Ortak gizli sınıf ağaçları yönteminin çoklu boylamsal yanıt durumuna uyarlanması

Ortak gizli sınıf ağaçları (JLCT), sağkalım ve boylamsal verilerin ortak modellenmesinde zamana bağlı kovaryantları kullanarak klasik yöntemlerin varsayımlarını aşabilen etkili bir yaklaşımdır. Ancak JLCT'nin mevcut haliyle yalnızca tek bir boylamsal yanıtı modele alabilmesi önemli bir sınırlılıktır. Oysa birçok klinik çalışmada birden fazla biyobelirteç eşzamanlı izlenmekte ve analiz edilmek istenmektedir. Bu tez çalışmasında, söz konusu kısıtlılığı aşmak amacıyla JLCT üzerinde çeşitli düzenlemeler yapılmış ve yöntem çoklu boylamsal yanıt verilerini aynı anda işleyebilecek şekilde uyarlanarak genişletilmiştir. Bu yeni yöntem "çok değişkenli ortak gizli sınıf ağaçları (MJLCT)" olarak adlandırılmıştır. MJLCT sayesinde, birden fazla boylamsal değişkenin sağkalım verisiyle birlikte eşzamanlı modellenmesi mümkün hâle gelmiştir ve JLCT yaklaşımının sağlık alanındaki kullanım potansiyeli artırılmıştır. Yöntem, PAQUID veri setinde MMSE, BVRT ve IST biyobelirteçlerine uygulanarak tekli, ikili ve üçlü yanıt yapılarına göre IBS ve RMSE değerleriyle değerlendirilmiştir. Çoklu yanıt kombinasyonları, tekli modellere kıyasla daha düşük tahmin hataları üretmiş ve MJLCT'nin çoklu veri yapılarındaki başarısını ortaya koymuştur. Simülasyon çalışmalarında, örneklem büyüklüğü arttıkça model performansının iyileştiği; dağılım türleri arasında ise Weibull dağılımından gelen sağkalım yanıtı içeren senaryoların en düşük hatayı verdiği gözlenmiştir. Durdurma kriterlerinin genel performans üzerinde anlamlı etkisi bulunmamıştır. JLCT ile karşılaştırıldığında MJLCT'nin benzer ancak genelleme açısından daha üstün sonuçlar ürettiği görülmüştür. Bu tez çalışması ile MJLCT'nin JLCT'ye yalnızca yapısal esneklik sağlamakla kalmadığı, aynı zamanda genelleme kapasitesini artırarak daha güvenilir tahminler sunduğu ortaya konmuştur. Bu bağlamda, çoklu boylamsal veri içeren çalışmalarda MJLCT'nin tercih edilmesinin daha uygun olacağı sonucuna varılmıştır.