Dominar el análisis de eventos raros: determinación del tamaño de la submuestra en Cox y regresiones logísticas

Área de la Ciencia:

• Ciencia de los datos
• Modelado estadístico
• La bioinformática

Sus antecedentes:

• Los conjuntos de datos masivos son cruciales en el análisis de datos moderno, pero exigen recursos computacionales significativos.
• Los métodos de submuestreo existentes minimizan la pérdida de eficiencia, pero carecen de orientación sobre la selección de tamaños de submuestras adecuados.
• Esta brecha dificulta el análisis eficiente de conjuntos de datos a gran escala.

Objetivo del estudio:

• Desarrollar y presentar herramientas para determinar el tamaño óptimo de las submuestras en el análisis de datos.
• Abordar los desafíos en la regresión de Cox para eventos raros y la regresión logística para datos equilibrados/desequilibrados.
• Introducir un nuevo procedimiento de submuestreo específico para la regresión logística desequilibrada.

Principales métodos:

• Desarrollo de nuevas herramientas para la selección de submuestras.
• Aplicación a modelos de regresión de Cox con eventos raros.
• Aplicación a modelos de regresión logística con conjuntos de datos equilibrados y desequilibrados.
• Introducción de un procedimiento óptimo de submuestreo para la regresión logística desequilibrada.

Principales resultados:

• Eficacia demostrada de las herramientas y procedimientos desarrollados a través de simulaciones extensas.
• Métodos validados en dos conjuntos de datos reales a gran escala: Biobanco del Reino Unido (cáncer colorrectal) y datos vinculados de nacimiento/muerte infantil.
• Mostró una mayor eficiencia y precisión en el análisis de conjuntos de datos masivos.

Conclusiones:

• Las herramientas introducidas abordan efectivamente la necesidad de una selección óptima del tamaño de la submuestra en el análisis de datos masivos.
• El nuevo procedimiento de submuestreo mejora la regresión logística para los datos desequilibrados.
• Estos avances facilitan un análisis más eficiente y fiable de grandes conjuntos de datos biomédicos y de salud pública.