NAGIOS: RODERIC FUNCIONANDO

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

Repositori DSpace/Manakin

IMPORTANT: Aquest repositori està en una versió antiga des del 3/12/2023. La nova instal.lació está en https://roderic.uv.es/

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

dc.contributor.advisor	Forte Deltell, Anabel
dc.contributor.advisor	Armero-Cervera, Carmen
dc.contributor.author	Alvares da Silva, Danilo
dc.contributor.other	Departament d'Estadística i Investigació Operativa	es_ES
dc.date.accessioned	2017-06-30T06:48:06Z
dc.date.available	2017-07-01T04:45:05Z
dc.date.issued	2017	es_ES
dc.date.submitted	26-07-2017	es_ES
dc.identifier.uri	http://hdl.handle.net/10550/59274
dc.description.abstract	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.	es_ES
dc.description.abstract	The statistical analysis of the information generated by medical follow-up is a very important challenge in the field of personalised medicine. As the evolutionary course of a patient's disease progresses, its medical follow-up generates more and more information that should be processed immediately in order to review and update its prognosis and treatment. Our objective in this thesis focuses on this update process through sequential inference methods for joint models of longitudinal and time-to-event data from a Bayesian perspective. More specifically, we propose the use of sequential Monte Carlo methods for static parameter joint models in order to update the posterior distribution of the parameters, hyperparameters, and random effects with the intention of reducing computation time in each update of the inferential process. Our proposal is very general and can be easily applied to most popular joint models approaches. We illustrate our research with two different studies: (i) a joint model for longitudinal data with informative dropout simulated through an own novel mechanism, and (ii) a joint model with competing risk events for a real problem about patients receiving mechanical ventilation in intensive care units.	en_US
dc.format.extent	154 p.	es_ES
dc.language.iso	en	es_ES
dc.subject	Bayesian analysis	es_ES
dc.subject	Joint models	es_ES
dc.subject	Personalised medicine	es_ES
dc.subject	Particle filter	es_ES
dc.title	Sequential Monte Carlo methods in Bayesian joint models for longitudinal and time-to-event data	es_ES
dc.type	doctoral thesis	es_ES
dc.subject.unesco	UNESCO::MATEMÁTICAS::Estadística	es_ES
dc.embargo.terms	0 days	es_ES