Por: Madelyn Rojas Castro
|
Fecha: 01/01/2017
El estudio de la incidencia de lesiones o traumatismos es un tema central en salud pública, no únicamente por las elevadas cifras de mortalidad, sino también al evaluar las alarmantes cifras de víctimas con discapacidades permanentes, afecciones de gravedad, hospitalizaciones y emergencias. En particular, en Francia los accidentes de la vida cotidiana (AcVC) son la cuarta causa de mortalidad y la principal causa de hospitalización y atención en emergencias. Por lo tanto, son indispensables los esfuerzos para la promoción de las medidas de prevención de accidentes, que permitan reducir o mitigar el número de víctimas.En este contexto, se propuso en el país el observatorio MAVIE «Observatoire des Mutualistes pour la recherche contre les Accidents de la VIE (vie courante)», traducido al español «Observatorio de mutuas para la investigación contra los Accidentes de la vida cotidiana», un estudio prospectivo de cohorte que para marzo de 2017 contaba con un total de 26 157 voluntarios residentes en Francia, de los cuales contamos con información detallada sociodemográfica, características de sus viviendas, actividades de ocio, estado de salud, consumo entre otras, además de las ocurrencias de AcVC, sus causas y consecuencias.Una de las estrategias para la promoción de las medidas de prevención en el marco del proyecto MAVIE es MAVIE-Lab, un aplicativo móvil para la evaluación del riesgo personal de sufrir AcVC. El aplicativo busca alertar sobre factores de riesgo potenciales y ayudar a la toma de decisiones sobre la adopción de medidas de prevención, de acuerdo a las necesidades específicas de cada usuario.Desde el punto de vista estadístico, para el desarrollo de MAVIE-Lab se requiere de la construcción de modelos predictivos personalizados a partir de la información de la cohorte MAVIE. Para la modelización se optó por un enfoque Bayesiano que permitiese mejorar las estimaciones y aumentar el poder de predicción. En ese sentido, el objetivo principal de este trabajo es hacer una exploración metodológica de técnicas de análisis Bayesiano para mejor la modelización, explorando métodos de manejo de datos perdidos, de inclusión de información externa al modelo y de selección de modelos.Con el objetivo de evaluar esta propuesta metodológica, se tomó una muestra de 4 345 voluntarios y algunas variables asociadas: grupo de edad, sexo, estado de salud, consumo y deporte, además de la ocurrencia de AcVC. Se usaron tres metodologías de manejo de la información faltante: CCA (Análisis de casos completos), inclusión de los datos faltantes en una nueva categoría (MISS) e imputación por el método Multivariate Imputation (MICE). Se construyó el modelo logístico haciendo elicitación directa de las distribuciones previas usando información tomada de la literatura. Por último, para la selección de modelos se utilizó el método BMA Bayesian Model Averaging.Se encontró que el método de imputación MICE parece ser el más apropiado para realizar el manejo de la información perdida, en cuanto a la inclusión de información previa se encontró que mejora la estimación de los parámetros del modelo, no obstante no mejora la predicción por lo tanto se requiere en futuros trabajos explorar otras metodología que permitan mejorar los problemas de clasificación que se han encontrado en otras metodologías. La propuesta que se realiza en este trabajo es usar modelos causales que permitan incluir las relaciones naturales entre variables en la construcción de un modelo de predicción.
Fuente:
Biblioteca Virtual Banco de la República
Tipo de contenido:
Tesis
