View PDF Version - RePub - Erasmus Universiteit Rotterdam
View PDF Version - RePub - Erasmus Universiteit Rotterdam
View PDF Version - RePub - Erasmus Universiteit Rotterdam
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Samenvatting en conclusie 243<br />
Er werden 136 patiënten geïncludeerd. Een blijvende respons werd gedefi niëerd als<br />
een verlies van HBeAg en een afname van HBV DNA < 10000 kopieën/ml (< 2.0x10 4<br />
IE/ml) op week 26 na behandeling. Logistische regressie analyse technieken werden<br />
gebruikt om een dynamisch voorspellings model te ontwikkelen met behulp van HBV<br />
DNA metingen gedurende de eerste 32 weken van behandeling. Een vroege klinische<br />
stopregel voor het beëindigen van behandeling werd geïdentifi ceerd met behulp van<br />
een rooster van afkapwaarden van de afname van de kwantitatieve HBV DNA tijdens de<br />
behandeling.<br />
Toevoeging van de daling van kwantitatief HBV DNA aan de predictiemode in hoofdstuk<br />
2.2 leidde tot een verbetering van de c-statistiek op week 4-24. Een daling van het<br />
HBV DNA van 2log10 of meer binnen 24 weken was signifi cant geassocieerd met een<br />
blijvende respons (OR 6.62 (95% CI, 1.94-22.6; p=0.002)).<br />
Dit model geeft een sterke aanbeveling voor individuele besluitvorming over het beëindigen<br />
van de behandeling bij patiënten met HBeAg-positieve chronische hepatitis B.<br />
We adviseren de PEG-IFN behandeling te staken na week 24wanneer het HBV DNA met<br />
minder dan 2log10 is afgenomen.<br />
In hoofdstuk 2.4 worden statistische methoden behandeld die in staat stellen om een<br />
dynamische voorspelling te geven op een belangrijke klinische gebeurtenis. Wanneer<br />
biomarkers veranderen gedurende de follow-up van een behandeling, verandert de<br />
prognose van de ziekte. Het doel van deze studie was het includeren van longitudinale<br />
profi elen van deze markers in een dynamisch model om de individuele voorspelling van<br />
een gebeurtenis te kunnen bijstellen. Het concept wordt specifi ek gepresenteerd wanneer<br />
de klinische gebeurtenis een bivariate uitkomst heeft, zoals respons op therapie.<br />
Eerst wordt een directe methode geïntroduceerd waarbij de logistische regressie met<br />
uitgangswaarden uitgebreid wordt met herhaalde meetresultaten van markers. Dit<br />
model is ontwikkeld om de prognose van behandeling bij te stellen wanneer nieuwe<br />
informatie beschikbaar komt. Behalve de waarden van de markers kan ook het gedrag<br />
worden ingevoerd. Met deze methode wordt eerst lineaire mixed modellen toegepast<br />
om de individuele specifi eke patronen van de markers te schatten. Vervolgens worden<br />
de geschatte parameters hiervan geincludeerd in de logistische regressie, rekening<br />
houdend met de schattingsfout.<br />
Vervolgens wordt een indirecte voorspellingsmethode, gebruik makend van lineaire<br />
mixed modellen, gepresenteerd. De specifi eke patronen van de markers worden<br />
geschat apart voor elk uitkomstgroep. Hierna worden empirische Bayesiaanse schattingen<br />
gebruikt om de voorspelling van de uitkomsten bij te stellen wanneer nieuwe<br />
informatie beschikbaar komt.