Ajuste de modelos de fragilidade e riscos proporcionais aplicados a dados de retinopatia diabética

Abstract

Atualmente a análise de sobrevivência é uma das áreas que mais crescem no campo da análise estatística, com uma sólida teoria para ajustar modelos de regressão para estudar certos fenômenos, os quais têm, em sua estrutura, a característica de ter observações incompletas na amostra denominada censura. Embora esses modelos possam representar eficientemente o fenômeno em estudo em muitas situações, alguns deles não levam em consideração a existência de uma variável não observável presente na maioria dos estudos, denominada fragilidade. Essa fragilidade denota a suscetibilidade do evento a ocorrer por um indivíduo ou objeto determinado sob investigação. O objetivo deste trabalho foi mostrar que, em situações em que a fragilidade está presente, o uso de modelos que capturam a variabilidade dessa variável é mais viável para a análise desses dados quando comparado aos modelos convencionais em estudos de sobrevivência. Para tanto, foi realizada uma análise comparativa entre esses modelos, ajustada para um conjunto de dados de pacientes diagnosticados com retinopatia diabética, e também foi realizado um estudo de simulação para o modelo de fragilidade gama com diferentes porcentagens de censura e heterogeneidade. Após o ajuste dos modelos, observa-se que os modelos de fragilidade tiveram melhor desempenho quando comparados ao modelo de Cox, com ênfase no modelo de fragilidade gama, que gerou o menor valor para AIC e BIC. O estudo de simulação mostrou que altas taxas de censura prejudicam o grau de previsibilidade do modelo de fragilidade e que altas taxas de heterogeneidade contribuem para estimativas de parâmetros.

Techniques of quality of adjustment of statistical models with evaluation of probability distributions using production data of laying quails

“…The values of AIC and BIC are similar, since both require the estimation of parameters, however, the second considers Bayesian and deviation information (Deviance Information Criterion -DIC) (Bolker et al, 2009). According to Brito et al (2020), the importance of using statistical models was verified, to identify those that most represent and help in the prediction of human diseases (Diabetic Retinopathy) and used parameters such as AIC and BIC to evaluate the most diverse distributions studied.…”