Show simple item record

dc.contributor.advisorUgarte Martínez, María Doloreses_ES
dc.contributor.advisorGoicoa Mangado, Tomáses_ES
dc.creatorAdin Urtasun, Aritzes_ES
dc.date.accessioned2018-02-28T15:54:44Z
dc.date.available2018-02-28T15:54:44Z
dc.date.issued2017
dc.date.submitted2017-02-02
dc.identifier.urihttps://hdl.handle.net/2454/27572
dc.description.abstractLa representación cartográfica de enfermedades (disease mapping) es un área de investigación de gran interés en epidemiología y salud pública. La gran variabilidad inherente a las medidas clásicas de estimación de riesgo como la razón de mortalidad estandarizada, hacen necesario el uso de técnicas estadísticas que estabilicen estas razones. Durante los últimos años se han desarrollado muchos modelos estadísticos para estudiar la distribución geográfica de una enfermedad y su evolución en el tiempo. Sin embargo, la disponibilidad de datos de alta calidad recogidos en muchas regiones y durante largos periodos de tiempo, así como la aparición de nuevos y cada vez más sofisticados modelos, han revelado nuevas dificultades que necesitan ser investigadas a fondo. En el Capítulo 1 se describen algunos modelos espacio-temporales de relevancia para el resto de capítulos abordados en la tesis y se detallan las restricciones necesarias para resolver los problemas de identificación de dichos modelos. El Capítulo 1 también describe la técnica inferencia! Bayesiana utilizada a lo largo de la tesis, basada en aproximaciones de Laplace e integración numérica (conocida como INLA), y su implementación en R. En el Capítulo 2 se han comparado cinco modelos espacio-temporales utilizados en disease mapping. Para poder comparar los diferentes términos de estos modelos, se ha calculado una descomposición del logaritmo de los riesgos estimados definiendo patrones espaciales, temporales y espacio-temporales a posteriori. Los resultados se ilustran con datos de mortalidad por cáncer de encéfalo en las provincias Españolas durante el periodo 1986-2010. Además, se ha realizado un estudio de simulación para comparar el rendimiento de los modelos en términos de sensitividad (habilidad para detectar regiones de alto riesgo verdaderas) y especificidad (habilidad para descartar regiones de alto riesgo falsas). Se concluye que cuando el número de casos esperados es muy pequeño (algo común cuando se analizan enfermedades raras o dominios muy pequeños como municipios), los modelos de P-splines se comportan mejor en términos de detección de áreas de alto riesgo. En el Capítulo 3 se propone una nueva familia de modelos espacio-temporales que incluyen efectos aleatorios para dos niveles espaciales, permitiendo modelizar efectos espaciales y espacio-temporales a diferentes niveles de agregación (como por ejemplo, municipios dentro de provincias o zonas de salud que se ven afectados por políticas de salud similares). Estos modelos han sido utilizados para analizar los datos de mortalidad en los municipios del País Vasco y Navarra durante el periodo 1986-2008. Se ha realizado un estudio de simulación en donde se concluye que si existen diferentes niveles de agregación espacial, los nuevos modelos a dos niveles se comportan mejor que modelos previos propuestos en la literatura. En el Capítulo 4 se presentan nuevos modelos de E-splines que incluyen correlaciones espaciales y temporales desde un enfoque completamente Bayesiano. Concretamente se describen modelos que incluyen B-spline temporales unidimensionales que pueden tener (o no) correlación espacial, así como modelos de B-spline espaciales bidimensionales que pueden tener (o no) correlación temporal. Los resultados se ilustran con datos de mortalidad por cáncer de mama en la España peninsular durante el periodo 1990-2010. Se observa que, en general, utilizar modelos con B-spline temporales distintos para cada área proporciona mejores resultados en términos de ajuste. Sin embargo, cuando el número de áreas aumenta, estos modelos pueden no ser factibles desde un punto de vista computacional. Por el contrario, los modelos de P-spline tridimensionales (previamente propuestos en la literatura y formulados en esta tesis desde un punto de vista completamente Bayesiano) son una alternativa prometedora, obteniendo estimaciones del riesgo precisas en tiempos computaciones mucho más cortos.es_ES
dc.format.extent164 p.es_ES
dc.format.mimetypeapplication/pdfen
dc.language.isoengen
dc.relation.urihttps://biblioteca.unavarra.es/abnetopac/abnetcl.cgi?TITN=491831
dc.subjectDisease mappinges_ES
dc.subjectTécnicas de inferencia estadísticaes_ES
dc.subjectTécnicas de predicción estadísticaes_ES
dc.subjectModelos espacio-temporaleses_ES
dc.titleHierarchical and spline-based models in space-time disease mappinges_ES
dc.typeTesis doctoral / Doktoretza tesiaes
dc.typeinfo:eu-repo/semantics/doctoralThesisen
dc.contributor.departmentUniversidad Pública de Navarra. Departamento de Estadística e Investigación Operativaes_ES
dc.contributor.departmentNafarroako Unibertsitate Publikoa. Estatistika eta Ikerketa Operatiboa Sailaeu
dc.rights.accessRightsAcceso abierto / Sarbide irekiaes
dc.rights.accessRightsinfo:eu-repo/semantics/openAccessen


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record