Predicciones de supervivencia individualizadas utilizando un modelo de espacio de estados con datos longitudinales y de supervivencia

El monitoreo de la progresión de la enfermedad a menudo implica rastrear las mediciones de biomarcadores a lo largo del tiempo. Los modelos conjuntos (JMs) para datos longitudinales y de supervivencia proporcionan un marco para explorar la relación entre biomarcadores que varían en el tiempo y los resultados de eventos en pacientes, ofreciendo el potencial de predicciones de supervivencia personalizadas. En este artículo, introducimos el modelo dinámico de supervivencia lineal en espacio de estados para manejar datos longitudinales y de supervivencia. Este modelo mejora el modelo tradicional de espacio de estados gaussiano lineal al incluir datos de supervivencia. Se diferencia de los JMs convencionales al ofrecer una interpretación alternativa a través de ecuaciones diferenciales o de diferencias, eliminando la necesidad de crear una matriz de diseño. Para mostrar la efectividad del modelo, llevamos a cabo un estudio de caso de simulación, enfatizando su rendimiento bajo condiciones de mediciones observadas limitadas. También aplicamos el modelo propuesto a un conjunto de datos de pacientes con hipertensión arterial pulmonar, demostrando su potencial para mejorar las predicciones de supervivencia en comparación con puntuaciones de riesgo convencionales.