Una comparación de enfoques de modelado estadístico semiparamétrico para la clasificación dinámica de curvas de...

Área de la Ciencia:

• Estadísticas biológicas
• La informática médica
• Ciencia de los datos clínicos

Sus antecedentes:

• La detección temprana de las complicaciones posteriores a la cirugía cardíaca es crucial para una intervención clínica oportuna.
• La práctica clínica actual a menudo se basa en umbrales fijos para las mediciones de biomarcadores, que pueden faltar cambios dinámicos.
• Los datos de biomarcadores muestreados de manera irregular y escasa presentan desafíos para la clasificación precisa de los pacientes.

Objetivo del estudio:

• Comparar el rendimiento predictivo dinámico de varios enfoques de modelado estadístico semiparamétrico para la clasificación de sujetos.
• Evaluar los métodos para el diagnóstico de las complicaciones posteriores a la cirugía cardíaca utilizando medidas repetidas de un biomarcador cardíaco.
• Identificar modelos estadísticos que aprovechen los datos históricos de los pacientes para mejorar la precisión del diagnóstico.

Principales métodos:

• Estudios de simulación que comparan las tablas de crecimiento, las tablas de crecimiento condicional, los modelos de coeficientes variables, los modelos lineales funcionales generalizados y el análisis discriminante longitudinal.
• Evaluación del rendimiento predictivo dinámico a lo largo del tiempo utilizando datos de muestreo simulado, irregular y escaso.
• Aplicación de regresión funcional y modelos de coeficientes variables a un conjunto de datos clínicos del mundo real.

Principales resultados:

• Los enfoques de regresión funcional que incorporan información histórica a través de efectos aleatorios demostraron una capacidad discriminativa superior.
• Los modelos semiparamétricos ofrecen una capacidad de discriminación dinámica mejorada en comparación con los métodos de umbral fijo.
• Los modelos de coeficientes de variación y la regresión cuántica mostraron ventajas sobre la regresión funcional bajo alta escasez de datos.

Conclusiones:

• El modelado estadístico, particularmente la regresión funcional, proporciona beneficios significativos para la clasificación dinámica de pacientes en entornos clínicos.
• La incorporación de datos históricos a través de efectos aleatorios en modelos de regresión funcional es clave para mejorar el rendimiento diagnóstico.
• La elección del enfoque estadístico debe tener en cuenta el grado de escasez de datos y el posible desequilibrio de clase.