Longitudinale, Spatiale en Spatio-Temporale modellering van klinische en epidemiologische data

Hiërarchische gegevens, met correlatie in ruimte en/of tijd, komen in verschillende domeinen voor. In klinische en epidemiologische studies, zoals bij niertransplantatiestudies, is dit het geval wanneer een aantal longitudinale markers samen worden waargenomen, vaak ook in combinatie met (terugkerende) gebeurtenistijden. In de context van infectieziekten, zoals door SARS-CoV-2 geïnduceerde COVID-19, impliceert het zoeken naar "correlates of protection" voor de werkzaamheid van vaccins de gezamenlijke modellering van een aantal merkers (bijv. gebaseerd op humorale en cellulaire immuniteit) en tijd tot infectie, in een multicentrische studie of multi-trial meta-analyse. Nog steeds op het gebied van SARS-CoV-2 is de gezamenlijke modellering van belangrijke epidemiologische indicatoren (bijv. totaal en bevestigde gevallen, positiviteit, ziekenhuisopnames, ICU-bezetting, mortaliteit) van belang. Dergelijke tijdreeksen maken, wanneer ze worden geanalyseerd op het niveau van voldoende kleine geografische eenheden (provincies, steden of statistische sector), een verfijnde analyse mogelijk met behulp van multivariate longitudinale, spatiale of spatio-temporale methoden. Hoewel er enige modelleringsinspanningen reeds zijn geleverd, is er nog veel werk nodig om modellen te formuleren die een goede beantwoording van de bijbehorende onderzoeksvragen mogelijk maken. Bovendien is er werk nodig om deze modellen rekenkundig stabiel en efficiënt te maken, en dus praktisch bruikbaar.