Multi-state models for biomedical researchnew contributions in statistical modelling, software development, and applications.

Resumen

La progresión de una cierta enfermedad puede describirse a través de los modelos multi-estado, Estos modelos pueden considerarse como una generalización del proceso de supervivencia donde varios eventos (intermedios) ocurren consecutivamente en el tiempo. En este contexto, algunos problemas de interés son: la estimación de tasas de progresi6n, la evaluacl6n de los efectos de factores de riesgo individuales, o la estimación de la tasa de supervivencia. La influencia de estos eventos intermedios en la supervivencia es analizada habitualmente a través del modelo de regresión de Cox. Esta tesis contiene una revisión exhaustiva de los modelos multi-estado más habituales para estudiar la progresión de la enfermedad. Se discuten las diferencias entre estos modelos y el modelo de regresi6n de Cox, enfatizando las posibles ventajas y desventajas de cada método. Los métodos revisados se ilustran con los datos de transplante de corazón de Stanford, proporcionando un gula sobre el uso de estas metodologlas para el estudio de la evolución de la enfermedad. Una atenci6n especial debe prestarse cuando se está interesado en evaluar el efecto de una covariable. El modelo de Cox proporciona-estimaciones constantes del efecto de la covariable a lo largo del periodo de estudio.-Para-evitar este problema se utilizan-métodos Ae suavización spline (P-splines). Además, son introducidos estos métodos spline en modelos multi-estado para averiguar los posibles efectos no-lineales de las covariables en las intensidades de transición. El uso de estos métodos en modelos mutti-estado es novedoso. Para ilustrar los posibles beneficios del uso de los modelos multi-estado, se realizaron varios estudios de simulación. A través de estos estudios, se explica por qué el modelo de Cox puede no ser apropiado (con interpretación dificil) cuando se utiliza en presencia de covariables dependientes del tiempo.