Sessão Temática: Mulheres na Ciência
Palestra 1 – 24/10 (17:00 – 17:30)
Modelagem de classes latentes com desfechos distais em sobrevivência
Palestrante: Leila Denise Alves Ferreira Amorim – Universidade Federal da Bahia (UFBA)
Um dos desafios na análise de dados é a necessidade de incorporação de múltiplos componentes interrelacionados em modelos estatísticos, de modo a permitir a captura de efeitos que apresentam natureza multifacetada como, por exemplo, hábitos e comportamentos de saúde que podem ser mensurados através de um conjunto de indicadores. A análise de classes latentes (LCA) é um caso especial de modelos de mistura finita, que têm sido utilizada para identificar e tipificar subgrupos (classes) latentes baseados em padrões de resposta observados. Extensões de LCA incluem a presença de covariáveis, que são utilizadas para entender que características podem predizer o pertencimento a uma classe latente, e a modelagem de respostas distais, quando os preditores são latentes e a variável resposta é observada. Neste trabalho discutimos desenvolvimentos relacionados à modelagem com variáveis latentes categóricas e desfechos distais definidos pelo tempo até o evento para dados censurados. Em particular, as análises de interesse objetivam descrever o efeito de uma variável latente categórica no tempo até ocorrência do evento, em que o modelo estrutural é definido pelo modelo de Cox. Adicionalmente, propomos um procedimento de estimação bayesiano nos modelos com respostas distais em análise de sobrevivência, no qual a estimação é feita conjuntamente para os parâmetros da LCA e do modelo de Cox com abordagens em 1 e 3-passos. A metodologia proposta é ilustrada com análise de dados do projeto PrEP1519, que é um estudo de coorte multicêntrico que objetivou avaliar a adesão, segurança e viabilidade da profilaxia pré-exposição (PrEP) entre adolescentes MSM (homens que fazem sexo com homens) e mulheres transgêneros (TGW) no Brasil. Nossas análises, em particular, objetivam avaliar o efeito de padrões de comportamentos de risco no tempo até a descontinuação do uso da PrEP. Estudos de simulação são conduzidos para avaliação da metodologia proposta.
Palestra 2 – 24/10 (17:30 – 18:00)
Integração do Modelo de Sobrevivência com fração de cura com o Algoritmo de Suporte Vetorial
Palestrante: Daiane de Souza Santos – Universidade de São Paulo (ICMC-USP)
Os modelos de sobrevivência com fração de cura são extensões dos modelos de sobrevivência padrão para analisar dados de sobrevivência com uma fração de indivíduos curados ou não suscetíveis ao evento de interesse, frequentemente provenientes de estudos clínicos. Existem várias estratégias propostas na literatura para modelar a parte de latência desses modelos. No entanto, não há muitas metodologias propostas para investigar os efeitos de covariáveis na parte de incidência. Nesse sentido, a maioria dos estudos existentes assume que a fronteira que separa os sujeitos curados e não curados em relação às covariáveis é linear. Como tal, eles só podem capturar efeitos simples das covariáveis na probabilidade de curado ou não curado. Neste trabalho, estudamos um modelo com fração de cura que utiliza o algoritmo de suporte vetorial (ASV) para modelar a parte de incidência. O novo modelo herda as características do ASV para fornecer um modelo flexível para avaliar os efeitos das covariáveis na incidência. Desenvolvemos um método de estimação para estimar o modelo de cura e realizamos um estudo de simulação para mostrar que o modelo proposto supera os modelos de cura existentes, especialmente na estimação da incidência.
Palestra 3 – 24/10 (18:00 – 18:30)
Análise de sobrevivência com fração de cura utilizando florestas aleatórias de sobrevivência
Palestrante: Gabriela Rodrigues – Universidade de São Paulo (ESALQ-USP)
As técnicas de aprendizado de máquinas, no contexto de análise de sobrevivência, têm como um dos principais objetivos, fornecer previsões precisas das probabilidades de sobrevivência. Neste estudo, são analisados dados de câncer de próstata utilizando florestas aleatórias de sobrevivência (FAS). A FAS é um método estatístico não linear e não paramétrico, baseado em um conjunto de árvores de decisão. Com o ajuste de várias árvores, as estimativas do modelo são estabilizadas, otimizando a acurácia de predição. Adicionalmente, os efeitos não lineares ou interações de ordem superior para os preditores não precisam ser definidos previamente, como em regressões usuais. O conjunto de dados analisado consiste em pacientes com câncer de próstata submetidos à prostatectomia. A variável resposta é dada pelo tempo sem a detecção da doença após o tratamento. As observações não censuradas correspondem aos pacientes que tiverem a recorrência da doença e as observações censuradas correspondem aos pacientes que não observaram a recorrência do câncer no momento da coleta dos dados. A porcentagem de indivíduos considerados curados é de aproximadamente 83%. O desempenho preditivo da FAS é comparado com modelos de regressão paramétricos com fração de cura existentes na literatura.
