Zobraziť v EDS

Avaluació de l'heterogeneïtat de l'efecte del tractament en assaigs clínics

Uložené v:
Podrobná bibliografia
Názov: Avaluació de l'heterogeneïtat de l'efecte del tractament en assaigs clínics
Autori: Iranzo Aixalà, Carla
Prispievatelia: Cortés Martínez, Jordi, González Alastrué, José Antonio
Zdroj: UPCommons. Portal del coneixement obert de la UPC
Universitat Politècnica de Catalunya (UPC)
Informácie o vydavateľovi: Universitat Politècnica de Catalunya, 2025.
Rok vydania: 2025
Predmety: Àrees temàtiques de la UPC::Matemàtiques i estadística, arbres de decisió, Clinical trials -- Statistical methods, Classificació AMS::62 Statistics::62J Linear inference, regression, boscos aleatoris, simulació, Personalized medicine, Classificació AMS::62 Statistics::62P Applications, boscos causals, Assaigs clínics -- Mètodes estadístics, heterogeneïtat, Medicina personalitzada, efecte individualitzat del tractament, imputació múltiple, assaig clínic
Popis: L’heterogeneïtat de l’efecte del tractament és un aspecte clau en el context dels assajos clínics i la medicina personalitzada. Aquesta fa referència a la variabilitat en la resposta als tractaments entre diferents individus o subgrups de pacients. Comprendre i identificar aquesta heterogeneïtat permet dissenyar intervencions més eficaces i adaptades a les característiques de cada pacient, tot millorant l’eficiència terapèutica i reduint riscos innecessaris. Aquest treball té com a objectiu principal avaluar i comparar diferents metodologies estadístiques que permeten estimar l’efecte individual del tractament (PITE) en assaigs clínics aleatoritzats i, en conseqüència, avaluar l’heterogeneïtat de l’efecte del tractament entre individus. Per tal de dur-ho a terme, s’han seleccionat quatre mètodes representatius: la imputació múltiple paramètrica, els arbres de decisió (RDT), els boscos aleatoris i els boscos causals. Aquests mètodes han estat escollits tant per la seva rellevància teòrica com per la seva aplicació creixent en contextos mèdics i biomètrics. La metodologia emprada inclou, en primer lloc, una revisió bibliogràfica detallada per establir les bases conceptuals de cada mètode. A continuació, es procedeix a la seva implementació en llenguatge R, assegurant la reproductibilitat dels càlculs i la comparació entre mètodes dins d’un mateix marc experimental. S’han realitzat simulacions que permeten reproduir diferents escenaris de generació de l’efecte del tractament: efecte del tractament constant en tots els individus, efecte dependent de covariables, i efecte completament aleatori. Aquestes simulacions permeten analitzar la capacitat de cada mètode per detectar i quantificar l’heterogeneïtat en condicions controlades. A més, el projecte també inclou una aplicació pràctica amb dades reals extretes d’un estudi clínic, per tal d’il·lustrar la utilitat i limitacions dels mètodes en un context real. L’aportació principal d’aquest treball és proporcionar una visió comparativa, clara i aplicada de diferents estratègies estadístiques per avaluar l’heterogeneïtat del tractament, posant especial èmfasi en la seva interpretabilitat, flexibilitat i viabilitat computacional. Aquesta anàlisi pretén servir de guia per a investigadors i professionals clínics interessats a incorporar estimacions individualitzades en els seus estudis, i afavoreix el desenvolupament de pràctiques més ajustades a les necessitats de cada pacient.
Druh dokumentu: Master thesis
Popis súboru: application/pdf
Jazyk: Catalan; Valencian
Prístupová URL adresa: https://hdl.handle.net/2117/440832
Rights: CC BY NC
Prístupové číslo: edsair.dedup.wf.002..e21114f41c480d8f1b62a1333a88f6fa
Databáza: OpenAIRE
Popis
Abstrakt:L’heterogeneïtat de l’efecte del tractament és un aspecte clau en el context dels assajos clínics i la medicina personalitzada. Aquesta fa referència a la variabilitat en la resposta als tractaments entre diferents individus o subgrups de pacients. Comprendre i identificar aquesta heterogeneïtat permet dissenyar intervencions més eficaces i adaptades a les característiques de cada pacient, tot millorant l’eficiència terapèutica i reduint riscos innecessaris. Aquest treball té com a objectiu principal avaluar i comparar diferents metodologies estadístiques que permeten estimar l’efecte individual del tractament (PITE) en assaigs clínics aleatoritzats i, en conseqüència, avaluar l’heterogeneïtat de l’efecte del tractament entre individus. Per tal de dur-ho a terme, s’han seleccionat quatre mètodes representatius: la imputació múltiple paramètrica, els arbres de decisió (RDT), els boscos aleatoris i els boscos causals. Aquests mètodes han estat escollits tant per la seva rellevància teòrica com per la seva aplicació creixent en contextos mèdics i biomètrics. La metodologia emprada inclou, en primer lloc, una revisió bibliogràfica detallada per establir les bases conceptuals de cada mètode. A continuació, es procedeix a la seva implementació en llenguatge R, assegurant la reproductibilitat dels càlculs i la comparació entre mètodes dins d’un mateix marc experimental. S’han realitzat simulacions que permeten reproduir diferents escenaris de generació de l’efecte del tractament: efecte del tractament constant en tots els individus, efecte dependent de covariables, i efecte completament aleatori. Aquestes simulacions permeten analitzar la capacitat de cada mètode per detectar i quantificar l’heterogeneïtat en condicions controlades. A més, el projecte també inclou una aplicació pràctica amb dades reals extretes d’un estudi clínic, per tal d’il·lustrar la utilitat i limitacions dels mètodes en un context real. L’aportació principal d’aquest treball és proporcionar una visió comparativa, clara i aplicada de diferents estratègies estadístiques per avaluar l’heterogeneïtat del tractament, posant especial èmfasi en la seva interpretabilitat, flexibilitat i viabilitat computacional. Aquesta anàlisi pretén servir de guia per a investigadors i professionals clínics interessats a incorporar estimacions individualitzades en els seus estudis, i afavoreix el desenvolupament de pràctiques més ajustades a les necessitats de cada pacient.