Joint modelling for cardiovascular disease risk estimation

Thumbnail Image

Files

master_Räty_Siru_2025.pdf (830.06 KB)

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-07-31

Department

Major/Subject

Complex Systems

Mcode

Degree programme

Master's Programme in Life Science Technologies

Language

en

Pages

43

Series

Abstract

Cardiovascular disease (CVD) is the leading cause of death globally, can lead to worse outcomes in coexisting conditions, and can cause disability. Risk estimation can be used to prevent cardiovascular disease. Current risk estimation calculators use data collected at a single time point. Joint modelling of longitudinal and time-to-event data is a statistical framework that combines and coherently models both types of data. Leveraging joint modelling for CVD risk estimation enables the use of repeated measurements to reach an accurate risk estimation. In this thesis, the special interest was whether repeated measurements of existing risk calculator scores could be used as longitudinal data for joint modelling. I developed five joint models for CVD risk estimation using data from the Whitehall II study. Four of these models were based on repeated measurements of QRISK scores, a CVD risk calculator used in primary healthcare in the United Kingdom. The best performing joint model was selected and its performance was compared to that of the standard QRISK score, which is based on data from one time point. The joint model reached the same predictive performance as QRISK, but its clinical usability was poor due to a tendency to classify most individuals as high risk. Joint modelling did not lead to improved risk estimation in this study. Possible explanations include inadequate representation of individual risk trajectories, limitations of the dataset, and potential flaws in the underlying assumptions, particularly the assumption that joint modelling can effectively capture the clinically relevant features of long-term patterns.

Sydän- ja verisuonisairaudet eli verenkiertoelinten sairaudet ovat maailman yleisin kuolinsyy. Ne voivat pahentaa muiden sairauksien ennustetta ja aiheuttaa toimintakyvyn heikkenemistä. Tarkka riskinarviointi voi auttaa sydän- ja verisuonisairauksien ehkäisyssä. Nykyiset riskilaskurit perustuvat yhdellä ajanhetkellä tehtyihin mittauksiin. Pitkittäis- ja tapahtuma-aikadatan yhteismallinnus on tilastollinen menetelmä, jonka avulla kahta eri ainestotyyppiä voidaan mallintaa yhtäaikaisesti ja ymmärrettävästi. Tällä menetelmällä voidaan hyödyntää toistettuja mittauksia ja saavuttaa tarkka sairastavuuden riskiarvio. Tämän diplomityön erityisenä kiinnostuksen kohteena oli tarkastella, voiko nykyisten riskilaskureiden toistettuja mittauksia hyödyntää yhteismallinnuksen pitkittäisdatana. Kehitin viisi eri mallia verenkiertoelinten sairauksien riskin arviointiin käyttäen dataa Whitehall II -tutkimuksesta. Neljä näistä yhteismalleista pohjautui toistettuihin QRISK-mittauksiin. QRISK on riskilaskuri, joka on käytössä Yhdistyneen Kuningaskunnan terveydenhuollossa. Omista malleistani valitsin parhaiten suoriutuneen, ja vertasin sitä yhden ajanhetken QRISK-pisteytykseen. Yhteismalli oli yhtä hyvä ennustamaan sairauden riskiä kuin QRISK, mutta sen kliininen käytettävyys oli huomattavasti huonompi, sillä se luokitteli suuren osan henkilöistä korkean riskin kategoriaan. Yhteismallinnuksella ei saavutettu parannusta sydän- ja verisuonisairauksien riskiarviointiin tässä tutkimuksessa. Mahdollisia syitä tähän ovat vajavainen mallintaminen yksilöllisissä riskikehityksissä, aineiston rajoitukset ja puutteet taustaoletuksissa, varsinkin oletuksessa siitä, että yhteismallinnus pystyy havaitsemaan kliinisesti merkittävät pitkän aikavälin muutokset ja muuttamaan ne yksilölliseksi riskiarvioksi.

Description

Supervisor

Hyvönen, Nuutti

Thesis advisor

Lindbohm, Joni

Keywords

joint modelling of longitudinal and time-to-event data, cardiovascular disease, risk estimation, pitkittäis- ja tapahtuma-aikadatan yhteismallinnus, sydän- ja verisuonisairaudet, riskinarvionti

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508186231

Collections

[dipl] Perustieteiden korkeakoulu / SCI