2026-09-24T08:04:36Zhttps://repositorio.ucam.edu/oai/requestoai:repositorio.ucam.edu:10952/51612022-01-25T22:03:24Zcom_10952_1col_10952_18
Prieto Merino, Antonio David
Piñero de Armas, Juan José
2022-01-25T09:16:49Z
2022-01-25T09:16:49Z
2021
2021
2021-10-26
http://hdl.handle.net/10952/5161
La presencia de datos faltantes en las bases de datos biomédicas, puede sesgar los análisis y reducir su precisión. Los métodos de imputación de estos habitualmente denominados "missing data" corrigen parcialmente el problema pero necesitan modelos adecuados que relacionen su ocurrencia con el valor de las demás variables. Hemos utilizado regresiones logísticas con efectos aleatorios para identificar qué factores del paciente o centro médico están asociados con una mayor presencia de missing data en otras variables en bases de datos de gran tamaño.
Para poder lidiar con una cantidad tan grande de datos hemos aplicado tres enfoques diferentes: 1) análisis con el conjunto completo de los datos, 2) análisis independientes intra-centro y el posterior metaanálisis de sus coeficientes, 3) análisis independientes en particiones aleatorias de los datos y su posterior metaanálisis.
Ingeniería, Industria y Construcción
Medicina
es
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
openAccess
Regresión Logística
Efectos Aleatorios
Imputación
Big Data
Redes de Conexión
Aplicación de métodos Big Data al análisis de datos biomédicos: Identificación de factores asociados con la presencia de datos incompletos y estudio de secuencias de eventos.
doctoralThesis