Download PDF
Methods Inf Med 1984; 23(02): 109-114
DOI: 10.1055/s-0038-1635326
Original Article
Schattauer GmbH

A Non-homogeneous Markov Chain Model for Follow-up Studies with Application to Epilepsy

Ein nichthomogenes Markov-Ketten-Modell für Nachsorgestudien, angewandt auf die Epilepsie
D. Commenges
1   (From the Département Informatique and the Département de Neurologie, Université de Bordeaux, France)
,
P. Barberger-Gateau
1   (From the Département Informatique and the Département de Neurologie, Université de Bordeaux, France)
,
J. F. Dartigues
1   (From the Département Informatique and the Département de Neurologie, Université de Bordeaux, France)
,
P. Loiseau
1   (From the Département Informatique and the Département de Neurologie, Université de Bordeaux, France)
,
R. Salamon
1   (From the Département Informatique and the Département de Neurologie, Université de Bordeaux, France)
› Author Affiliations
Further Information

Publication History

Publication Date:
20 February 2018 (online)

    Permissions and Reprints

Summary

A non-homogeneous Markov chain model is proposed for diseases involving several pathological states. An estimator of the probability of being in a given state at a given time is presented together with an estimator of its variance. A method combining the Mantel-Haenszel and the sum of χ2 procedures enables us to test-whether two groups can be described by the same non-homogeneous Markov chain. Failure time data can be described by a system with two states, one being absorbing. In this case the proposed estimator reduces itself to the actuarial estimator and the test method to the logrank test. Applied to epilepsy this method is a useful tool for analysing the history of children suffering from typical absences (TA) and who can experience other forms of the disease such as grand mal (GM) and remission of TA or GM.

Ein nichthomogenes Markov-Ketten-Modell wird für Krankheiten vorgeschlagen, die verschiedene pathologische Zustände beinhalten. Ein Schätzer der Wahrscheinlichkeit, sich zu einer bestimmten Zeit in einem bestimmten Zustand zu befinden, wird dargestellt zusammen mit einem Schätzer seiner Varianz. Eine Methode, die das Mantel-Haenszel-Verfahren und das χ2-Verfahren kombiniert, ermöglicht es zu prüfen, ob zwei Gruppen durch die gleiche nichthomogene Markov-Kette beschrieben werden können. Ausfallzeitdaten können durch ein System mit zwei Stadien beschrieben werden, von denen eines absorbierend ist. In diesem Fall vereinfacht sich der vorgeschlagene Schätzer auf den versicherungsmathematischen Schätzer und die Testmethode auf den Logrank-Test. Angewandt auf die Epilepsie ist diese Methode ein nützliches Werkzeug, um die Krankengeschichte von an typischen Absencen leidenden Kindern zu analysieren, die andere Formen der Krankheit wie Grand Mal und Remission von TA oder GM erfahren können.

Key-Words:

Non-homogeneous Markov Chains - Longitudinal Studies - Epilepsy

Schlüssel-Wörter:

Nichthomogene Markov-Ketten - longitudinale Studien - Epilepsie
 

  • References

  • 1 Alling D. W.. The after-history of pulmonary tuberculosis: a stochastic model. Biometrics 1958; 14: 527-547.
    CrossrefPubMedGoogle Scholar
  • 2 Anderson T. W., Goodman L. A.. Statistical inference about Markov chains. Ann. Math. Statist 1957; 28: 89-110.
    CrossrefPubMedGoogle Scholar
  • 3 Chiang L. C. Survival and stages of disease. Math. Biosc 1979; 43: 159-171.
    CrossrefPubMedGoogle Scholar
  • 4 Commenges D., Commenges-Ducos M., Barberger-Gateau P.. A Non-stationary Markov Model Applied to the Follow-up of Patients Treated for Thyrotoxicosis. In O’Moore R. R., Barker B., Reichertz P. L., F. Roger. (Eds) Medical Informatics Europe 82. pp 489-494. Berlin -Heidelberg - New York: Springer; 1982
    Google Scholar
  • 5 Cox D. R.. Regression models and life tables. J. roy. Stat. Soc. B 1972; 34: 187-220.
    PubMedGoogle Scholar
  • 6 Iosifescu M.. Finite Markov Processes and their Applications. Chichester: J. Wiley; 1980
    Google Scholar
  • 7 Iosifescu M., Tautu P.. Stochastic Processes and Applications in Biology and Medicine. Berlin-Heidelberg-New York:: Springer; 1973
    Google Scholar
  • 8 Kalbfleisch J. D., Prentice R. L.. The Statistical Analysis of Failure Time Data. New York: J. Wiley; 1980
    Google Scholar
  • 9 Kaplan E. L., Meier P.. Non-parametric estimation from incomplete observations. J. Amer. Stat. Ass 1958; 53: 457-481.
    CrossrefPubMedGoogle Scholar
  • 10 Lagakos S. W., Sommer C. J., Zelen M.. Semi-Markov models for partially censored data. Biometrika 1978; 65: 311-317.
    CrossrefPubMedGoogle Scholar
  • 11 Loiseau P., Pestre M., Dartigue J. F., Commenges D., Barberger-Gateau P., Cohadon S.. Long-term prognosis in two forms of childhood epilepsy: typical absence seizures and epilepsy with rolandic (centrotemporal) EEG foci. Ann. Neurol 1983; 13: 642-648.
    CrossrefPubMedGoogle Scholar
  • 12 Mantel N.. Evaluation of survival data and two rank order statistics arising in its consideration. Cancer Chemotherapy Reports 1966; 50: 163-170.
    PubMedGoogle Scholar
  • 13 Mantel N., Haenszel W.. Statistical aspects of the analysis of data from retrospective studies of disease. J. nat. Cancer Inst 1959; 22: 719-740.
    PubMedGoogle Scholar
  • 14 Moussa M. A. A., Hatout H., Kasraoui R., Saleh K.. Measuring the change in contingency tables using Markov models: application to the effect of preceding conception on the next one. Meth. Inform. Med 1982; 21: 31-33.
    PubMedGoogle Scholar
  • 15 Peto R., Peto J.. Asymptotically efficient rank invariant test procedures. J. roy. statist. Soc. A 1972; 135: 185-207.
    CrossrefPubMedGoogle Scholar
  • 16 Thompson M. E.. Estimation of the parameters of a semi-Markov process from censored observations. Adv. Appl. Prob 1981; 13: 804-825.
    CrossrefPubMedGoogle Scholar
  • 17 Weiss G. H., Zelen M.. A semi-Markov model for clinical trials, J. appl. Prob 1965; 2: 269-285.
    PubMedGoogle Scholar