Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Avaliação de Múltiplos Testes Diagnósticos na Ausência dePadrão Ouro: Comparação entre o Modelo Frequentista e oModelo Bayesiano com Três Diferentes Prioris ObjetivasGilberto de Araujo PereiraDEESC-UFTM, CER-DEs-UFSCarFrancisco Louzada-NetoCER-DEs-UFSCarHélio de Moraes SouzaUniversidade Federal do Triângulo Mineiro-UFTMMárcia Maria Ferreira SilvaUniversidade Federal do Triângulo Mineiro-UFTMValdirene de Fátima BarbosaUniversidade de Uberaba-UNIUBENeste trabalho o objetivo foi estimar as sensiblidades, especificidades de seis testes diagnósticosindependentes condicionalmente da condição de saúde do sujeito e a prevalência da doença, numa situaçãoonde não existe um teste diagnóstico confirmatório (padrão ouro), como é o caso da doença de Chagas, apartir de uma modelagem de classe latente sem inclusão de covariáveis e com estrutura para uma (v = 1) etrês (v = 3) distintas prevalências da doença. Adicionalmente confrontamos a modelagem bayesiana paratrês diferentes especificações de prioris objetivas a partir do algoritmo Gibbs-Sampling com a modelagemfrequentista a partir do o algoritmo EM. Todos os modelos apresentaram identificabilidade com 2 L v − 1graus de liberdade e 2Lv+v parâmetros, sendo que o modelo com diferentes prevalências entre os estratos(v = 3) e priori Uniforme apresentou desempenho melhor em relação aos demais. O uso da classe devariável latente y i ∼Bernoulli(τ vi ), que simula a verdadeira condição de saúde do i-ésimo sujeito nov-ésimo estrato, parece ser uma boa alternativa tanto na abordagem bayesiana quanto frequentistapara este número de testes e tamanho amostral, uma vez que produziu estimativas bem próximas dasobtidas no cenário hipotético de 100% de padrão ouro. Para o conjunto de dados reais, referente atriagem de doadores de sangue para doença de Chagas, com reduzido tamanho amostral, o conhecimentoespecializado pode ser modelado a partir de uma distribuição a priori como alternativa para a estimativada prevalência do estrato I (doadores com sorologia negativa na triagem) uma vez que essa convergiupara uma região distante da esperada. Todos os testes apresentaram estimativas muito próximas paraas sensibilidades e especificidades. Segundo o melhor modelo a taxa estimada de infecção chagásica foide 2, 7% entre os doadores com sorologia inconclusiva na triagem.Palavras-chave: Modelo de Classe Latente, estratificação, independência condicional, algoritmoGibbs-Sampling e EM, priori objetiva.111
Modelo Bayesiano Geral de Classe Latente para MúltiplosTestes Diagnósticos com Estrutura para Covariáveis eEstratificação da PopulaçãoGilberto de Araujo PereiraDEESC-UFTM, CER-DEs-UFSCarFrancisco Louzada-NetoCER-DEs-UFSCarHélio de Moraes SouzaUniversidade Federal do Triângulo Mineiro-UFTMMárcia Maria Ferreira SilvaUniversidade Federal do Triângulo Mineiro-UFTMValdirene de Fátima BarbosaUniversidade de Uberaba-UNIUBEO uso da classe de variável latente y i ∼ Bernoulli(τ vi ), que estima a verdadeira condição de saúde doi-ésimo sujeito no v-ésimo estrato, em situações onde não existe um teste padrão ouro, como é o caso dodiagnóstico da doença de Chagas em doadores de sangue, juntamente com o uso do algoritmo Metropolis-Hastings são alternativas para problemas de estimação do desempenho de múltiplos testes diagnósticosem modelos com estruturas complexas que incluem múltiplas covariáveis e diferentes prevalências dadoenca. A identificabilidade do modelo pode ser reestabelecida com a estratificação da população emdois estratos (v = 2) para o caso de seis testes (L = 6) e seis covariáveis (m = 6) e a partir detrês estratos (v = 3) quando cinco testes (L = 5) e seis covariáveis (m = 6), com 2 L v − 1 grausde liberdade e 2Lvm + vm parâmetros no modelo. O uso da distribuição normal vaga centrada no“zero”e variância “flat”como priori para θ pode resultar em posterioris que não convergem para umadistribuição estacionária ou então demandar um tempo computacional inviável. Portanto, parece razoávelconsiderar uma combinação de análise exploratória e ajuste do modelo particular não estratificado v = 1em cada nível das covariáveis para os chutes iniciais dos hiperparâmetros do modelo adicionalmente àmodelagem bayesiana empirica a partir do modelo geral até obter amostras estacionárias das condicionaisa posterioris. Para o conjunto de dados reais verificamos desempenho discretamente superior do modeloestratificado em relação ao modelo não estratificado, além de apresentar estimativas para as prevalênciasmais próximas da realidade. Verificamos sensibilidades, especificidades e prevalências significativamentediferentes entre os níveis das covariáveis para maioria dos testes. Esses achados demonstram a relevânciada inclusão de covariáveis e estratificação na estrutura da modelagem.Palavras-chave: testes diagnósticos, independência condicional, modelo bayesiano de classe latente,covariáveis, estratificação, identificabilidade.112
- Page 61 and 62: Test for Symmetry in Contingency Ta
- Page 63 and 64: Aplicações de Inferência Bayesia
- Page 65 and 66: Uma Abordagem Bayesiana do Modelo M
- Page 67 and 68: Accounting for Latent Spatio-Tempor
- Page 69 and 70: Uma Abordagem Bayesiana para Proces
- Page 71 and 72: A Bayesian Analysis for the General
- Page 73 and 74: Comparação de um Modelo Dinâmico
- Page 75 and 76: Estimando Variações de Temperatur
- Page 77 and 78: A Bayesian Approach to Multivariate
- Page 79 and 80: Bayesian Inference for Gamma Modula
- Page 81 and 82: Computational Tools for Comparing A
- Page 83 and 84: Modelo Partição Produto com “Cl
- Page 85 and 86: BIC Criterion for Minimal Markov Mo
- Page 87 and 88: Estimadores Lineares Bayesianos em
- Page 89 and 90: Modelos de Volatilidade Estocástic
- Page 91 and 92: Processo de Difusão Multivariado c
- Page 93 and 94: Generalized Latent Factor Models fo
- Page 95 and 96: Measuring Vulnerability via Spatial
- Page 97 and 98: Medidas do Valor Preditivo de um Mo
- Page 99 and 100: Aproximações Analíticas para Pos
- Page 101 and 102: Modelo de Risco Logístico Dependen
- Page 103 and 104: A Practical Approach to Elicit Mult
- Page 105 and 106: Modelos Dinâmicos para Deformaçã
- Page 107 and 108: A Semiparametric Bayesian Approach
- Page 109 and 110: Modelo Weibull Modificado de Longa
- Page 111: Abordagem Bayesiana para Modelos GA
- Page 115 and 116: Métodos de Estimação em Modelos
- Page 117 and 118: LASSO Bayesiano no Mapeamento de QT
- Page 119 and 120: Estudo das Matrizes de Covariância
- Page 121 and 122: Sensibilidade da Inferência Bayesi
- Page 123 and 124: Análise Bayesiana para o Estudo de
- Page 125 and 126: Uma Abordagem Bayesiana para Modelo
- Page 127 and 128: Construção de Tábuas de Mortalid
- Page 129 and 130: Um Procedimento Bayesiano para a An
- Page 131 and 132: Um Novo Modelo para Dependência Es
- Page 133 and 134: Distribuição Geométrica Exponenc
- Page 135 and 136: Morbidade Pulmonar e Condições Cl
- Page 137 and 138: Standard Setting for a Rasch Poisso
- Page 139 and 140: Modelo Logístico Misto com Classes
- Page 141 and 142: Metodologia Bayesiana para Detecç
- Page 143 and 144: Modelos Espaço-Temporais para Dado
- Page 145 and 146: Comparação de Modelos para a Iden
- Page 147 and 148: Modelos Multivariados de Regressão
- Page 149 and 150: Estimação Bayesiana em Modelos de
- Page 151 and 152: Previsão de Resultados de Jogos de
- Page 153 and 154: Uma Abordagem Bayesiana para Modelo
- Page 155 and 156: Análise Bayesiana do Modelo Log-Bi
- Page 157 and 158: Desempate TécnicoFilipe Jaeger Zab
- Page 159 and 160: 10 o Encontro Brasileiro de Estatí
- Page 161 and 162: 10 o Encontro Brasileiro de Estatí
Avaliação de Múltiplos Testes Diagnósticos na Ausência dePadrão Ouro: Comparação entre o Modelo Frequentista e oModelo Bayesiano com Três Diferentes Prioris ObjetivasGilberto de Araujo PereiraDEESC-UFTM, CER-DEs-UFSCarFrancisco Louzada-NetoCER-DEs-UFSCarHélio de Moraes SouzaUniversidade Federal do Triângulo Mineiro-UFTMMárcia Maria Ferreira SilvaUniversidade Federal do Triângulo Mineiro-UFTMValdirene de Fátima BarbosaUniversidade de Uberaba-UNIUBENeste trabalho o objetivo foi estimar as sensiblidades, especificidades de seis testes diagnósticosindependentes condicionalmente da condição de saúde do sujeito e a prevalência da doença, numa situaçãoonde não existe um teste diagnóstico confirmatório (padrão ouro), como é o caso da doença de Chagas, apartir de uma modelagem de classe latente sem inclusão de covariáveis e com estrutura para uma (v = 1) etrês (v = 3) distintas prevalências da doença. Adicionalmente confrontamos a modelagem bayesiana paratrês diferentes especificações de prioris objetivas a partir do algoritmo Gibbs-Sampling com a modelagemfrequentista a partir do o algoritmo EM. Todos os modelos apresentaram identificabilidade com 2 L v − 1graus de liberdade e 2Lv+v parâmetros, sendo que o modelo com diferentes prevalências entre os estratos(v = 3) e priori Uniforme apresentou desempenho melhor em relação aos demais. O uso da classe devariável latente y i ∼Bernoulli(τ vi ), que simula a verdadeira condição de saúde do i-ésimo sujeito nov-ésimo estrato, parece ser uma boa alternativa tanto na abordagem bayesiana quanto frequentistapara este número de testes e tamanho amostral, uma vez que produziu estimativas bem próximas dasobtidas no cenário hipotético de 100% de padrão ouro. Para o conjunto de dados reais, referente atriagem de doadores de sangue para doença de Chagas, com reduzido tamanho amostral, o conhecimentoespecializado pode ser modelado a partir de uma distribuição a priori como alternativa para a estimativada prevalência do estrato I (doadores com sorologia negativa na triagem) uma vez que essa convergiupara uma região distante da esperada. Todos os testes apresentaram estimativas muito próximas paraas sensibilidades e especificidades. Segundo o melhor modelo a taxa estimada de infecção chagásica foide 2, 7% entre os doadores com sorologia inconclusiva na triagem.Palavras-chave: Modelo de Classe Latente, estratificação, independência condicional, algoritmoGibbs-Sampling e EM, priori objetiva.111