Parameterschätzung des Gompertz-Modells für Tumorwachstum: Welche Likelihood sollte gewählt werden?

Zusammenfassung Das Gompertz-Modell, ein Grundpfeiler der Analyse von Tumorwachstumsdynamik, erfordert eine genaue Likelihood-Funktion für seine Parameterschätzung, die sowohl in klassischen als auch in bayesianischen Methoden anwendbar ist. Diese Studie vergleicht fünf verschiedene Fehlermodelle, die jeweils eine andere Likelihood-Funktion darstellen. Unsere vergleichende Analyse verwendet das Bayesian Information Criterion (BIC), das Deviance Information Criterion (DIC), den Bayes-Faktor (BF) und Hypothesentests zu Residuen. Bei der Anwendung dieser Kriterien zur Anpassung des Gompertz-Modells an Ehrlich- und Fibrosarkom Sa-37 Tumordaten stellen wir fest, dass Fehlermodelle mit tumordependenzierender Streuung konsistent besser abschneiden als andere in quantitativen Bewertungen. Das konventionelle Normalfehlermodell mit konstanter Varianz bleibt jedoch ein wichtiges Werkzeug, das bedeutende klinische Einblicke bietet. Diese Studie unterstreicht die Komplexität der Auswahl von Likelihood-Modellen in der Tumorwachstumsdynamik und hebt die Notwendigkeit eines facettenreichen Ansatzes bei solchen Analysen hervor.