Skip to main content

CUANTIFICACION BAYESIANA DE LA INCERTIDUMBRE EN SELECCION DE MODELOS: METODOS Y APLICACIONES A PROBLEMAS CON INFORMACION INCOMPLETA, DATOS ESTRUCTURADOS Y MODELOS MATEMATICOS

PID2019-104790GB-I00

•
Funding agency name Agencia Estatal de Investigación
Funding agency acronym AEI
Program Programa Estatal de I+D+i Orientado a los Retos de la Sociedad
Call Proyectos de I+D+i (Generación de Conocimiento y Retos Investigación)
Call year 2019
State Plan 2017-2020 Plan Estatal de Investigación Científica y Técnica y de Innovación
Beneficiary centre UNIVERSIDAD DE CASTILLA-LA MANCHA

Resultados relacionados

Resultados totales (Incluyendo duplicados): 2
Encontrada(s) 1 página(s)

BULERIA. Repositorio Institucional de la Universidad de León
Publication Artículo científico (JournalArticle)

Modelos multiestado para análisis de supervivencia en cardiología: una alternativa a los composite endpoints, Multi-state models for survival analysis in cardiology: an alternative to composite endpoints

  • Montoya, Natalia
  • Quirós Carretero, Alicia
  • Torre Hernández, José María de la
  • Pérez de Prado, Armando
[ES] En los estudios longitudinales en cardiología, el objetivo principal suele ser el tiempo hasta ciertos eventos adversos (EA), con el objetivo de identificar factores de riesgo o la eficacia de un tratamiento. Tradicionalmente se han empleado los composite endpoints, en concreto los EA cardiovasculares mayores (MACE) en sus diferentes versiones, que presentan la gran ventaja de aumentar la potencia de los estudios y de simplificar el análisis, pero dificultan la interpretación de los resultados y además presentan otras limitaciones, como otorgar el mismo peso a cada evento o utilizar únicamente la información sobre el primer evento. Por ello, en los últimos años ha crecido la preocupación por la actualización de estos métodos. El problema de analizar datos de estudios longitudinales con varios EA de interés se presta de manera natural a ser abordado con modelos multiestado, ya que permiten plantear modelos con una estructura compleja de relaciones entre la aparición de los diferentes eventos teniendo en cuenta todos los datos disponibles para cada paciente, además de proporcionar información sobre el tiempo esperado y la probabilidad de aparición de cada EA, estableciendo su dependencia de los factores de riesgo o de las características del tratamiento. Las principales ventajas de los modelos multiestado frente a otros modelos habitualmente utilizados se resumen en la tabla 1., SI, El presente trabajo ha sido financiado por la Universidad de León (código 2020/00153/001, 2020) y por el MINECO (PID2019-104790GB-I00, 2020)., Ministerio de Economía, Comercio y Empresa
BULERIA. Repositorio Institucional de la Universidad de León
Publication Artículo científico (JournalArticle)

Bayesian Variable Selection with Applications in Health Sciences

  • Garcia Donato, Gonzalo
  • Castellanos Nueda, María Eugenia
  • Quirós Carretero, Alicia
[EN] In health sciences, identifying the leading causes that govern the behaviour of a response variable is a question of crucial interest. Formally, this can be formulated as a variable selection problem. In this paper, we introduce the basic concepts of the Bayesian approach for variable selection based on model choice, emphasizing the model space prior adoption and the algorithms for sampling from the model space and for posterior probabilities approximation; and show its application to two common problems in health sciences. The first concerns a problem in the field of genetics while the second is a longitudinal study in cardiology. In the context of these applications, considerations about control for multiplicity via the prior distribution over the model space, linear models in which the number of covariates exceed the sample size, variable selection with censored data, and computational aspects are discussed. The applications presented here also have an intrinsic statistical interest as the proposed models go beyond the standard general linear model. We believe this work will broaden the access of practitioners to Bayesian methods for variable selection., SI, Ministerio de Economía, Comercio y Empresa, This work has been funded by the project PID2019-104790GB-I00 from the Ministerio de Ciencia e Innovación (Spain). The work of G. Garcia-Donato has been also supported by the project SBPLY/17/180501/000491 from the Consejeria de Educacion, Cultura y Deportes de la Junta de Comunidades de Castilla-La Mancha (Spain)., Junta de Comunidades de Castilla-La Mancha