Ir al contenido

Documat

Generalized Dynamic Coefficient Models for Longitudinal Data Analysis in Health: An Application in HIV/AIDS and COVID-19

  • Juan Sosa [1] ; Elkin Javier Casadiego Rincón [2]
    1. [1] Universidad Nacional de Colombia

      Universidad Nacional de Colombia

      Colombia

    2. [2] Universidad Santo Tomás

      Universidad Santo Tomás

      Santiago, Chile

  • Localización: Comunicaciones en Estadística, ISSN 2027-3355, ISSN-e 2339-3076, Vol. 18, Nº. 1, 2025, págs. 103-136
  • Idioma: inglés
  • Títulos paralelos:
    • Modelos de coeficientes dinámicos generalizados para el análisis de datos longitudinales en salud: una aplicación en HIV/AIDS yCOVID-19
  • Enlaces
  • Resumen
    • español

      Longitudinal data analysis is essential when the response variable is measured repeatedly on the same observational uni over time. Traditionally, parametric methods have been employed to estimate coefficients that define the relationship between the linear predictor and the response variable. However, these methods fail when the assumptions regarding the response variable and the model’s random components are violated, or when the expected value of the response variable (or itstransformation via a link function) can not be expressed as a known function of the fixed and random effects. In such cases, parametric models may yield conclusions that deviate significantly from the dataset’s average trends. Non-parametric regression techniques, which replace fixed parameters with time-dependent smoothed local functions, offer a powerful alternative for longitudinal data analysis. These methods, known as dynamic coefficients or parameters, allow us to establish a more flexible functional relationship between the response variable and the covariates. In this study, we propose estimation and inference techniques for generalized non-parametric dynamic coefficient models, particularly for count response variables. We illustrate our approach through its application in analyzing the effect of viralload on CD4 cell count in HIV/AIDS patients undergoing antiretroviral therapy, as well as in predicting COVID-19 cases.

    • English

      El análisis de datos longitudinales es esencial cuando la variable de respuesta se mide repetidamente en la misma unidad de observación a lo largo del tiempo. Tradicionalmente, se han empleado métodos paramétricos para estimar los coeficientes que definen la relación entre el predictor lineal y la variable de respuesta. Sin embargo, estos métodos fallan cuando no se cumplen las suposiciones sobre la variable de respuesta y los componentes aleatorios del modelo, o cuando el valor esperado de la variable de respuesta (o su transformación mediante una función de enlace) no puede expresarse como una función conocida de los efectos fijos y aleatorios. En tales casos, los modelos paramétricos pueden generar conclusiones que se desvían significativamente de las tendencias promedio del conjunto de datos. Las técnicas de regresión no paramétrica, que reemplazan los parámetros fijos por funciones locales suavizadas dependientes del tiempo, ofrecen una alternativa poderosa para el análisis de datos longitudinales. Estos métodos, conocidos como coeficientes o parámetros dinámicos, nos permiten establecer una relación funcional más flexible entre la variable de respuesta y las covariables. En este estudio, proponemos técnicas de estimación e inferencia para modelos generalizados no paramétricos de coeficientes dinámicos, particularmente para variables de respuesta de conteo. Ilustramos nuestro enfoque mediante su aplicación al análisis del efecto de la carga viral sobre el conteo de células CD4 en pacientes con VIH/SIDA en tratamiento antirretroviral, as ́ı como en la predicción de casos de COVID-19.

  • Referencias bibliográficas
    • Barbosa, I., de Lima, K., & de Almeida Medeiros, A. (2020). COVID-19 in Brazil: Analysis of the pandemic short-term scenario in relation...
    • Batista, M. (2020). Estimation of the final size of the COVID-19 epidemic. medRxiv. https://doi.org/10.1101/2020.02.16.20023606
    • Cai, Z., Fan, J., & Li, R. (2000). Efficient estimation and inferences for varying-coefficient models. Journal of the American Statistical...
    • Cameron, A. C., & Trivedi, P. K. (2013). Regression analysis of count data (2nd ed., Vol. 53). Cambridge University Press.
    • Clara-Rahola, J. (2020). An empirical model for the spread and reduction of the COVID-19 pandemic. Studies of Applied Economics, 38(2).
    • de Pereda Sebastián, D., Ramos, A. M., & Ivorr, B. (2010). Modelización matemática de la difusión de una epidemia de peste porcina entre...
    • Díaz-Narváez, V., San-Martín-Roldán, D., Calzadilla-Núñez, A., San-Martín-Roldán, P., Parody-Muñoz, A., & Robledo-Veloso, G. (2020). Which...
    • Egger, M., May, M., Chêne, G., Phillips, A. N., Ledergerber, B., Dabis, F., ... & others. (2002). Prognosis of HIV-1-infected patients...
    • Ekum, M., & Ogunsanya, A. (2020). Application of hierarchical polynomial regression models to predict transmission of COVID-19 at global...
    • Faraway, J. J. (2016). Extending the linear model with R: Generalized linear, mixed effects and nonparametric regression models (2nd ed.)....
    • Fischl, M. A., Giuliano, M., Vella, S., Ribaudo, H. J., Collier, A. C., Erice, A., ... & Morse, G. D. (2003). A randomized trial of 2...
    • Ford, N., Stinson, K., Gale, H., Mills, E. J., Stevens, W., González, M. P., Markby, J., & Hill, A. (2015). CD4 changes among virologically...
    • Gonzalo-Gil, E., Ikediobi, U., & Sutton, R. E. (2017). Mechanisms of virologic control and clinical characteristics of HIV+ elite/viremic...
    • Hoover, D. R., Rice, J. A., Wu, C. O., & Yang, L.-P. (1998). Nonparametric smoothing estimates of time-varying coefficient models with...
    • Huang, Y., & Lu, T. (2016). Bayesian inference on partially linear mixed-effects joint models for longitudinal data with multiple features....
    • Huang, Y., Chen, J., & Yan, C. (2012). Mixed-effects joint models with skew-normal distribution for HIV dynamic response with missing...
    • Hughes, M. D., Johnson, V. A., Hirsch, M. S., Bremer, J. W., Elbeik, T., Erice, A., ... & others. (1997). Monitoring plasma HIV-1 RNA...
    • Kasilingam, D., Sathiya Prabhakaran, S. P., Rajendran, D. K., Rajagopal, V., Santhosh Kumar, T., & Soundararaj, A. (2020). Exploring the...
    • Korenromp, E. L., Williams, B. G., Schmid, G. P., & Dye, C. (2009). Clinical prognostic value of RNA viral load and CD4 cell counts during...
    • Li, Q., Guan, X., Wu, P., Wang, X., Zhou, L., Tong, Y., ... & others. (2020). Early transmission dynamics in Wuhan, China, of novel coronavirus–infected...
    • Liang, H., Wu, H., & Carroll, R. J. (2003). The relationship between virologic and immunologic responses in AIDS clinical research using...
    • Ma, J. (2020). Estimating epidemic exponential growth rate and basic reproduction number. Infectious Disease Modelling, 5, 129–141.
    • Manrique Abril, F., González-Chordá, V. M., Gutiérrez Lesmes, O. A., Téllez Piñérez, C. F., & Herrera-Amaya, G. M. (2020). Modelo SIR...
    • Marschner, I. C., Collier, A. C., Coombs, R. W., D'Aquila, R. T., DeGruttola, V., Fischl, M. A., ... & others. (1998). Use of changes...
    • Mercker, M., Betzin, U., & Wilken, D. (2020). What influences COVID-19 infection rates: A statistical approach to identify promising factors...
    • Ministerio de Salud y Protección Social. (2014). Guía de práctica clínica basada en la evidencia científica para la atención de la infección...
    • Millán-Oñate, J., Rodríguez-Morales, A. J., Camacho-Moreno, G., Mendoza-Ramírez, H., Rodríguez-Sabogal, I. A., & Álvarez-Moreno, C. (2020)....
    • Ramsay, J., Hooker, G., & Graves, S. (2009). Functional data analysis with R and MATLAB. Springer.
    • Sosa, J., & Buitrago, L. (2022). Time-varying coefficient model estimation through radial basis functions. Journal of Applied Statistics,...
    • Şentürk, D., & Müller, H.-G. (2008). Generalized varying coefficient models for longitudinal data. Biometrika, 95(3), 653–666. https://doi.org/10.1093/biomet/asn034
    • Thiebaut, R., Morlat, P., Jacqmin-Gadda, H., Neau, D., Mercié, P., Dabis, F., Chêne, G., & others. (2000). Clinical progression of HIV-1...
    • Trujillo, C. H. S. (2020). Resumen: Consenso colombiano de atención, diagnóstico y manejo de la infección por SARS-CoV-2/COVID-19 en establecimientos...
    • Twisk, J. W. R. (2013). Applied longitudinal data analysis for epidemiology: A practical guide. Cambridge University Press.
    • Wang, Y. (2007). Varying-coefficient models: New models, inference procedures, and applications. Cambridge University Press.
    • WHO. (2007). WHO case definitions of HIV for surveillance and revised clinical staging and immunological classification of HIV-related disease...
    • Wu, C. O., & Tian, X. (2018). Nonparametric models for longitudinal data: With implementation in R. Chapman and Hall/CRC.
    • Wu, H., & Zhang, J.-T. (2006). Nonparametric regression methods for longitudinal data analysis: Mixed-effects modeling approaches. John...
    • Zeger, S. L., & Diggle, P. J. (1994). Semiparametric models for longitudinal data with application to CD4 cell numbers in HIV seroconverters....
Fundación Dialnet

Mi Documat

Opciones de artículo

Opciones de compartir

Opciones de entorno