Generalizations of linear modelling in the biomedical sciences

Lineaire modellen zijn erg nuttig en populair in toegepast medisch onderzoek. Zij zijn eenvoudig te implementeren en kunnen gemakkelijk worden ge interpreteerd. Echter, voor complexere toegepaste problemen is de onbekendere generalisatie van lineaire modellen nodig. Binnen de biomedische wetenschappen zijn er veel datasets van complexe processen die niet beschreven kunnen worden door middel van lineaire regressie. In geval van metingen van individuen in de tijd of tussen verschillende zaken leidt dit bijvoorbeeld tot correlatie. Het kan ook voorkomen dat een biomedische behandeling een optimale waarde heeft, resulterend in een niet-lineaire respons. Het doel van dit proefschrift is het beschrijven van verschillende verklarende en voorspellende modellen die generalisaties zijn van lineaire regressie.

De verhouding tussen positieve gemoedstoestanden en negatieve gemoedstoestanden in lange-termijn onderzoeken van psychiatrische patienten is nog niet volledig opgehelderd. De vraag is: zijn deze twee verschillende dimensies onafhankelijk of elkaars tegengestelde? Met behulp van een `mixed effect model' vonden we dat beide dimensies duidelijk gerelateerd zijn, maar niet precies tegengesteld zijn aan elkaar. In de urologie is PCNL de standaard behandeling tegen nierstenen vanwege haar grote doeltreffendheid. Deze behandeling kan echter ernstige bijwerkingen hebben. Met behulp van een `generalized additive model' laten we zien dat RIRS in bepaalde gevallen net zo effectief kan zijn als PCNL en tegelijkertijd veel veiliger. Onze resultaten maken het mogelijk om betere aanbevelingen te kunnen doen voor de verbetering van de gezondheidstoestand van patienten binnen het toegepast medisch onderzoek en onze benaderingen kunnen met succes gebruikt worden in biomedisch onderzoek.