Aplicación de los algoritmos genéticos para estimar los parámetros en un modelo de regresión de Cox

Douglas O. Rivas E., José Luciano Maldonado, Rafael E. Borges P., Gerardo A. Colmenares L.

Resumen


Este trabajo, enmarcado en el campo de la Computación Evolutiva, presenta el desarrollo de un Algoritmo Genético para encontrar los parámetros óptimos de un Modelo de Regresión de Cox del Análisis de Supervivencia para pacientes del servicio de Diálisis Peritoneal del Hospital Clínico Universitario de Caracas entre 1980 y 2000, realizado por Borges (2002, 2005). Se hace uso de la técnica de los Algoritmos Genéticos como método de búsqueda de una mejor estimación de los parámetros del Modelo de Cox al obtenido por los métodos clásicos de optimización. El algoritmo fue programado completamente en el lenguaje C++, bajo un diseño de programación modular tomando en cuenta cada uno de los elementos que constituyen a los Algoritmos Genéticos. Las características principales del algoritmo son: a) La población inicial, que está constituida por 10 individuos, se genera de manera aleatoria entre un rango de valores; dicho rango fue obtenido luego de realizar diversas pruebas; b) la función de ajuste se basó en el Criterio de Información de Akaike (AIC); c) la selección de los individuos a reproducirse se realizó por torneo; e) para el cruce se usó el operador multipunto y la mutación se realizó a todos los genes de una parte de los cromosomas de la población. El algoritmo desarrollado permitió obtener estimaciones de los parámetros del Modelo de Regresión de Cox, y con mejor valor de AIC, a los obtenidos utilizando los métodos clásicos.


Palabras clave


Algoritmo genético; modelo de regresión de Cox; criterio de información de Akaike (AIC); análisis de supervivencia

Texto completo:

PDF

Referencias


Aguilar, José y Francklin Rivas (editores) (2001). Introducción a las Técnicas de

Computación Inteligente. Editorial Meritec, Mérida, Venezuela.

Andersen, Per Kragh, Ornulf Borgan, Richard D. Gill, y Niels Keiding.

(1993). Statistical Models Based on Counting Processes. New York: Springer-

Verlag.

Akaike, Hirotsugu (1973). Information Theory and an Extension of the

Maximum Likelihood Principle, in Second International Symposium on

Information Theory, eds. B. N. Petrox and F. Caski. Budapest: Akademiai

Kiado, pp. 267–281.

Akaike, Hirotsugu (1974). A new look at the statistical model identification.

IEEE Transactions on Automatic Control, 19: pp. 716-723.

Borges, Rafael E. (2002). Análisis de supervivencia aplicado a un caso de diálisis

renal y diálisis peritoneal en el hospital clínico universitario de caracas y hemodiálisis

en el hospital de clínicas caracas 1980-2000. Tesis de Maestría,

Universidad de Los Andes, Facultad de Ciencias Económicas y Sociales.

Instituto de Estadística Aplicada y Computación. Mérida, Venezuela.

Borges, Rafael E. (2005). Análisis de supervivencia aplicado a diálisis peritoneal

(DPA). Revista Colombiana de Estadística, 28: pp. 243-259.

Claeskens, Gerda, Cristophe Croux y Johan Van Kerckhoven, (2006). Variable

Selection for Logistic Regression using a Prediction- Focussed Information

Criterion. Biometrics, 62: pp. 972-979.

Claeskens, Gerda y Niels L. Hjort, (2003). The Focussed Information Criterion.

Journal of the American Statistical Association, 98: pp. 900-916.

Collett, David (2003). Modelling survival data in medical research. Segunda Edición. Boca Ratón, Florida: Chapman & Hall.

Cox, David R. (1972). Regression models and life tables (with discussion).

Journal of the Royal Statistical Society: Series B, 34: pp. 187-220.

Cox, David R. y David Oakes (1984). Analysis of Survival Data. Chapman

and Hall/CRC, New York.

Faraggi, David y Richard Simon (1995). A Neural Network Model for Survival

Data, Statistics in Medicine, 14: pp. 73-82.

Fleming, Thomas R. y David P. Harrington (1991). Counting Processes and

Survival Analysis. New York: John Wiley & Sons, Inc.

Fleming, Peter J. y Robin C. Purshouse (2002). Evolutionary algorithms in

control systems engineering a survey. Control Engineering Practice. 10: pp

-1241.

George, Edward I. (2000). The Variable Selection Procedure. Journal of the

American Statistical Association, 95: pp. 1304-1308.

George, Edward I., y Dean P. Foster (1994). The Risk Inflation Criterion for

Multiple Regression. The Annals of Statistics, 22: pp. 947-1975.

Hosmer, David W. y Stanley Lemeshow (1999). Applied survival analysis: Regression

modeling of time to event data. New York: John Wiley & Sons,

Inc.

Kadane, Joseph B. y Nicole A. Lazar. (2004). Methods and Criteria for Model

Selection. Journal of the American Statistical Association, 99: pp. 279-

Kalbfleisch, John D. y Ross L. Prentice (2002). The statistical analysis of failure

time data. (Segunda. Edición). New York: John Wiley & Sons, Inc.

Klein, John P. y Melvin L. Moeschberger (2003). Survival analysis: Techniques

for censored and truncated data. (Segunda Edición). New York: Springer-

Verlag.

Lawless, Jerald F. (2003). Statistical models and methods for lifetime data. (Segunda

Edición). New York: John Wiley & Sons, Inc.

Lee, Elisa T. y Wang, John W. (2003). Statistical methods for survival data

analysis. (Tercera Edición). New York: John Wiley & Sons, Inc.

Mallows, Colin L. (1973). Some Comments on Cp . Technometrics, 15: pp

-675.

Martinussen, Torben y Thomas H. Scheike (2006). Dynamic Regression Models

for Survival Data. New York: Springer-Verlag.

Miller, Rupert G. (1981). Survival analysis. New York: John Wiley & Sons,

Inc.

Mitchell, Melanie (1996). An Introduction to Genetic Algorithms. MIT Press.

Ravdin, Peter M y Gary C. Clark (1992). A Practical Aplication of Neural

Network Analysis for Predicting Outcome of Individual Breast Cancer

Patients. Breast Cancer Research Treatment, 22: pp. 285-293.

Ravdin, Peter M. y De Laurentis M. (1993). A Technique for using neural

Network Analysis to Perform Survival Analysis of Censored Data. Cancer

Letters, 77: pp.127-138.

Ripley, Ruth (1998). Neural Network Models for Breast Cancer Prognosis. Tesis

Doctoral presentada en el Departamento de Ciencias de Ingeniería de la

Universidad de Oxford, Inglaterra.

Therneau, Terry M. y Patricia M Grambsch. (2000). Modeling Survival Data:

Extending the Cox Model. New York: Springer-Verlag.

Tibshirani, Robet y Keith Knight (1999). The Covariance Inflation Criterion

for Model Selection. Journal of the Royal Statistical Society, Series B, 61:

pp. 529-546.

Shen, Xiaotong, Huang Hsin-Cheng y Jimmy Ye (2002). Adaptive Model Selection.

Journal of the American Statistical Association, 97: pp. 210-221.

Schwarz, Gideon (1978). Estimating the Dimension of a Model. The Annals

of Statistics, 6: pp. 461-464.


Enlaces refback

  • No hay ningún enlace refback.


ISSN 1315-2467 ISSNe 2343-5704

Redes Sociales

Twitter: @revecono
Facebook: Revecono
Instagram: @revecono

Se encuentra actualmente indizada en:

 

Creative Commons License
Todos los documentos publicados en esta revista se distribuyen bajo una
Licencia Creative Commons Atribución -No Comercial- Compartir Igual 4.0 Internacional.
Por lo que el envío, procesamiento y publicación de artículos en la revista es totalmente gratuito.