Resumen

En los estudios de trasplante, a menudo se recopilan mediciones longitudinales de marcadores importantes antes del trasplante real. Utilizar solo la última medición disponible como covariable de línea base en un modelo de supervivencia para el tiempo hasta el fallo del injerto descarta toda la evolución longitudinal. Proponemos un enfoque de dos etapas para manejar este tipo de conjuntos de datos utilizando toda la información disponible. En la primera etapa, resumimos la información longitudinal con un modelo de efectos mixtos no lineales, y en la segunda etapa, incluimos las estimaciones de Bayes empíricas de los parámetros específicos del sujeto como predictores en el modelo de Cox para el tiempo hasta el fallo del aloinjerto. Para tener en cuenta que los parámetros específicos del sujeto estimados están incluidos en el modelo, utilizamos un enfoque de Monte Carlo y muestreamos de la distribución posterior de los efectos aleatorios dados los datos observados. Nuestra propuesta se ejemplifica en un estudio del impacto de la evolución de la resistencia renal en

• Materias:Modelos de regresión Conjunto borroso Agrupamiento Factores de transcripción Modelo autorregresivo
• Subjects:Regression models Fuzzy set Clustering Transcription factors Autoregressive model
• Palabras claves:Trasplante; Mediciones longitudinales; Modelo de supervivencia; Estimaciones de Bayes empírico; Modelo de Cox; Resistencia renal
• Keywords:Transplantation; Longitudinal measurements; Survival model; Empirical Bayes estimates; Cox model; Renal resistance