Análisis de supervivencia: modelos semiparamétricos para eventos recurrentes

• Autor: Estrada Vertiz, Gerardo Aaron Noe
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/28732
• Enlace del recurso: https://hdl.handle.net/20.500.12672/28732
• Nivel de acceso: acceso abierto
• Materia: Supervivencia; Neoplasias de la Vejiga Urinaria; Simulación (Matemáticas); https://purl.org/pe-repo/ocde/ford#1.01.03; https://purl.org/pe-repo/ocde/ford#3.02.00; https://purl.org/pe-repo/ocde/ford#2.11.04

Esta tesis tuvo como objetivo realizar un análisis comparativo de los principales modelos semiparamétricos para eventos recurrentes, dentro del marco del análisis de sobrevida y confiabilidad; así como documentar los programas disponibles para el ajuste de los modelos descritos. Para la comparación de los modelos considerados se utilizaron técnicas de simulación. Adicionalmente, se presentó una aplicación con datos reales. En el análisis de datos simulados, se observó que el modelo de Andersen-Gill (AG) presentó mayor eficiencia que los modelos de Prentice-Williams-Peterson (PWP). En contraste, al analizar el conjunto de datos reales, el modelo AG resultó incorrecto y con menor parsimonia que los PWP. Como conclusiones, se identificó que el modelo de Andersen-Gill asume que un individuo está en riesgo siempre que esté siendo observado y no se considera el número de orden de evento; mientras que los de Prentice-Williams-Peterson son similares a un modelo de Cox con estratos que varían en el tiempo y los sujetos están en riesgo de sufrir cierto número de evento solo si ya han sufrido el número de evento previo. A su vez, el modelo PWP se divide en PWP-TT y PWP-GT. Entre ambas clases, el modelo AG tiene una eficiencia similar a los modelos PWP, salvo cuando la tasa del proceso subyacente pueda llegar a tener valores altos, se tienen covariables con categorías desbalanceadas y el riesgo no depende del número de eventos. En R, estos modelos pueden ser usados mediante el paquete “survival”.