Análisis conjunto bayesiano de datos longitudinales y datos de tiempo de fallo censurados por intervalos

Área de la Ciencia:

• Las estadísticas
• Estadísticas biológicas
• Análisis longitudinal de los datos

Sus antecedentes:

• El modelado conjunto de datos longitudinales y de supervivencia es crucial en la investigación estadística.
• Los métodos existentes a menudo se centran en datos censurados correctamente, lo que limita la aplicabilidad.
• Los datos de supervivencia censurados por intervalos, comunes en los estudios clínicos, requieren modelos especializados.

Objetivo del estudio:

• Proponer un nuevo modelo de fragilidad para el análisis conjunto de las respuestas longitudinales y los tiempos de supervivencia censurados por intervalos.
• Proporcionar un marco estadístico flexible que se adapte a estructuras de datos complejas de seguimiento periódico o irregular.
• Permitir la interpretación de los coeficientes de regresión como efectos marginales en ambos tipos de respuesta.

Principales métodos:

• Un submodelo no lineal de efectos mixtos para la respuesta longitudinal.
• Un submodelo probit semiparamétrico para el tiempo de supervivencia censurado por intervalos, que incorpora fragilidad normal compartida.
• Utilizando splines para la aproximación flexible de las funciones de línea de base desconocidas.
• Desarrollando un muestreador de Gibbs eficiente para el cálculo posterior.

Principales resultados:

• El modelo conjunto propuesto demuestra un buen rendimiento de estimación en estudios de simulación.
• La metodología se aplicó con éxito a los datos de pacientes de la vida real del Estudio Longitudinal del Centro de Aerobic.
• El modelo permite un análisis conjunto robusto de los datos longitudinales de efectos mixtos y los datos de supervivencia censurados por intervalos.

Conclusiones:

• El modelo de fragilidad articular desarrollado ofrece una herramienta poderosa para analizar datos longitudinales y de supervivencia complejos.
• El uso de splines y el muestreo de Gibbs garantiza la eficiencia computacional y la flexibilidad del modelado.
• Este enfoque mejora la comprensión de las relaciones entre los procesos longitudinales y los resultados del tiempo hasta el evento en varios campos de investigación.