3 Concentration (g/l) Time (min)
24 Was haben wir bis jetzt? Physiologische Parameter Pharmakokinetische Parameter Haben: Verteilungen über physiologische Größen Wollen: Verteilungen über pharmakokinetische Größen Populationspharmakokinetik
25 Übergang zur Populationspharmakokinetik Erstellung von Populationen aus Nhanes III (z.b. mit Monte Carlo -Methode). Für diese Populationen werden alle individuellen, relevanten Parameter (wie Lebervolumen, - clearance) berechnet (Referenz: 1) realistische Daten für das Pharmakokinetikprogram erlaubt Untersuchung von Populationen Variabilitäten pharmakokinetischer Grössen, Mittelwerte
26 Ähnliche Ansätze:Physiological Parameters for PBPK Modeling (P 3 M) Programm zur Parameterisierung für PBPK Modelle interindividueller Variation Parameterberechnung anhand von 1000 Datensätzen aus NHANES III Studie Ziehen aus der Datenbank mit zurücklegen erzeugt Populationen für die Simulation
27 Ethanol total amount Female 78 kg Female 55 kg Male 71 kg Female 64 kg Female 45 kg Female 59 kg Male 81 kg Amount (g) Time (min)
28 Average ethanol concentration in body fluids Simulationen Female 78 kg Female 55 kg Male 71 kg Female 64 kg Female 45 kg Female 59 kg Male 81 kg Mass per volume (g/l body water) Time (min)
29 Ethanol concentration in vein Female 78 kg Female 55 kg Male 71 kg Female 64 kg Female 45 kg Female 59 kg Male 81 kg 0.4 Concentration (g/l) Time (min)
30 Zusammenfassung: Populationspharmakokinetik Was macht Populationspharmakokinetik? Analyse der Variabilitäten von Medikamentenwirkungen in (Teil-) Populationen Warum macht man Populationspharmakokinetik? Einteilung der Bevölkerung Risikoabschätzung Dosierungsvorschriften von Wirkstoffen für Individuen einer Teilpopulation.
31 Zusammenfassung Allometrie ist ein wichtiges Modell um physiologische Parameter zu schätzen Andere Ansätze: z.b. Künstliche Neuronale Netze Qualtität der Modelle steht und fällt mit den Daten
32 Noch Fragen?
33 Referenzen Price et al. Modeling Interindividual Variation in Physiological Factors used in PBPK Models of Humans. Critical Reviews in Toxicology 2003; 33(5): Anderson et al. Size, Myths and the Clinical Pharmacokinetics of Analgesia in Paediatric Patients. Clinical Pharmacokinetics 1997; 33(5): Gayon J. History of the Concept of Allometry. American Zoologist; 40: Holford. A Size Standard for Pharmacokinetics. Clinical Pharmacokinetics 1996; 33(5): West et al. A General Model for the Origin of Allometric Scaling Laws in Biology. Science 1997; 276:
Hintergrund und Rationale des therapeutischen Drug Monitorings
Hintergrund und Rationale des therapeutischen Drug Monitorings Plasma-Konz. [µg/l] 00 900 800 700 600 500 400 300 200 0 0 0 6 12 18 24 30 36 42 48 Zeit [h] HDoz Dr. Georg Hempel Institut für Pharmazeutische
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrPharmakokinetik-Grundlagen, Teil 2
Pharmakokinetik-Grundlagen, Teil 2 Thomas Schnider 29. März 2016 1 Bisherige Betrachtung: Ein Kompartiment Modell. Ein Kompartiment Modell: Annahmen well stirred Ein Input Eine Elimination (-skonstante)
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
MehrLaborchemische Referenzwerte in der klinischen Versorgung
Laborchemische Referenzwerte in der klinischen Versorgung Dr. Robin Haring Institut für Klinische Chemie und Laboratoriumsmedizin Universitätsmedizin Greifswald Wozu Referenzwerte? Vor allem in der Laboratoriumsmedizin
MehrMixed Effects Models: Wachstumskurven
Mixed Effects Models: Wachstumskurven Markus Kalisch 07.10.2014 1 Überblick Wiederholte Messungen (z.b. Wachstumskurven): Korrelierte Beobachtungen Random Intercept Model (RI) Random Intercept and Random
MehrKapitel 1: Pharmakokinetische Modelle 1
VII Kapitel 1: Pharmakokinetische Modelle 1 1.1 Einleitung... 1 1.2 Pharmakokinetische Modelle... 1 1.2.1 Kompartiment-Modell... 1 1.2.2 Statistisches Modell... 3 1.2.3 Physiologisches Modell... 3 1.3
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
MehrPharmakokinetik - Modelle und Berechnungen
Pharmakokinetik - Modelle und Berechnungen Bearbeitet von Heiko A. Schiffter 2., unveränderte Auflage 2015. Buch. XI, 147 S. Kartoniert ISBN 978 3 8047 3476 0 Format (B x L): 17 x 24 cm Weitere Fachgebiete
MehrGeo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause. Sommersemester 2009
Geo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause Sensitivität Tino Wunderlich Matrikel 100028 Gliederung 1. Sensitivität in der Statistik ( Berechnung / Beispiel) 2. Sensitivität in
MehrPlanung von Humanstudien Fallzahlberechnung
Planung von Humanstudien Fallzahlberechnung Hans-Peter Helfrich Universität Bonn 5. November 2015 H.-P. Helfrich (Universität Bonn) Planung von Humanstudien 5. November 2015 1 / 15 Einführung 1 Einführung
MehrEinfache lineare Regression. Statistik (Biol./Pharm./HST) FS 2015
Einfache lineare Regression Statistik (Biol./Pharm./HST) FS 2015 Wdh: Korrelation Big picture: Generalized Linear Models (GLMs) Bisher: Population wird mit einer Verteilung beschrieben Bsp: Medikament
MehrW09 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Der Verhältnisschätzer - Ratio estimator Beispiel: Schätzung der Anzahl Objekte (Bäume) in einem bestimmten Gebiet. Situation: Die Fläche ist unterteilt in Streifen / Transekte. Man wählt zufällig n =
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrArbeitszeit, Schlafdauer und Unfallrisiko Untersuchung direkter und indirekter Effekte mit Hilfe von Strukturgleichungsmodellen
Arbeitszeit, Schlafdauer und Unfallrisiko Untersuchung direkter und indirekter Effekte mit Hilfe von Strukturgleichungsmodellen Anna Arlinghaus Gesellschaft für Arbeits-, Wirtschafts- und Organisationspsychologische
MehrSmall Area Estimation auf Grundlage der Zensusergebnisse!?!
Motivation Related Literature Method auf Grundlage der Zensusergebnisse!?! Fru hjahrstagung Verband Deutscher Sta dtestatistiker Passau, 27.03.2012 Conclusion Warum? Standard: Schätzungen aufgrund einer
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
MehrWahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
Mehr4.3 Unterrichtsmaterialien
4.3 Unterrichtsmaterialien Jonathan Jeschke und Ernst Peller Material 1: Karten zum Ausdrucken und Ausschneiden Eigenschaften von Säugetieren I 4 Von r-strategen und K-Strategen sowie schnellen und langsamen
MehrPharmakokinetik: Mathematische Modelle und ihre Anwendung
Pharmakokinetik: Mathematische Modelle und ihre Anwendung Freie Universität Berlin, Fachbereich Mathematik und Informatik, WS2003/04 Pharmakokinetik: Mathematische Modelle und ihre Anwendung Di 16-18 Uhr
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrPharmakokinetik: Mathematische Modelle und ihre Anwendung
Pharmakokinetik: Mathematische Modelle und ihre Anwendung Freie Universität Berlin, Fachbereich Mathematik und Informatik, WS2003/04 Pharmakokinetik: Mathematische Modelle und ihre Anwendung Di 16-18 Uhr
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrLogistische Regression
Logistische Regression Markus Kalisch 30.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2, 4, 5, 6 Klassifikation
MehrProbabilistische Analyse regionaler Klimasimulationen
Probabilistische Analyse regionaler Klimasimulationen Christian Schölzel und Andreas Hense Meteorologisches Institut der Universität Bonn Fachgespräch Ableitung von regionalen Klimaszenarien aus Multi-Modell-Ensembles,
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
MehrStatistik II. I. Einführung. Martin Huber
Statistik II I. Einführung Martin Huber 1 / 24 Übersicht Inhalt des Kurses Erste Schritte in der empirischen Analyse 2 / 24 Inhalt 1 Einführung 2 Univariates lineares Regressionsmodell 3 Multivariates
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrEinführung in die ökologische Morphologie und Physiologie der Tiere SS 2015
Einführung in die ökologische Morphologie und Physiologie der Tiere SS 2015 Vorlesung 2 Adaptation, Allometrie, Spandrels of San Marco, Comparative methods Eigenschaften von Organismen Variabel in Phänotyp
MehrInhaltsverzeichnis Einführung und deskriptive Statistik Grundlagen der Inferenzstatistik 1: Zufallsvariablen
Inhaltsverzeichnis 1 Einführung und deskriptive Statistik... 1 1.1 Wichtige mathematische Schreibweisen... 1 1.1.1 Das Summenzeichen... 1 1.1.2 Mengentheoretische Schreibweisen... 3 1.1.3 Variablentransformationen...
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrEmpirische Strategien
Empirische Strategien Julian Raschke 07.04.2009 Übersicht Einordnung die Strategien im Detail Vergleich Kontext Software-Engineering Empirische Strategien 07.04.2009 2 Einordnung Situation: Software-Entwicklungsprozess
MehrMurray, Fonseca & Westoby(1998) Stefan Petschner Ökoregionen/Makroökologie WS 09/10 Dozent: Dr. Holger Schulz
Murray, Fonseca & Westoby(1998) Journal of Animal Ecology Stefan Petschner Ökoregionen/Makroökologie WS 09/10 Dozent: Dr. Holger Schulz Inhalt 1. Einführung 2. Ziele der Studie 3. Methoden 4. Ergebnisse
MehrNeue Wege zur Generierung von Referenzwerten für Kinder. Metzler M
Neue Wege zur Generierung von Referenzwerten für Kinder Metzler M Neue Wege zur Generierung von Referenzwerten für Kinder Jakob Zierk Prof. Manfred Rauh Farhad Arzideh Institut für Statistik Fachbereich
MehrStatistische Nachweisführung für KMV-Störfälle unter Verwendung von Best-Estimate Plus Uncertainty (BEPU)-Analysen. Simone Palazzo, GRS Garching
Statistische Nachweisführung für KMV-Störfälle unter Verwendung von Best-Estimate Plus Uncertainty (BEPU)-Analysen Simone Palazzo, GRS Garching Inhalt Historischer Überblick Vorgehensweisen zur Durchführung
MehrMaligne Adipositas: Überlegungen zur Dosierung
Maligne Adipositas: Überlegungen zur Dosierung ADKA-Kongress Seminar 8 01.06.2013 Stefanie Paasch Dr. Dominic Störzinger, Dr. Torsten Hoppe-Tichy Einteilung nach BMI Classification BMI(kg/m 2 ) Principal
MehrEffektive Bandbreite selbstähnlicher Verkehrsströme
INSTITUT FÜR NACHRICHTENVERMITTLUNG UND DATENVERARBEITUNG Prof. Dr.-Ing. Dr. h. c. mult. P. J. Kühn ITG-Workshop IP Netzplanung, IP Netzmanagement und Optimierung Würzburg, 20./21. Juli 2000 Effektive
MehrEinführung in die Statistischen Methoden und GRETL - Übung
Einführung in die Statistischen Methoden und GRETL - Übung Andrija Mihoci Elena Silyakova Ladislaus von Bortkiewicz Chair of Statistics Humboldt Universität zu Berlin http://lvb.wiwi.hu-berlin.de Motivation
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
MehrAllometrie der Kotpartikelgröße von pflanzenfressenden Säugern, Reptilien und Vögeln
Aus dem Institut für Physiologie, Physiologische Chemie und Tierernährung der Tierärztlichen Fakultät der Ludwig-Maximilians-Universität München Lehrstuhl für Tierernährung und Diätetik Arbeit angefertigt
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
MehrSeminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken
Seminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken 25. Juni 2015 1 / 37 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance
MehrThrombosemanagement mit NMH Wichtiges worauf Sie achten sollten
Thrombosemanagement mit NMH Wichtiges worauf Sie achten sollten Thrombosemanagement mit niedermolekularem Heparin (NMH) bei Niereninsuffizienz: Worauf Sie unbedingt achten sollten. Beantworten Sie die
MehrVergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten
Vergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten Claudia-Martina Messow Robertson Centre for Biostatistics, University of Glasgow Situation Methoden
MehrInferenzstatistik verstehen
Markus Janczyk Roland Pfister Inferenzstatistik verstehen Von A wie Signifikanztest bis Z wie Konfidenzintervall ^ Springer Spektrum vii 1 Einführung und deskriptive Statistik 1 1.1 Wichtige mathematische
MehrDosierung von Carboplatin
ÜBERSICHT Dosierung von Carboplatin Vergleichende Dosisberechnung: Cockcroft-Gault- und Modification-of- Diet-in-Renal-Disease(MDRD)-Formel Dieter Kaag, Heidelberg Im klinisch-onkologischen Alltag erfolgt
MehrVorlesung 4: Spezifikation der unabhängigen Variablen
Vorlesung 4: Spezifikation der unabhängigen Variablen. Fehlspezifikation der unabhängigen Variablen. Auswirkungen einer Fehlspezifikation a. auf die Erwartungstreue der Schätzung b. auf die Effizienz der
MehrStatistik für Ingenieure und Naturwissenschaftler
Sheldon M. Ross Statistik für Ingenieure und Naturwissenschaftler 3. Auflage Aus dem Amerikanischen übersetzt von Carsten Heinisch ELSEVIER SPEKTRUM AKADEMISCHER VERLAG Spektrum Inhalt Vorwort zur dritten
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrQuerschnittsbereich Nr. 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik. Behandelt werden 4 Themenblöcke
Querschnittsbereich Nr. 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik Behandelt werden 4 Themenblöcke Ätiologie und Risiko Diagnose und Prognose Intervention Medizinische Informatik
MehrBewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung
Weimarer Optimierungs- und Stochastiktage 4.0 Bewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung Dr.-Ing. Andreas Plotzitza, PT/EST4 29. November 2007 1 Inhalt
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
MehrPharmakokinetik, Teil 3
Pharmakokinetik, Teil 3 Thomas Schnider 29. März 2016 1 Wirkeintritt Zeit zur maximalen Wirkortkonzentration t peak ist Dosis unabhängig! Nach der Bolusgabe, sinkt die C p und aufgrund des Konzentrationsgradienten
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrWie liest man Konfidenzintervalle? Teil II. Premiu m
Wie liest man Konfidenzintervalle? Teil II Premiu m - Hintergrund Anderer Wahrscheinlichkeitsbegriff subjektiver Wahrscheinlichkeitsbegriff Beispiel: Was ist die Wahrscheinlichkeit dafür, dass ein Patient
MehrUniversitätsprofessor Dr. rer. nat. habil. Karl-Ernst Biebler und Dr. rer. nat. Bernd Jäger
Die Reihe Biometrie und Medizinische Informatik Greifswalder Seminarberichte wird herausgegeben von: Universitätsprofessor Dr. rer. nat. habil. Karl-Ernst Biebler und Dr. rer. nat. Bernd Jäger Institut
Mehro o o o o o o o o o o o
Klumpen-Stichproben = Cluster Sampling Obs.: Bei einer uneingeschränkten Zufallsauswahl wird pro Randomisierungs- Schritt genau eine Beobachtung gemacht. Ein ganz wesentlicher Punkt : Jedes zufällig ausgewählte
MehrSTATISTISCHE METHODEN
STATISTISCHE METHODEN FÜR NATURWISSENSCHAFTER, MEDIZINER UND INGENIEURE VON ARTHUR LINDER Dr. phil., Dr. med. h. c. Professor für mathematische Statistik an der Universität Genf und an der Eidgenössischen
MehrPrädiktive Gentests multifaktorieller Erkrankungen
Prädiktive Gentests multifaktorieller Erkrankungen Prof. Dr. med. Andreas Papassotiropoulos Division of Molecular Neuroscience Faculty of Psychology and University Psychiatric Clinics Life Sciences Training
MehrMeta-Regression in klinischen. Studien. Hintergrund und Anwendung in SAS. Meike Hastert Mareike Herrmann
Meta-Regression in klinischen Studien Hintergrund und Anwendung in SAS Meike Hastert Mareike Herrmann Gliederung Meta-Regression im Allgemeinen Statistischer Hintergrund Anwendung mit SAS Output Interpretation
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrWISSENSCHAFTLICHE BEITRÄGE
WISSENSCHAFTLICHE BEITRÄGE AUS DEM TECTUM VERLAG Reihe Wirtschaftswissenschaften Band 39 Ralph Wirth Best-Worst Choice-Based Conjoint-Analyse Eine neue Variante der wahlbasierten Conjoint-Analyse Tectum
MehrQualitätsmanagement im Praxisverbund Dialyse und Apherese Rostock (PDA) Auswertung der Einrichtungen 2004
Qualitätsmanagement im Praxisverbund Dialyse und Apherese Rostock (PDA) Auswertung der Einrichtungen 24 Patientenzufriedenheit Bewertung der Wichtigkeit der Fragestellung einer Praxisbewertung 45 4 35
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
MehrKapitel 10. Multikollinearität. Exakte Multikollinearität Beinahe Multikollinearität
Kapitel 0 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität Exakte Multikollinearität Unser Modell lautet y = Xb + u, Dimension von X: n x k Annahme : rg(x) = k Wenn sich eine oder
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrOscar A. G. Treyer. Business Forecasting. Anwendungsorientierte Theorie quantitativer Prognoseverfahren. Haupt Verlag Bern Stuttgart - Wien
Oscar A. G. Treyer Business Forecasting Anwendungsorientierte Theorie quantitativer Prognoseverfahren Haupt Verlag Bern Stuttgart - Wien INHALTSVERZEICHNIS Vorwort 5 Abkürzungsverzeichnis 13 Abbildungs-
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrBei näherer Betrachtung des Diagramms Nr. 3 fällt folgendes auf:
18 3 Ergebnisse In diesem Kapitel werden nun zunächst die Ergebnisse der Korrelationen dargelegt und anschließend die Bedingungen der Gruppenbildung sowie die Ergebnisse der weiteren Analysen. 3.1 Ergebnisse
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrModelle und Anwendungsgebiete der Demographie (Kurs 1)
Master of Science (MSc) Sozioökonomie Wintersemester 2018/19 Modelle und Anwendungsgebiete der Demographie (Kurs 1) Dozent: Dr. Marc Luy 11.12.2018 Determinanten der Lebenserwartung am Beispiel der Geschlechterdifferenzen
MehrBasis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Überlebenszeitanalyse
Basis-Kurs Statistik und SPSS für Mediziner Lösungen SPSS-Übung Überlebenszeitanalyse Mit Datensatz Daten_Übung_Überlebenszeitanalyse.sav 1) Zeichnen Sie die Kaplan-Meier-Kurven des progressionsfreien
MehrHodgkin Lymphom bei jungen Patienten
Hodgkin Lymphom bei jungen Patienten Peter Borchmann für die GHSG 25.03.2011 1 Hodgkin Lymphom bei jungen Patienten 1. Ist die Unterscheidung child adolescent - young adult physiologisch oder onkologisch
MehrStatistik mit MATHCAD und MATLAB
Hans Benker Statistik mit MATHCAD und MATLAB Einführung in die Wahrscheinlichkeitsrechnung und mathematische Statistik für Ingenieure und Naturwissenschaftler Mit 31 Abbildungen Springer Einleitung 1 1.1
MehrDas Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle. Christoph Kugler, Thomas Hochrein 26. Mai 2011
Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle Christoph Kugler, Thomas Hochrein 26. Mai 2011 Das in Echtzeit und inline Unmessbare messen Softsensoren zur Prozessanalyse
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 05. Dezember 2012 1 Datenpaare Korrelation 2 Lineare Regression Problemstellung Beispiel Bleibelastung 3 Regression
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
Mehr3.4.1 Referenzwerte für das fetale Schätzgewicht in der SSW
60 3.4 Die Bedeutung des fetalen und des mütterlichen Gewichts in der 21.-24.SSW als prädiktiver Parameter für das Geburtsgewicht bei Geburt in der 36.-43.SSW 3.4.1 Referenzwerte für das fetale Schätzgewicht
MehrDynamische Modellierung der Fließgeschwindigkeit im globalen Wassermodell WaterGAP
Dynamische Modellierung der im globalen Wassermodell WaterGAP Wissenschaftliches Zentrum für Umweltsystemforschung Universität Kassel Überblick - Motivation - Modellierungsansatz - Modellergebnisse - Zusammenfassung/
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrVergleichende Untersuchungen zur Pharmakokinetik von Triaminopyridinen und Triaminobenzolen
Berichte aus der Pharmazie Arnd Karnatz Vergleichende Untersuchungen zur Pharmakokinetik von Triaminopyridinen und Triaminobenzolen Shaker Verlag Aachen 1997 1 EINLEITUNG UND ZIELSETZUNG 1.1 TRIAMINOPYRIDINE
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller
MehrÜberblick und Ausblick
Letzte Vorlesung Statistik Vorlesung Datenanalyse und Statistik Gliederung 1 Rückblick Sortiert nach dem Inhalt der Vorlesung Sortiert nach Daten 2 Kovarianzmatrizen Klusteranalyse Hauptkomponentenanalyse
MehrPermutationstests II.
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Permutationstests II. 1. Zwei-Stichprobentest auf Variabilität 2. Mehrere Stichproben: Vergleich von Mittelwerten 3. Kurzer Exkurs: Präzision von Monte
MehrAlgoBio WS 16/17 Differenzielle Genexpression. Annalisa Marsico
AlgoBio WS 16/17 Differenzielle Genexpression Annalisa Marsico 04.01.2017 Pipeline für die Mikroarray-Analyse Bildanalyse Hintergrundkorrektur Normalisierung Vorverarbeitung Zusammenfassung Quantifizierung
MehrBiometrie im neuen Antragsverfahren
8. Fortbildungsveranstaltung der GV-SOLAS für Tierschutzbeauftragte und Behördenvertreter Warum biometrische Planung? Einfachste Antwort: Weil es im Genehmigungsantrag so vorgesehen ist. 2 Warum biometrische
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
MehrIf something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Warum Biostatistik?
MehrWie hängen Löhne von Bildung ab? - Eine Einführung in die statistische Analyse von Zusammenhängen. Axel Werwatz Technische Universität Berlin
Wie hängen Löhne von Bildung ab? - Eine Einführung in die statistische Analyse von Zusammenhängen Axel Werwatz Technische Universität Berlin Einleitung Löhne sind unsere wichtigste Einkommensquelle. Geringer
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 10. Dezember 2014 1 Datenpaare Korrelation 2 Lineare Regression Problemstellung Beispiel
MehrModellgestützte Analyse und Optimierung eines komplexen, nichtlinearen bioverfahrenstechnischen Prozesses zur Produktion von Biotensiden
Modellgestützte Analyse und Optimierung eines komplexen, nichtlinearen bioverfahrenstechnischen Prozesses zur Produktion von Biotensiden Christian Kühnert, Dr. Thomas Bernard, Fraunhofer IOSB, Karlsruhe
Mehr