Statistical modelling of unobserved medical data

Het gebruik van nieuwe statistische methoden maakt het mogelijk meer informatie te halen uit onvolledige medische gegevens. Nan van Geloven toont dit in zes studies aan.
In haar onderzoek optimaliseert Van Geloven onvolledige informatie door de oorzaken die leiden tot het ontbreken van gegevens grondig onder de loep te nemen. Ze maakt gebruik van specifieke statistische methoden die rekening houden met de kennis die voorhanden is over het ontbreken van de gegevens.
Deze aanpak leidt tot nieuwe inzichten. Zo toont Van Geloven aan dat traditionele statistische methoden de kans op een zwangerschap overschatten door het gebruik van irreële aannames over het (niet geobserveerde) natuurlijke zwangerschapspotentieel in paren die starten met vruchtbaarheidsbehandelingen zoals IVF. Ook maakt ze met een statistisch model onderscheid tussen paren met verminderde en paren met afwezige kans op een zwangerschap. Dit onderscheid kan niet gemaakt worden met de conventionele analysemethoden. Verder maakt Van Geloven duidelijk dat de nauwkeurigheid van testen voor de doorgankelijkheid van eileiders beter geschat kan worden door deze testen gezamenlijk te evalueren. Ook toont ze aan dat het risicoprofiel van patiënten na een acuut coronair syndroom afneemt over de tijd. Er kan een nieuw analysemodel ontwikkeld worden voor virusdata afkomstig uit seriële verdunningsreeksen. Dit model kan processen verbeteren die virussen moeten verwijderen uit donorbloed en -plasma.