Pasar al contenido principal

Análisis de supervivencia clásico y de alta dimensionalidad

Entender los puntos de no retorno y la relación de covariables

Los análisis de supervivencia estudian acontecimientos que sólo pueden ocurrir una vez y marcan un punto de no retorno (por ejemplo investigar fenómenos en los que se quiere modelizar el tiempo que transcurre hasta un evento de interés como una muerte, el tiempo de un aprendizaje determinado, lo que tarda en deteriorarse una prótesis...). Para aplicar esta técnica es imprescindible recoger dos tipos de datos que componen la variable respuesta: el tiempo hasta el evento y el estado (si se ha producido el evento o no).

El análisis clásico de la supervivencia se basa en modelizar la variable respuesta y su dependencia de otras covariables. Sin embargo, cuando queremos utilizar esta técnica con datos de alta dimensionalidad (como análisis de interacción entre variantes géneticas con datos de supervivencia) se recomienda utilizar técnicas específicas que se basan en métodos de regresión penalizados, o bien, aplicar técnicas de machine learning, ya que el número de covariables es enorme respecto al número de observaciones.

¿Qué sabemos hacer?

  • Curvas de Kaplan-Meier y Log-rank.
  • Regresión de Cox para riesgos proporcionales, determinación de Hazard Ratios (HR).
  • Regresiones penalizadas (Lasso, Elastic-Net,…)
  • Técnicas de machine learning como Random Survival Forest.

A quién le puede interesar

  • Grupos de investigación e investigadores que trabajan con datos de supervivencia ya sean del ámbito biomédico como biotecnológico.
  • CROs que llevan datos clínicos, provenientes de proyectos de investigación y/o ensayos clínicos, en los que se quiere determinar la relación entre las variables y el tiempo hasta el evento.
Helix Bios

Estamos a un clic

¿Necesita más información? ¿Le gustaría tener un presupuesto?
Hablemos de forma cercana y transparente para abordar sus proyectos.