Målet inom det här forskningsområdet, statistiska modeller för livsförloppsdata, är att analysera tiden fram till och med att någon speciell händelse inträffar. Inom medicin kan händelsen vara den att en patient dör till följd av en viss sjukdom. Målet blir då att analysera tiden från att en person blir smittad, tills det att hen avlider.
De här metoderna kan, till exempel, hjälpa läkare att ta reda på om en viss typ av behandling ökar en patients chanser att överleva.
Viktigt för att fatta rätt beslut
- Metoderna är viktiga när läkare ska fatta beslut. Om läkaren vet hur lång tid en patient förväntas överleva, kan läkaren också bestämma vilken behandling som ska sättas in, säger Parfait Munezero.
Hans forskning går ut på att analysera effekten av externa faktorer på hur lång tid det tar fram tills att en viss händelse inträffar. Effekterna av externa faktorer kan ändras över tid, och därför arbetar Parfait Munezero med metodik som tar hänsyn just till att effekterna kan ändras. De modeller som vanligtvis används inom området brukar inte ta hänsyn till det - och det är utgångspunkten för hans forskning.
Ett praktiskt exempel på när effekter kan variera är följande: säg att du vill göra en studie som sträcker sig över en lång tidsperiod, för att analysera vilken påverkan kön har på den tid det tar för en person att ta en akademisk examen.
Här menar Parfait Munezero att den inverkan som en persons kön har på vilken tid det tar, inte var densamma på 1950-talet som den är idag eftersom samhället har förändrats.
- Att anta att effekten av en viss egenskap är konstant över tid är inte realistiskt. I någon mening är det inte sant, säger han.
För att ta hänsyn till detta (förändringen i effekt över tid) forskar Parfait Munezero på så kallade dynamiska riskmodeller. Det nya i hans forskning är att tillämpa en algoritm som kallas sekventiell Monte Carlo (SMC) på de här modellerna.
Inom vilka andra områden kan man använda din forskning mer konkret?
- Nu kan man framförallt använda den i kliniska undersökningar, som cancer- och HIV-studier och för andra obotliga sjukdomar. Men man kan tillämpa den så fort man har att göra med tid, säger Parfait Munezero.
Är lätt att använda inom många områden
Modellerna, som bygger på bayesiansk inferens, kan användas både för att göra uppskattningar och för att göra prognoser. Den kan användas för analys inom många områden när tid är en beroende variabel - för att analysera effekten av någon parameter på ifall ett företag går i konkurs, inom försäkringar, programvaruteknik och telekommunikation för smarta telefoner, förklarar Parfait Munezero. Hans mål är att hans forskning används utanför akademin.
- Det som är bra är att metoden är väldigt lätt att applicera. Du kanske inte förstår teorin bakom, men om någon ger dig en algoritm att följa, är den enkel att tillämpa, säger Parfait Munezero.
Parfait Munezero har Gebrenegus Ghilagaber som handledare, och Mattias Villani från Linköpings universitet som assisterande handledare.