MMLM: Una función para construir modelos predictivos con mayor capacidad de discriminación
Luis Mariano Esteban (Escuela Universitaria Politécnica de La Almunia. Universidad de Zaragoza)
Gerardo Sanz (Departamento de Métodos Estadísticos. Universidad de Zaragoza)
Angel Borque (Hospital Universitario Miguel Servet)
La combinación de múltiples biomarcadores para mejorar la precisión diagnóstica es un tema importante dentro del campo de la medicina.
Cómo proporcionar una solución óptima para este problema es un tema ampliamente analizado que aún no tiene una respuesta global. En diferentes estudios, se han propuesto modelos lineales que maximizan el área bajo la curva ROC, sin embargo, ninguno de ellos puede ser aplicado en todos los escenarios posibles. Su y Liu [1] obtuvieron una solución óptima bajo hipótesis de normalidad multivariante, criterio que no es fácil de verificar en los datos médicos. Por otro lado, existen métodos no paramétricos [2] que no han tenido una amplia difusión porque pueden ser computacionalmente intensivos cuando el número de biomarcadores es grande.
En este trabajo se presenta una nueva función MMLM para la construcción de modelos predictivos, basada en el método min-max [3] que combina biomarcadores de tipo continuo en orden a pronosticar un estado de una enfermedad. Esta función esta desarrollada mediante un método no paramétrico y utiliza para su ejecución otra función, SLM, que combina biomarcadores mediante un algoritmo paso a paso [4] con criterio de optimalidad el área bajo la curva ROC (AUC).
El empleo de esta función se ilustra mediante simulaciones y con la aplicación práctica en un problema de estadificación del cáncer de próstata.
organizacion@usar.org.es