Modelos de supervivencia con fracción de curación vía Partición Bayesiana.

Abstract

En general, los modelos para datos de supervivencia con fracción de curación relacionan la fracción de curación con las covariables a través de diferentes funciones de unión, por ejemplo, la función de conexión logito y no consideran el problema de selección de covariables que tiene un efecto en la fracción de cura. Así en este trabajo se propone un modelado que considera una partición del espacio predictor en que la fracción de curación depende localmente de las covariables. En este contexto, se adopta una tesis por hiperplanos ortogonal a los ejes a fin de obtener una partición del espacio predictor con la ventaja que los modelos propuestos seleccionan las covariables que tienen efecto en la fracción de curación. El modelado desarrollado extiende el modelo de partición bayesiana propuesto por Hoggart & Griffin (2001) por incluir información de variables cualitativas con más de dos categorías y de esa forma se considera una nueva estrategia computacional. Esta extensión permite capturar los efectos de las covariables en una estructura local en la que se considera que el número de causas competitivas sigue distribución serie de potencias. Esta distribución es flexible pues incluye casos particulares, tales como la distribución binomial, Poisson, binomial negativa y logarítmica. Para demostrar el potencial de la metodología descrita, se utilizaron dos conjuntos de datos relacionados con estudios de cáncer.