Encabezado Facultad de Ciencias
Presentación

Matemáticas Aplicadas (plan 2017) 2023-2

Octavo Semestre, Proyecto II

Grupo 6017, 30 lugares. 14 alumnos.
Métodos estadísticos para la investigación en VIH/SIDA
Profesor Yanink Neried Caro Vega lu mi vi 11 a 12
Ayudante Valeria Montesinos Chica ma ju 11 a 12

 

Tema: Métodos estadísticos para la investigación en VIH/SIDA.

Profesora: Dra. Yanink Caro Vega

Ayudante: Act. Valeria Montesinos Chica

Objetivo:

Identificar, comprender y aplicar métodos estadísticos apropiados para responder preguntas relacionadas con la medición de desenlaces clínicos y de atención de personas viviendo con VIH/SIDA.

Plan:

Se repasarán los modelos estadísticos básicos y se explicarán conceptos básicos relacionados con la enfermedad de VIH/SIDA, su transmisión, epidemiología y desenlaces de interés. Se profundizará el estudio teórico y aplicación de modelos comunes y especiales descritos en el temario. Cada estudiante realizará un proyecto específico, asociado a una pregunta de su interés y/o que le permita aplicar algún método del temario; y presentará sus avances para recibir retroalimentación antes de la entrega final. El proyecto tendrá siete etapas que se describirán por escrito en un reporte: elección del proyecto (pregunta de investigación, justificación, antecedentes), análisis exploratorio de la base de datos, identificación del modelo estadístico, estudio teórico del modelo, estimación, análisis de resultados y conclusiones. Quienes cursaron Proyecto I pueden continuar con su tema anterior siempre y cuando desarrollen nuevos métodos de aplicación.

Temario:

1. Acercamiento al VIH y a la aplicación y vinculación de temas estadísticos, matemáticos y actuariales a la solución de problemas en el área médica.

2. Modelos comunes: modelos lineales generalizados, modelos de sobrevida (Cox, multi-estados, riesgos en competencia), modelos lineales mixtos

3. Problemas comunes en el análisis de bases de datos: Información perdida: identificar información perdida, supuestos para aplicar imputación y técnicas de imputación múltiple. Ponderación inversa: necesidad, construcción y aplicación de probabilidades de ponderación inversa en la comparación de grupos con características diferentes.

4. Estudios de cohorte y ensayos clínicos aleatorizados

5. Inferencia Causal: Gráficas acíclicas dirigidas, contrafactuales; Modelos marginales estructurales; Revisión de problemas de sesgo que pueden resolverse mediante el uso de modelos marginales estructurales y Comparación con técnicas tradicionales para medir causalidad.

6. Modelos Especiales: Modelos de Costo efectividad, Estadística Bayesiana y/o Machine Learning

Pre-requisitos:

Inferencia Estadística, Modelos No Paramétricos y de Regresión, Modelos de Supervivencia.

Manejo de paquetería R y bases de datos.

Horario:

Lunes, miércoles y viernes 11:00-12:00

Datos para la primera reunión:
Tema: Proyecto II
Hora: 30 ene 2023 11:00 a. m. Ciudad de México
Unirse a la reunión Zoom
ID de reunión: 969 1408 2603
Código de acceso: 764302
Evaluación:
Participación, tareas y trabajo en clase 20%
Presentación oral y escrita de avances del proyecto seleccionado en dos ocasiones 30%
Presentación oral y reporte escrito del proyecto terminado 50%
Bibliografía básica:
Agresti, A. (2015). Foundations of Linear and Generalized Linear Models. Wiley Series in
Probability and Statistics. Wiley.
Albert (2007). Bayesian computation with R. Springer.
Bernardo, J. M. (1981). Bioestadística: Una Perspectiva Bayesiana. Vicens-Vives.
Beyersmann J., Schumacher M., Allignol A. (2012). Competing Risks and Multistate Models with R.
Springer. Series: Use R!
Collet D. (2003). Modelling Survival Data in Medical Research. Chapman and Hall.
Cox D.R., Oakes D. (1984). Analysis of Survival Data. Chapman and Hall.
Drummond MF, Sculpher MJ, Torrance GW, O’Brien BJ, Stoddart GL. Methods for the Economic
Evaluation of Health Care Programmes. 3rd edn. Oxford: Oxford University Press; 2005.
Erdely Ruiz, A., Gutiérrez Peña E. (2007). Monografía de Estadística Bayesiana. UNAM.
Galecki, A., Burzykowski, T. (2013). Linear mixed-effects models using R. A step-by-step approach.
Springer.
Gold M.R., Siegel J.E., Russell L.B., Weinstein M.C. (1996). Cost-effectiveness in Health and
Medicine. Oxford University Press.
Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning.Data Mining,
Inference, and Prediction, 2nd ed., Springer.
James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An introduction to Statistical Learning. With
applications in R, Springer.
Little R.J.A., Rubin D.B. (2019). Statistical Analysis with Missing Data. Wiley, 3rd edition.
Robins J.M., Hernán M.A., Brumback B. (2000). Marginal structural models and causal inference in
epidemiology. Epidemiology, 11(5): 550-560.
Venables, W.N. and Ripley, B.D. (2002). Modern Applied Statistics with S. Springer–Verlag.
Wassertheil-Smoller S, Kim MY. Statistical analysis of clinical trials. Semin Nucl Med. 2010
Sep;40(5):357-63. doi: 10.1053/j.semnuclmed.2010.04.001. PubMed PMID: 20674595.

 


Hecho en México, todos los derechos reservados 2011-2016. Esta página puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica. De otra forma requiere permiso previo por escrito de la Institución.
Sitio web administrado por la Coordinación de los Servicios de Cómputo de la Facultad de Ciencias. ¿Dudas?, ¿comentarios?. Escribenos. Aviso de privacidad.