Departamento de Epidemiologia e Métodos Quantitativos em Saúde
Modelagem de dados longitudinais
"Todos os modelos são errados... alguns são úteis."
Tópicos
Teoria
Medidas repetidas
modelos marginais
modelos de efeitos aleatórios Modelos de sobrevida
modelos marginais para eventos múltiplos modelos de efeitos aleatórios
Exemplos
Diarréias: comparando modelos
Diálise: aumentando a complexidade tempo
Estudos de Coorte
Caracterizam-se por estudar ocorrências ao longo do tempo dos indivíduos.
Várias questões abordadas neste seminário, por ex.
confusão X mediação, não são específicas dos estudos
longitudinais
Do ponto de vista da modelagem estatística, o que caracteriza os estudos de coortes?
Dois desfechos possíveis
Medidas repetidas – contagem de CD4, peso, pressão;
Tempo até um evento – tipicamente óbito, também
recidivas, episódios, internações.
Qual o problema de usar um modelo de regressão tendo como variável resposta uma medida que se repete no
mesmo indivíduo?
E como estender o modelo de Cox para além do tempo até um evento?
Necessidade de métodos especiais de análise
Observações repetidas são mais prováveis de serem
intercorrelacionadas ⇒ premissa de independência é violada
Utilização de modelos que assumem independência inferências incorretas dos parâmetros de regressão ineficiência nas estimativas dos parâmetros de
Exemplo hipotético
Qual a probabilidade Pr de uma criança ter um dia de
diarréia em um ano?
Qual a probabilidade de ter diarréia 4 dias?
Qual a probabilidade de ter diarréia 4 dias seguidos? Que variáveis afetam Pr: Pr(diarréia) = βX
Possíveis modelos
Variável resposta binária: ter diarréia em um dia, sendo Pr(diarréia) = 0, 3
Modelo 1 – Binomial
Pr(probabilidade de ter diarréia durante 4 dias no ano) = 0, 3 × 0, 3 × 0, 3 × 0, 3 = 0, 0081
Modelo 2 – Dias consecutivos, porém independentes Pr(probabilidade de ter diarréia durante 4 dias
Possíveis modelos
Variável resposta binária: ter diarréia em um dia, sendo Pr(diarréia) = 0, 3
Modelo 1 – Binomial
Pr(probabilidade de ter diarréia durante 4 dias no ano) = 0, 3 × 0, 3 × 0, 3 × 0, 3 = 0, 0081
Modelo 2 – Dias consecutivos, porém independentes Pr(probabilidade de ter diarréia durante 4 dias
Possíveis modelos
com estrutura de dependênciaModelo 3 – Dias consecutivos com estrutura de dependência
Pr(diarréia | teve diarréia no dia anterior) = 0,9 Pr(probabilidade de ter diarréia durante 4 dias consecutivos) = 0, 3 × 0, 9 × 0, 9 × 0, 9 = 0, 2187 Modelo 4 – Dias consecutivos com estrutura temporal
Pr(diarréia | teve diarréia no dia anterior) = 0,9 no 1o
dia; 0,3 no 2o e 0,1 no 3o
Pr(probabilidade de ter diarréia durante 4 dias consecutivos) = 0, 3 × 0, 9 × 0, 3 × 0, 1 = 0, 0081
Possíveis modelos
com estrutura de dependênciaModelo 3 – Dias consecutivos com estrutura de dependência
Pr(diarréia | teve diarréia no dia anterior) = 0,9 Pr(probabilidade de ter diarréia durante 4 dias consecutivos) = 0, 3 × 0, 9 × 0, 9 × 0, 9 = 0, 2187
Modelo 4 – Dias consecutivos com estrutura temporal Pr(diarréia | teve diarréia no dia anterior) = 0,9 no 1o
dia; 0,3 no 2o e 0,1 no 3o
Pr(probabilidade de ter diarréia durante 4 dias consecutivos) = 0, 3 × 0, 9 × 0, 3 × 0, 1 = 0, 0081
Possíveis modelos
Poisson: número de diarréias por unidade de tempo; Marginal: binomial, com estrutura de correlação;
Hierárquico (ou efeitos aleatórios);
Tempo entre episódios de diarréia – marginal; Tempo entre episódios de diarréia – fragilidade.
Possíveis modelos
Poisson: número de diarréias por unidade de tempo; Marginal: binomial, com estrutura de correlação;
Hierárquico (ou efeitos aleatórios);
Tempo entre episódios de diarréia – marginal; Tempo entre episódios de diarréia – fragilidade.
Possíveis modelos
Poisson: número de diarréias por unidade de tempo; Marginal: binomial, com estrutura de correlação;
Hierárquico (ou efeitos aleatórios); Tempo entre episódios de diarréia – marginal;
Possíveis modelos
Poisson: número de diarréias por unidade de tempo; Marginal: binomial, com estrutura de correlação;
Hierárquico (ou efeitos aleatórios);
Tempo entre episódios de diarréia – marginal; Tempo entre episódios de diarréia – fragilidade.
Possíveis modelos
Poisson: número de diarréias por unidade de tempo; Marginal: binomial, com estrutura de correlação;
Hierárquico (ou efeitos aleatórios);
Tempo entre episódios de diarréia – marginal; Tempo entre episódios de diarréia – fragilidade.
Modelos Marginais
Extensão dos GLM: estima o efeito das variáveis independentes sobre a média populacional (a
esperança marginal) da variável resposta:
Qual a diferença média entre grupos de tratamento?
Assumem independência dos indivíduos
Permitem especificar o tipo de associação existente entre as repetidas observações de cada indivíduo (parâmetro de distúrbio)
Inferência - GEE
Modela a dependência das observações de cada
indivíduo através de uma nova representação da matriz de covariância de yi, denominada V i Estimador sanduíche: V i = A1i/2Ri(α)A1i/2φ Ai = 2 6 6 6 6 6 6 4 v(µi1) 0 . . . 0 0 v(µi2) . . . 0 . . . . . . . .. . . . 0 0 . . . v(µin) 3 7 7 7 7 7 7 5 n×n . define a variância de yij Ri(α) . matriz de correlação
que define a estrutura de dependência entre as
Estruturas de Correlação
Estrutura Exemplo Características
Independente 2 6 6 6 6 6 6 4 1 0 . . . 0 0 1 . . . 0 . . . . . . . .. . . . 0 0 . . . 1 3 7 7 7 7 7 7 5 ⇒ GEE = GLM Uniforme 2 6 6 6 6 6 6 4 1 α . . . α α 1 . . . α . . . . . . . .. . . . α α . . . 1 3 7 7 7 7 7 7 5
⇒ 1 parâmetro, a ordem dentro do indivíduo não importa
Autorregressiva 2 6 6 6 6 6 6 4 1 α . . . αn−1 α 1 . . . αn−2 . . . . . . . .. . . . αn−1 αn−2 . . . 1 3 7 7 7 7 7 7 5
⇒ 1 parâmetro, a ordem dentro do indivíduo importa
Inferência
Estimador sanduíche para a estimativa da variância de
β é robusto, desde que:
replicação seja suficientemente grande;
mesmo modelo para µi seja ajustado para grupos
de indivíduos;
tempos de observações não variem muito entre indivíduos.
A especificação correta da matriz de correlação →
Modelando
Sendo o objetivo estimar os parâmetros de regressão utilizar os procedimentos usuais do GLM, utilizando uma estrutura de covariância razoável;
A inferência robusta de β pode ser verificada ajustando
o modelo escolhido com diferentes estruturas de
correlação e comparando as estimativas de β e os
erros padrão robustos;
Modelos: Marginal Vs Efeitos Aleatórios
Modelos marginais não incorporam trajetórias
individuais, apenas estimam a resposta média ao longo do tempo, corrigindo a variância dos estimadores:
1000 1500 2000 2500 3000 y lowess lm
Modelos: Marginal Vs Efeitos Aleatórios
Modelos de efeitos aleatórios condicionam a estimativa dos efeitos médios nas trajetórias individuais.
−2 0 2 4 0 500 1000 1500 2000 2500 3000 Time y
Modelo de efeitos aleatórios
yij = β0 + β1idadeij + β2sexoiidadeij + b0i + b1iidadeij + ij
Forma matricial
Y i = Xiβ + Zibii
Xi = [1 idadeij sexoi ∗ idadeij]
Zi = [1 idadeij]
β = efeitos fixos
bi = efeitos aleatórios
bi ∼ N (0, D) → variabilidade entre crianças
Modelo de efeitos aleatórios
yij = β0 + β1idadeij + β2sexoiidadeij + b0i + b1iidadeij + ij
Forma matricial
Y i = Xiβ + Zibii
Xi = [1 idadeij sexoi ∗ idadeij]
Zi = [1 idadeij]
β = efeitos fixos
bi = efeitos aleatórios
bi ∼ N (0, D) → variabilidade entre crianças
Modelo de efeitos aleatórios
yij = β0 + β1idadeij + β2sexoiidadeij + b0i + b1iidadeij + ij
Forma matricial
Y i = Xiβ + Zibii
Xi = [1 idadeij sexoi ∗ idadeij]
Zi = [1 idadeij]
β = efeitos fixos
bi = efeitos aleatórios
bi ∼ N (0, D) → variabilidade entre crianças
Modelo de efeitos aleatórios
yij = β0 + β1idadeij + β2sexoiidadeij + b0i + b1iidadeij + ij
Forma matricial
Y i = Xiβ + Zibii
Xi = [1 idadeij sexoi ∗ idadeij]
Zi = [1 idadeij]
β = efeitos fixos
bi = efeitos aleatórios
bi ∼ N (0, D) → variabilidade entre crianças
Modelo de efeitos aleatórios
Não é possível estimar bi diretamente dos dados,
supõe-se bi ∼ N (0, D) A única forma de estimar diretamente os efeitos
aleatórios para cada indivíduo é através de simulação,
utilizando inferência Bayesiana
Outra abordagem é, ao invés de simular cada indivíduo, estimar a variância entre os indivíduos: D
A distribuição de yi é função das covariáveis e dos efeitos aleatórios
Parâmetros a serem estimados: Efeitos fixos – β´s
Modelo de efeitos aleatórios
Não é possível estimar bi diretamente dos dados,
supõe-se bi ∼ N (0, D)
A única forma de estimar diretamente os efeitos
aleatórios para cada indivíduo é através de simulação,
utilizando inferência Bayesiana Outra abordagem é, ao invés de simular cada indivíduo,
estimar a variância entre os indivíduos: D
A distribuição de yi é função das covariáveis e dos efeitos aleatórios
Parâmetros a serem estimados: Efeitos fixos – β´s
Modelo de efeitos aleatórios
Não é possível estimar bi diretamente dos dados,
supõe-se bi ∼ N (0, D)
A única forma de estimar diretamente os efeitos
aleatórios para cada indivíduo é através de simulação,
utilizando inferência Bayesiana
Outra abordagem é, ao invés de simular cada indivíduo, estimar a variância entre os indivíduos: D
A distribuição de yi é função das covariáveis e dos efeitos aleatórios
Parâmetros a serem estimados: Efeitos fixos – β´s
Modelo de efeitos aleatórios
Não é possível estimar bi diretamente dos dados,
supõe-se bi ∼ N (0, D)
A única forma de estimar diretamente os efeitos
aleatórios para cada indivíduo é através de simulação,
utilizando inferência Bayesiana
Outra abordagem é, ao invés de simular cada indivíduo, estimar a variância entre os indivíduos: D
A distribuição de yi é função das covariáveis e dos efeitos aleatórios
Parâmetros a serem estimados: Efeitos fixos – β´s
Modelo de efeitos aleatórios
Não é possível estimar bi diretamente dos dados,
supõe-se bi ∼ N (0, D)
A única forma de estimar diretamente os efeitos
aleatórios para cada indivíduo é através de simulação,
utilizando inferência Bayesiana
Outra abordagem é, ao invés de simular cada indivíduo, estimar a variância entre os indivíduos: D
A distribuição de yi é função das covariáveis e dos efeitos aleatórios
Parâmetros a serem estimados: Efeitos fixos – β´s
Inferência
Estimação clássica:
MLE – Maximum Likelihood Estimation
RMLE – Restrict Maximum Likelihood Estimation Bayesiana: vantagens e desvantagens
Inferência
Estimação clássica:
MLE – Maximum Likelihood Estimation
RMLE – Restrict Maximum Likelihood Estimation
Bayesiana: vantagens e desvantagens Dados faltantes!
Inferência
Estimação clássica:
MLE – Maximum Likelihood Estimation
RMLE – Restrict Maximum Likelihood Estimation
Bayesiana: vantagens e desvantagens Dados faltantes!
Sobrevida
Modelos de riscos proporcionais de Cox: o artigo
Regression models and life-tables é um dos mais
citados na literatura médica até hoje.
Busca na Internet utilizando as palavras ’proportional hazards’ e ’cox’ gerou 45.100 páginas
λ(t|x) = λ0(t) exp(x1β1 + x2β2 + · · · + xpβp)
Estendendo o modelo de Cox
Covariável mudando no tempo
Eventos Múltiplos: modelos marginais
Fragilidade ou Efeitos aleatórios ou Hierárquico ou Misto ou....: modelos condicionais
Classificação dos eventos
competitivos → óbito por diferentes causas e um mesmo fator de risco
paralelos → doenças oportunistas, efeitos colaterais, perda de dente
ordenados → a sucessão de tempos segue
Sobrevida: modelos marginais
Modela-se a resposta média como função das covariáveis
Interpretação igual
Estimativa robusta da variância por Jacknife Etapas:
identificar conceitualmente o modelo
definir está sob risco em cada momento → construir
banco de dados
ajustar modelo de Cox simples
Modelos de sobrevida: efeitos aleatórios
(ou fragilidade)λ(t) = zλ0(t) exp(xβ),
em que z é o efeito aletório
se z > 1 −→ evento com uma taxa mais rápida que sob o modelo de Cox
se z < 1 −→ tempos maiores até o evento
Inferência
Para estimar a variância ξ do efeito aleatório é necessário definir a distribuição de Z
As mais usadas são a gama e a lognormal:
0 1 2 3 4 5 0.0 0.2 0.4 0.6 0.8 1.0 x Densidade Gama Variância = 0,20 Variância = 0,33 Variância = 0,67 Variância = 0,91 0 1 2 3 4 5 0.0 0.5 1.0 1.5 2.0 Z Densidade Lognormal Variância = 0,20 Variância = 0,33 Variância = 0,67 Variância = 0,91
Inferência
Para estimar a variância ξ do efeito aleatório é necessário definir a distribuição de Z
As mais usadas são a gama e a lognormal:
0 1 2 3 4 5 0.0 0.2 0.4 0.6 0.8 1.0 x Densidade Gama Variância = 0,20 Variância = 0,33 Variância = 0,67 Variância = 0,91 0 1 2 3 4 5 0.0 0.5 1.0 1.5 2.0 Z Densidade Lognormal Variância = 0,20 Variância = 0,33 Variância = 0,67 Variância = 0,91
Estimação
algoritmo EM (como um problema de dados faltantes) verossimilhança parcial penalizada
Estimação
algoritmo EM (como um problema de dados faltantes) verossimilhança parcial penalizada
Estimação
algoritmo EM (como um problema de dados faltantes) verossimilhança parcial penalizada
Exemplo – Diarréias
Estudo do efeito da Vitamina A na prevenção da diarréia infantil
Estudo longitudinal VitA vs Placebo, duplo-cego
∼= 1000 crianças, 6-48 meses visitadas em casa 3× por
semana
Variáveis resposta:
No evacuações líquidas ou semi-líquidas por
semana → gravidade
No dias com diarréia por semana → incidência
Tempo entre episódios → incidência
Resultados iniciais
Razão de episódios de diarréia (intervalo de 95%) GLM com link log
Variável resposta ⇒ no de episódios por criança por dia
Variável independente ⇒ Vitamin A ou placebo
Resultados
Redução de 20% na incidência de doença grave quando comparado com o grupo placebo
Redução de 6% na incidência global de diarréia Muito dado coletado, pouco explorado
Resultados iniciais
Razão de episódios de diarréia (intervalo de 95%) GLM com link log
Variável resposta ⇒ no de episódios por criança por dia
Variável independente ⇒ Vitamin A ou placebo
Resultados
Redução de 20% na incidência de doença grave quando comparado com o grupo placebo
Redução de 6% na incidência global de diarréia Muito dado coletado, pouco explorado
Resultados iniciais
Razão de episódios de diarréia (intervalo de 95%) GLM com link log
Variável resposta ⇒ no de episódios por criança por dia
Variável independente ⇒ Vitamin A ou placebo
Resultados
Redução de 20% na incidência de doença grave quando comparado com o grupo placebo
Análises alternativas
Considerando a estrutura longitudinal pode-se avaliar: o efeito da suplementação de vitamina A ao longo do tempo
o efeito das covariáveis socioeconômicas e comportamentais
Modelos para medidas repetidas Modelo marginal (GEE)
Modelo de efeitos aleatórios Modelos de sobrevida
Modelo marginal para eventos múltiplos (incrementos independentes – AG)
Análises alternativas
Considerando a estrutura longitudinal pode-se avaliar: o efeito da suplementação de vitamina A ao longo do tempo
o efeito das covariáveis socioeconômicas e comportamentais
Modelos para medidas repetidas Modelo marginal (GEE)
Modelo de efeitos aleatórios Modelos de sobrevida
Modelo marginal para eventos múltiplos (incrementos independentes – AG)
Análises alternativas
Considerando a estrutura longitudinal pode-se avaliar: o efeito da suplementação de vitamina A ao longo do tempo
o efeito das covariáveis socioeconômicas e comportamentais
Modelos para medidas repetidas Modelo marginal (GEE)
Modelo de efeitos aleatórios Modelos de sobrevida
Modelo marginal para eventos múltiplos (incrementos independentes – AG)
Resultados: n
o
de dejeções
→
Severidade
exp( β ) 0.8 0.9 1.0 1.1 1.2 1.3 1.4Modelo marginal (uniforme) Parâmetro de dispersão : 10.7 Coeficiente de correlação : 0.6
Modelo de efeitos aleatórios Variância do intercepto: 0.78 Variância intra: 7.2 0.85 0.88 1.07 1.09 0.97 0.96 0.99 0.99 1.03 1.15 1.12 1.22 0.87 0.88
Resultados: n
o
dias com diarréia
→
Incidência
exp( β ) 0.8 1.0 1.2 1.4 1.6Trat Sexo Idade Tempo Escol1 Escol3 Eletrod
Estrutura uniforme Parâmetro de dispersão: 0.54 Coeficiente de correlação: 0.15 Autoregressivo Parâmetro de dispersão: 0.58 Coeficiente de correlação: 0.53 0.83 0.88 1.06 1.1 0.96 0.96 0.99 0.99 1.04 1.09 1.15 1.25 0.85 0.85
Resultados: sobrevida
→
Incidência
exp( β ) 0.8 0.9 1.0 1.1 1.2 1.3 1.4 Modelo AG Rsquare = 0.10 Modelo Fragilidade Rsquare = 0.59 Variância = 0.84 0.91 0.91 1.04 1.03 0.97 0.97 1.12 1.11 1.21 1.22 0.9 0.89Exemplo – Diálise
→
Tempo e Espaço
Efeito das clínicas (APAC Jan/1998 a Ago/2001):
1. 11.579 pacientes, 67 unid. de diálise (UD)
2. 5.544 pacientes, 57 UD Modelos:
Sobrevida Cox hierárquico – clínicas gerando a dependência
Medidas repetidas – binomial, com efeito aleatório Medidas repetidas – efeito aleatório estruturado no tempo e no espaço
Método de estimação:
Verossimilhança parcial e penalizada (sobrevida) - R
Exemplo – Diálise
→
Tempo e Espaço
Efeito das clínicas (APAC Jan/1998 a Ago/2001):
1. 11.579 pacientes, 67 unid. de diálise (UD)
2. 5.544 pacientes, 57 UD Modelos:
Sobrevida Cox hierárquico – clínicas gerando a dependência
Medidas repetidas – binomial, com efeito aleatório Medidas repetidas – efeito aleatório estruturado no tempo e no espaço
Método de estimação:
Verossimilhança parcial e penalizada (sobrevida) - R
Exemplo – Diálise
→
Tempo e Espaço
Efeito das clínicas (APAC Jan/1998 a Ago/2001):
1. 11.579 pacientes, 67 unid. de diálise (UD)
2. 5.544 pacientes, 57 UD Modelos:
Sobrevida Cox hierárquico – clínicas gerando a dependência
Medidas repetidas – binomial, com efeito aleatório Medidas repetidas – efeito aleatório estruturado no tempo e no espaço
Método de estimação:
Verossimilhança parcial e penalizada (sobrevida) - R
Exemplo – Diálise
→
Tempo e Espaço
Efeito das clínicas (APAC Jan/1998 a Ago/2001):
1. 11.579 pacientes, 67 unid. de diálise (UD)
2. 5.544 pacientes, 57 UD Modelos:
Sobrevida Cox hierárquico – clínicas gerando a dependência
Medidas repetidas – binomial, com efeito aleatório Medidas repetidas – efeito aleatório estruturado no tempo e no espaço
Método de estimação:
Verossimilhança parcial e penalizada (sobrevida) - R
Exemplo – Diálise
→
Tempo e Espaço
Efeito das clínicas (APAC Jan/1998 a Ago/2001):
1. 11.579 pacientes, 67 unid. de diálise (UD)
2. 5.544 pacientes, 57 UD Modelos:
Sobrevida Cox hierárquico – clínicas gerando a dependência
Medidas repetidas – binomial, com efeito aleatório Medidas repetidas – efeito aleatório estruturado no tempo e no espaço
Método de estimação:
Verossimilhança parcial e penalizada (sobrevida) - R
Resultados
0 1 2 3 4 5 HR 1.03 1.04 1.54 1.55 0.92 0.93 0.62 0.65 1.01 1.09 0.91 0.95 0.6 0.6 2.37 2.36 1.33 1.54 0.83 0.86 Modelo Cox Fragilidade Variância RE = 0,425Sobrevida = Medidas repetidas
Modelos de sobrevida com dados em tempo discreto podem ser ajustados como: resposta binária: 0, 0, ..., 0 – censura e 0, 0, ..., 1 – evento, sendo:
P (yis|xi) = F (αs + x0iβ)
em α = (α1, . . . , αS) é o risco basal, suavizado através
de um processo auto-regressivo de ordem 1. Pode-se incorporar um efeito aleatório para cada UD no
tempo zero e uma tendência:
P(yist|xi) = F (αs + x0iβ + γj + δj · t)
em que i é o indivíduo, j é a UD, γj é o efeito de cada unidade no tempo zero, δj · t é a tendência de cada unidade.
Sobrevida = Medidas repetidas
Modelos de sobrevida com dados em tempo discreto podem ser ajustados como: resposta binária: 0, 0, ..., 0 – censura e 0, 0, ..., 1 – evento, sendo:
P (yis|xi) = F (αs + x0iβ)
em α = (α1, . . . , αS) é o risco basal, suavizado através
de um processo auto-regressivo de ordem 1.
Pode-se incorporar um efeito aleatório para cada UD no tempo zero e uma tendência:
P(yist|xi) = F (αs + x0iβ + γj + δj · t)
Elicitação das prioris
variação no risco entre unidades: de 1/3 a 3 vezes mudança no risco entre o tempo zero e o final do
estudo em cada unidade: dobro ou metade
incerteza associada a estes "chutes" – variância dos hiperparâmetros: moderada, média e muito grande.
Elicitação das prioris
variação no risco entre unidades: de 1/3 a 3 vezes mudança no risco entre o tempo zero e o final do estudo em cada unidade: dobro ou metade
incerteza associada a estes "chutes" – variância dos hiperparâmetros: moderada, média e muito grande.
Elicitação das prioris
variação no risco entre unidades: de 1/3 a 3 vezes mudança no risco entre o tempo zero e o final do estudo em cada unidade: dobro ou metade
incerteza associada a estes "chutes" – variância dos hiperparâmetros: moderada, média e muito grande.
Resultados – efeitos fixos
AGE Relative Risk Density 1.018 1.022 1.026 1.030 0 50 150 DIABETES Relative Risk Density 1.1 1.2 1.3 1.4 1.5 1.6 1.7 0 1 2 3 4 PRIMARY KIDNEY Relative Risk Density 0.8 1.0 1.2 1.4 0 1 2 3 4 5 CONGENITAL DISEASES Relative Risk Density 0.2 0.4 0.6 0.8 1.0 1.2 0.0 1.5 3.0 OTHER DISEASES 2 3 4 INT.PERIT.DIALYSIS 1.0Resultados – efeito aleatório
Confidence interval for random effect0 2 4 6 8 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
-1.0
0.0
0.5
Confidence interval for slope
Dialysis Centers
0 2 4 6 8 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
-0.03
-0.01
Resultados – a tendência
Random Intercept and Slope
Random Intercept -1.0 -0.5 0.0 0.5 1.0
Publica-se!
Levantamento no PubMed (eliminados duplicados e chineses sem tradução)
"proportional hazard" ⇒ 2226 "kaplan-meyer" ⇒ 130
"frailty AND survival" ⇒ 106
Journals classificados (Mesh) em:
bio cli dem epi fis gen pla sci soc sta
16 1830 13 160 19 15 46 2 20 124
Idioma
Ing Out
2177 68
Indicador de complexidade do modelo
Qualquer das seguintes expressões, no título, abstract ou keywords:
"frailty model" ou "frailty distribution" ou "frailty effect" "latent variable" ou "unobserved "
"mixed model" ou "random effect" "bayesian"
E????
Nao Sim
Complexidade no tempo
50 100 150 200 250 300 Básicos ComplexosComplexidade e revistas no tempo
1988 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 0 10 20 30 Clínica Estatística Saúde Pública BiologiaComo ...
Software – vários; eu uso R e BayesX. Mas não basta
saber os comandos.... Aproximar formas de pensar e conhecimentos, para
além da simples interdisciplinariedade por justaposição O estatístico voltado somente para sua especialidade não tem nem o interesse (ou curiosidade) nem o tempo disponível para este esforço de aproximação
Mas o epidemiologista sozinho – quase impossível! E não basta "contratar" um bioestatístico.
Criar espaços de aproximação, apesar dos comitês especialistas, das notas, dos qualis....
Como ...
Software – vários; eu uso R e BayesX. Mas não basta
saber os comandos....
Aproximar formas de pensar e conhecimentos, para
além da simples interdisciplinariedade por justaposição O estatístico voltado somente para sua especialidade
não tem nem o interesse (ou curiosidade) nem o tempo disponível para este esforço de aproximação
Mas o epidemiologista sozinho – quase impossível! E não basta "contratar" um bioestatístico.
Criar espaços de aproximação, apesar dos comitês especialistas, das notas, dos qualis....
Como ...
Software – vários; eu uso R e BayesX. Mas não basta
saber os comandos....
Aproximar formas de pensar e conhecimentos, para
além da simples interdisciplinariedade por justaposição O estatístico voltado somente para sua especialidade não tem nem o interesse (ou curiosidade) nem o tempo disponível para este esforço de aproximação
Mas o epidemiologista sozinho – quase impossível! E não basta "contratar" um bioestatístico.
Criar espaços de aproximação, apesar dos comitês especialistas, das notas, dos qualis....
Como ...
Software – vários; eu uso R e BayesX. Mas não basta
saber os comandos....
Aproximar formas de pensar e conhecimentos, para
além da simples interdisciplinariedade por justaposição O estatístico voltado somente para sua especialidade não tem nem o interesse (ou curiosidade) nem o tempo disponível para este esforço de aproximação
Mas o epidemiologista sozinho – quase impossível! E não basta "contratar" um bioestatístico.
Criar espaços de aproximação, apesar dos comitês especialistas, das notas, dos qualis....
Como ...
Software – vários; eu uso R e BayesX. Mas não basta
saber os comandos....
Aproximar formas de pensar e conhecimentos, para
além da simples interdisciplinariedade por justaposição O estatístico voltado somente para sua especialidade não tem nem o interesse (ou curiosidade) nem o tempo disponível para este esforço de aproximação
Mas o epidemiologista sozinho – quase impossível! E não basta "contratar" um bioestatístico.
Obrigadas
Maurício Barreto e o pessoal do ISC – o estudo da diarréia
Rob Henderson, Leo Knorr-Held e ...– o estudo da diálise e muita paciência para ensinar
Silvia Shimakura – diálise (e muito mais!) Tereza e Cláudia – grandes parceiras
Valeska – metade das transparências (pelo menos) Este trabalho foi todo feito em software livre: R, BayesX,
LATEX, LinuX.
Porque...
O software deve ser livre para permitir avaliar o que de fato foi feito e desenvolver novas ferramentas
O dado secundário, resguardadas questões éticas, deve ser livre para permitir que mais pessoas
trabalhem, analisem e busquem compreender os
processos de saúdedoença ⇒ Habeas data
O dado primário também deve ser livre, garantindo a compreensão do que significa cada variável e
preservando o trabalho desenvolvido até chegar lá ⇒