Agrupación de datos de eventos recurrentes

Área de la Ciencia:

• Estadísticas biológicas
• Análisis de la supervivencia
• Aprendizaje automático

Sus antecedentes:

• Los datos con marca de tiempo requieren modelar la dinámica de eventos recurrentes más allá de los recuentos totales.
• Los modelos existentes como Andersen-Gill y Cox luchan con la heterogeneidad no observada.
• Las solicitudes incluyen reingresos hospitalarios, recurrencias de enfermedades y fallas industriales.

Objetivo del estudio:

• Proponer un modelo de mezcla para eventos recurrentes para dar cuenta de la heterogeneidad no observada.
• Permitir la clasificación sin supervisión (agrupación) de los individuos en función de las variables latentes.
• Proporcionar una comprensión detallada de los procesos de eventos recurrentes dentro de grupos distintos.

Principales métodos:

• Desarrolló un modelo de mezcla para datos de eventos recurrentes.
• Especificación de la intensidad paramétrica incorporada ajustada para las covariables dentro de cada grupo.
• Se utiliza la estimación de la probabilidad máxima mediante el algoritmo Expectation-Maximization (EM).
• Utilizó el Criterio de Información Bayesiana (BIC) para la selección óptima del número de clúster.

Principales resultados:

• Factibilidad demostrada del modelo utilizando datos simulados.
• Aplicó el modelo a los datos reales de readmisión hospitalaria para los ancianos.
• Identificó y caracterizó con éxito grupos distintos de individuos basados en patrones de eventos recurrentes.

Conclusiones:

• El modelo de mezcla propuesto maneja efectivamente la heterogeneidad no observada en los datos de eventos recurrentes.
• El agrupamiento proporciona información valiosa sobre distintos subgrupos de pacientes y su dinámica de eventos.
• El modelo ofrece una poderosa herramienta para analizar datos complejos de eventos recurrentes en varios campos.