Métodos de aprendizaje estadístico para mejorar el rendimiento predictivo en modelos de supervivencia dependientes...

Área de la Ciencia:

• Epidemiología
• Estadísticas biológicas
• Biología computacional

Sus antecedentes:

• La pandemia de COVID-19 requiere modelos robustos de supervivencia para las enfermedades infecciosas.
• Los modelos estándar de riesgos proporcionales de Cox (PH) luchan con efectos dependientes del tiempo debido a suposiciones de covariante constante.
• Se necesitan modelos avanzados para capturar con precisión la dinámica de la enfermedad y los riesgos que varían con el tiempo.

Objetivo del estudio:

• Evaluar y mejorar los modelos de supervivencia para evaluar los efectos dependientes del tiempo en enfermedades infecciosas.
• Para comparar el rendimiento de Cox PH, el aprendizaje automático y los modelos de supervivencia de aprendizaje profundo.
• Para refinar la estimación del riesgo para las variantes de COVID-19 utilizando técnicas de modelado mejoradas.

Principales métodos:

• Aplicó modelos estratificados de Cox PH con múltiples intervalos de tiempo para satisfacer las suposiciones de PH.
• Modelos de aprendizaje automático (Random Survival Forest) y aprendizaje profundo (DeepSurv, DeepHit) evaluados a través de simulaciones.
• Se introdujo una división refinada de intervalos de tiempo y un enfoque de suma ponderada para los ratios de riesgo integrados de las variantes de COVID-19.

Principales resultados:

• El aumento de los intervalos de tiempo mejoró significativamente la precisión predictiva.
• El modelo de PH de Cox superó a los modelos ML/DL cuando se cumplieron los supuestos de PH.
• Los ratios de riesgo refinados para las variantes de COVID-19 revelaron un riesgo decreciente: Temprano (29.359), EU1 (20.734), Alfa (4.079).

Conclusiones:

• El refinamiento de los intervalos de tiempo mejora la comprensión de los efectos dependientes del tiempo en el análisis de la supervivencia a enfermedades infecciosas.
• Los intervalos estratificados y los modelos avanzados mejoran la evaluación del riesgo y la precisión predictiva para COVID-19 y otras enfermedades en evolución.
• Este enfoque ofrece una visión más matizada de la progresión de la enfermedad y los factores de riesgo a lo largo del tiempo.