Modelos de riesgos en competencia con dos escalas de tiempo

Área de la Ciencia:

• Estadísticas biológicas
• Análisis de la supervivencia
• Epidemiología

Sus antecedentes:

• Los modelos de riesgos competidores a menudo utilizan una sola escala de tiempo, lo que limita su aplicación en escenarios complejos como la mortalidad por cáncer.
• La consideración conjunta de múltiples escalas de tiempo (por ejemplo, la edad y el tiempo transcurrido desde el diagnóstico) es crucial para evaluar con precisión los riesgos específicos de la causa.
• Los métodos existentes para escalas de tiempo múltiples en riesgos concurrentes son limitados, lo que requiere enfoques novedosos.

Objetivo del estudio:

• Proponer y aplicar un modelo estadístico flexible para el análisis de riesgos concurrentes que incorpore dos escalas de tiempo.
• Estimar los peligros específicos de la causa que varían suavemente en dos dimensiones utilizando splines penalizados.
• Para abordar los desafíos con datos agrupados de manera aproximada en conjuntos de datos del mundo real como el programa SEER.

Principales métodos:

• Desarrolló un nuevo modelo de riesgos competitivos utilizando P-splines bidimensionales para el suavizado de peligros.
• Aprovechó la equivalencia entre el suavizado de peligros y la regresión de Poisson para la estimación.
• Empleó modelos generalizados de matrices lineales para la eficiencia computacional y un modelo de enlace compuesto penalizado para la desagrupación de datos.
• Implementó el modelo en el paquete R TwoTimeScales.

Principales resultados:

• El modelo propuesto estima efectivamente los riesgos específicos de la causa en dos escalas de tiempo.
• El método maneja con éxito datos agrupados de manera aproximada, demostrados utilizando datos de mortalidad por cáncer de mama SEER.
• El paquete R TwoTimeScales proporciona una herramienta práctica para aplicar esta metodología estadística avanzada.

Conclusiones:

• El nuevo modelo de riesgos competitivos a doble escala ofrece un avance significativo para el análisis de datos complejos de supervivencia.
• Este enfoque mejora la comprensión de los patrones de mortalidad en enfermedades como el cáncer de mama al considerar la edad y el tiempo desde el diagnóstico.
• La metodología y el software desarrollados facilitan una evaluación de riesgos y una investigación epidemiológica más precisas.