Predicción global y específica del episodio de eventos recurrentes utilizando datos de informática de salud...

Área de la Ciencia:

• Informática de la salud
• Estadísticas biológicas
• El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• La predicción precisa de eventos clínicos recurrentes es vital para el manejo de enfermedades crónicas como el cáncer y las enfermedades cardiovasculares.
• Las bases de datos informáticas longitudinales de salud se utilizan cada vez más para modelos de predicción de riesgos de eventos clínicos repetidos.

Objetivo del estudio:

• Introducir un nuevo marco no paramétrico para predecir eventos recurrentes utilizando conjuntos de árboles de supervivencia.
• Abordar las complejidades en la predicción de eventos recurrentes basados en árboles, incluida la censura informativa y las correlaciones entre eventos.
• Ofrecer una alternativa prometedora a los modelos tradicionales de tipo Cox evitando suposiciones fuertes sobre el historial de eventos.

Principales métodos:

• Desarrolló un marco no paramétrico utilizando conjuntos de árboles de supervivencia.
• Incorporó dos estrategias de modelado predictivo: modelos específicos de episodio y modelos globales.
• Se abordó la censura informativa inducida y las correlaciones entre eventos utilizando la probabilidad inversa de ponderación de censura y procedimientos de resamplamiento modificados.

Principales resultados:

• El nuevo marco demostró un rendimiento superior en la predicción de hospitalizaciones recurrentes para pacientes con cáncer de mama utilizando datos de SEER-Medicare.
• Los modelos globales, que toman prestada información a través de eventos, mejoraron significativamente la precisión de la predicción para hospitalizaciones posteriores.
• Los modelos propuestos evitaban suposiciones fuertes, ofreciendo una alternativa flexible a los métodos existentes.

Conclusiones:

• El marco de ensamblaje del árbol de supervivencia proporciona un enfoque no paramétrico efectivo para la predicción de eventos recurrentes.
• El préstamo de información a través de eventos a través de modelos globales es una estrategia clave para mejorar la precisión de las predicciones en eventos posteriores.
• Este marco ofrece una herramienta valiosa para mejorar la gestión de las enfermedades crónicas a través de una mejor predicción de riesgos.