View PDF Version - RePub - Erasmus Universiteit Rotterdam

More documents

Recommendations

Info

Samenvatting en conclusie 244 De verschillende methoden zijn toegepast op de gegevens van patiënten met chronische hepatitis B. Wij concluderen dat het vooraf voorspellen van de respons op behandeling signifi cant verbeterd kan worden door gebruik te maken van de bovenbeschreven technieken. Ook kan hiermee de prognose van individuele patiënten worden bijgesteld. PEG-IFN-alfa-2a leidt in de minderheid van de HBeAg negatieve patiënten tot blijvende respons. In hoofdstuk 2.5 wordt de voorspellende waarde van het kwantitatieve HBsAg en HBV DNA bepalingen met het oog op aanhoudend respons tijdens de behandeling van HBeAg negatieve patiënten met PEG-IFN alfa-2a onderzocht. HBV DNA en HBsAg werden kwantitatief bepaald voorafgaande en tijdens de behandeling en gedurende de follow-up in de sera van 107 patiënten die deelnamen aan een internationaal multicentre onderzoek. In het totaal werd bij 22% van de patiënten een blijvende respons op behandeling waargenomen (serum HBV DNA < 10000 kopieën/ml en normale ALT waarden op week 72). Vanaf week 12 van de behandeling werd een duidelijke daling van HBsAg waargenomen in patiënten met een blijvende respons. Slechts een geringe daling van het HBsAg werd geobserveerd bij patiënten zonder respons. HBV DNA niveaus daalden vanaf week 4 van de behandeling meer uitgesproken bij patiënten met een blijvende respons, echter een daling was ook aanwezig bij de non-responders. Alle patiënten zonder een HBV DNA daling van ≥ 2 log kopieën/ml in combinatie met het ontbreken van een HBsAg daling ≥ 0 log IE/ml van de uitgangswaarde waren nonresponders (NPV 100%). Kwantitatieve serum HBsAg bepaling in combinatie met kwantitatieve HBV DNA bepaling kan gedurende de behandeling met PEG-IFN bij patiënten met HBeAg-negatieve chronische hepatitis B bijstelling van de voorspelde respons faciliteren. Stoppen van de behandeling op week 12 wordt gesuggereerd gebruikmakend van de gecombineerde daling van het kwantitatieve HBV DNA en het kwantitatieve HBsAg ten op zicht van tijdstip 0. STATISTISCHE MODELLEN VAN LANGE TERMIJNEFFECTEN VAN BEHANDELING In hoofdstuk 3.1 wordt het lange termijn effect van glycyrrhizine op de incidentie van hepatocellulair carcinoom (HCC) bepaald in chronische hepatitis C patiënten die niet reageren op IFN behandeling.
Samenvatting en conclusie 245 Data van opeenvolgende patiënten zonder respons na IFN behandeling in 12 grote Japanse ziekenhuizen in de periode 1990-1995 werden geanalyseerd. Gedurende een gemiddelde follow-up periode van 6.1 ± 1.8 jaar ontwikkelden 107 van de 1093 patiënten een HCC. Cox regressie analyse met tijdsafhankelijke variabelen toonde aan dat een oudere leeftijd, het mannelijke geslacht, verhoogde ALT niveaus en een hoger fi brose stadium geassocieerd waren met een verhoogd risico op het ontwikkelen van HCC. Respons op glycyrrhizine behandeling, gedefi nieerd als ALT< 1.5xULN was signifi cant geassocieerd met een verlaagde incidentie van HCC; HR 0.39 (95%CI 0.21-0.72; p
Page 1:
Statistical Models of Treatment Eff
Page 4 and 5:
ISBN: 978-90-8559-069-9 © Bettina
Page 6 and 7:
PROMOTIECOMMISSIE Promotor: Prof.dr
Page 9 and 10:
CONTENTS Chapter 1. Introduction 11
Page 13:
Cha pter 1 Introduction
Page 16 and 17:
Chapter 1 14 Epidemiology Worldwide
Page 18 and 19:
Chapter 1 16 Prediction models with
Page 20 and 21:
Chapter 1 18 standard method fails
Page 22 and 23:
Chapter 1 20 The extended non-linea
Page 24 and 25:
Chapter 1 22 References 1. Blumberg
Page 27:
Cha pter 2 Prediction of response t
Page 30 and 31:
Chapter 2.1 28 ABSTRACT The aim of
Page 32 and 33:
Chapter 2.1 30 been hepatitis B sur
Page 34 and 35:
Chapter 2.1 32 HBV DNA decline The
Page 36 and 37:
Chapter 2.1 34 Figure 2 continued.
Page 38 and 39:
Chapter 2.1 36 Figure 4. Estimated
Page 40 and 41:
Chapter 2.1 38 DNA was observed in
Page 42:
Chapter 2.1 40 15. Kao JH. Role of
Page 46 and 47:
Chapter 2.2 44 ABSTRACT Background:
Page 48 and 49:
Chapter 2.2 46 low baseline HBV DNA
Page 50 and 51:
Chapter 2.2 48 patient subgroups wa
Page 52 and 53:
Chapter 2.2 50 p=0.002). Previous I
Page 54 and 55:
Chapter 2.2 52 Application of the m
Page 56 and 57:
Chapter 2.2 54 PEG-IFN, the proport
Page 58 and 59:
Chapter 2.2 56 References 1. Lavanc
Page 60 and 61:
Chapter 2.2 58 26. Bonino F, Lau GK
Page 63 and 64:
Chap ter 2.3 Prediction of the resp
Page 65 and 66:
INTRODUCTION Dynamic prediction of
Page 67 and 68:
Statistical analysis Dynamic predic
Page 69 and 70:
Dynamic prediction of response to P
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
References Dynamic prediction of re
Page 81 and 82:
Cha pter 2.4 Dynamic prediction of
Page 83 and 84:
INTRODUCTION Dynamic prediction of
Page 85 and 86:
For the indirect approach we rewrit
Page 87 and 88:
logit pi,j = logit Pr(Ri =1|visit =
Page 89 and 90:
Dynamic prediction of response usin
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Table 1. Results of different stopp
Page 103 and 104:
Page 105:
Page 108 and 109:
Chapter 2.5 106 ABSTRACT Peginterfe
Page 110 and 111:
Chapter 2.5 108 and placebo daily.
Page 112 and 113:
Chapter 2.5 110 for patients with a
Page 114 and 115:
Chapter 2.5 112 Mean HBV DNA declin
Page 116 and 117:
Chapter 2.5 114 peginterferon and n
Page 118 and 119:
Chapter 2.5 116 hepatocellular carc
Page 120 and 121:
Chapter 2.5 118 13. Werle-Lapostoll
Page 122:
Chapter 2.5 120 Greece - G Germanid
Page 127 and 128:
Chap ter 3.1 Long-term clinical out
Page 129 and 130:
INTRODUCTION Glycyrrhizin for IFN-n
Page 131 and 132:
Statistics Glycyrrhizin for IFN-non
Page 133 and 134:
Glycyrrhizin for IFN-non responders
Page 135 and 136:
Table 2. Time dependent Cox regress
Page 137 and 138:
Page 139 and 140:
Page 143 and 144:
Cha pter 3.2 Discriminant analysis
Page 145 and 146:
Introduction Discriminant analysis
Page 147 and 148:
Discriminant analysis using a MLMM
Page 149 and 150:
Estimation Discriminant analysis us
Page 151 and 152:
Page 153 and 154:
where wi,k(y i, θ) = (k =1,...,K).
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Appendix Discriminant analysis usin
Page 175:
Cha pter 4 Statistical models of ea
Page 178 and 179:
Chapter 4.1 176 ABSTRACT Nucleoside
Page 180 and 181:
Chapter 4.1 178 at day 1 at t =0 an
Page 182 and 183:
Chapter 4.1 180 Table 1. Baseline c
Page 184 and 185:
Chapter 4.1 182 Figure 1.
Page 186 and 187:
Chapter 4.1 184 Figure 1. Viral dec
Page 188 and 189:
Chapter 4.1 186 suppression in seru
Page 190 and 191:
Chapter 4.1 188 13. Seifer M, Hamat
Page 193 and 194:
Cha pter 4.2 Viral dynamics during
Page 195 and 196: INTRODUCTION Viral dynamics during
Page 197 and 198: Viral dynamics during tenofovir the
Page 201 and 202: log HBV DNA (copies/mL) 10.0 9.0 8.
Page 211 and 212: Chap ter 4.3 Modelling of early vir
Page 213 and 214: INTRODUCTION HBV viral kinetics dur
Page 215 and 216: HBV viral kinetics during PEG-IFN 2
Page 229: HBV viral kinetics during PEG-IFN 2
Page 233 and 234: SUMMARY AND CONCLUSION Summary and
Page 235 and 236: Summary and conclusion 233 The mode
Page 237 and 238: Summary and conclusion 235 The infe
Page 239: Summary and conclusion 237 Early st
Page 243 and 244: SAMENVATTING EN CONCLUSIE Samenvatt
Page 245: Samenvatting en conclusie 243 Er we
Page 249 and 250: Samenvatting en conclusie 247 Behan
Page 253: Dan kwoord
Page 256 and 257: Dankwoord 254 Lieve Marion en Margr
Page 259 and 260: BIBLI OGRAPHY Bibliography 257 1. K
Page 261 and 262: Bibliography 259 Interferon-ribavir
Page 263 and 264: Bibliography 261 Long term clinical
Page 265 and 266: Bibliography 263 Flares in chronic
Page 267 and 268: Bibliography 265 Genetic characteri
Page 269: Bibliography 267 106. Reijnders JG,
show all

View PDF Version - RePub - Erasmus Universiteit Rotterdam

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?