Sequential Monte Carlo methods in Bayesian jointmodels for longitudinal and time-to-event data

Resumen

El análisis estadístico de la información generada por el seguimiento médico de una enfermedad es un reto muy importante en el ámbito de la medicina personalizada. A medida que avanza el curso evolutivo de la enfermedad en un paciente, su seguimiento genera cada vez más información que debe ser procesada inmediatamente para revisar y actualizar su pronóstico y tratamiento. Nuestro objetivo en esta tesis se centra en dicho proceso de actualización a través de métodos de inferencia secuencial en modelos conjuntos de datos longitudinales y de supervivencia desde una perspectiva Bayesiana. En concreto, proponemos la utilización de métodos secuenciales de Monte Carlo adaptados a modelos conjuntos con parámetros estáticos (independientes del tiempo) para actualizar la distribución a posteriori de los parámetros, hiperparámetros y efectos aleatorios con la intención de reducir el tiempo de computación en cada actualización del proceso inferencial. Nuestra propuesta es muy general y puede aplicarse de forma muy sencilla a las modelizaciones longitudinales y de supervivencia conjuntas más populares en la literatura científica del tema. Utilizamos dos estudios diferentes para ilustrar nuestra propuesta: (i) un modelo conjunto para datos longitudinales con pérdida de seguimiento informativa simulados a través de un mecanismo novedoso propio y (ii) un modelo conjunto para eventos con riesgo competitivos para un problema real sobre pacientes que reciben ventilación mecánica en unidades de cuidados intensivos.