Integração de modelos mistos de classe latente e rede bayesiana para descobrir subgrupos clínicos de pacientes com COVID-19

Ao modelar a dinâmica dos biomarcadores em estudos biomédicos, é essencial identificar clusters homogêneos de pacientes e analisá-los sob uma perspectiva de medicina de precisão. Essa necessidade se tornou crucial e urgente durante a pandemia de COVID-19: a compreensão precoce dos sintomas e da heterogeneidade dos pacientes tem implicações significativas para prevenção, diagnóstico precoce, manejo eficaz e tratamento. Além disso, a progressão dos biomarcadores pode estar associada a dados de tempo até o evento clinicamente relevantes. Portanto, modelos estatísticos são necessários para obter insights sobre mecanismos complexos de doenças, levando em consideração adequadamente a heterogeneidade não observável nos pacientes, enquanto modelam conjuntamente dados longitudinais e de tempo até o evento. Neste estudo, aproveitamos as principais características da modelagem de Classe Latente e das abordagens de Rede Bayesiana e propomos um quadro unificado para (a) descobrir subgrupos homogêneos de pacientes em relação aos seus dados longitudinais e de sobrevivência e (b) descrever subgrupos de pacientes dentro de um quadro multivariado.