Novas Metodologias para Modelagem de Fração de Cura com Fragilidade e Distribuições Defeituosas

• Processo: 24/23079-6
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de maio de 2025
• Data de Término da vigência: 30 de abril de 2027
• Área do conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
• Pesquisador responsável: Vera Lucia Damasceno Tomazella
• Beneficiário: Vera Lucia Damasceno Tomazella
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Análise de dados longitudinais Sobrevivência Análise de sobrevivência
• Palavra(s)-Chave do Pesquisador: Dados longitudinais | Distribuições defeituosas | Fração de cura | Modelo conjunto | Modelo de Fragilidade | Sobrevivencia | Análise de Sobrevivência

Resumo

Um dos desafios na área de análise de sobrevivência é a modelagem de populações heterogêneas, que pode ser abordada com a inclusão de termos de fragilidade para capturar variabilidade não observada entre indivíduos ou grupos. O modelo de cura em análise de sobrevivência é utilizado para descrever situações em que uma parte da população nunca experimenta o evento de interesse, como falhas ou óbitos, devido a um processo de "cura". Esse modelo é especialmente relevante em contextos como a medicina, onde tratamentos podem levar à "cura" de pacientes, ou seja, à sobrevivência indefinida sem a ocorrência do evento, como no caso de pacientes com câncer curados após tratamento. Modelos com fragilidade discreta e distribuições defeituosas são úteis para lidar com a fração de cura, onde parte da população nunca experimenta o evento de interesse, como no caso de pacientes curados após tratamento. Além disso, a modelagem conjunta de dados longitudinais e análise de sobrevivência permite compreender como variáveis que evoluem ao longo do tempo influenciam o risco de eventos. Contudo, o desenvolvimento deste projeto apresenta desafios importantes, como a formulação de modelos estatísticos que equilibrem flexibilidade e parcimônia, o desenvolvimento de métodos inferenciais eficientes e a implementação computacional robusta para lidar com problemas complexos e de alta dimensão. Por outro lado, as vantagens de avançar nessa pesquisa incluem a criação de metodologias inovadoras que ampliam o entendimento de fenômenos complexos e oferecem ferramentas práticas para a tomada de decisão em diferentes áreas. Este projeto, composto por três subprojetos, busca superar esses desafios, formulando modelos avançados, desenvolvendo metodologias de estimação frequentistas e bayesianas, e generalizando abordagens existentes para fornecer soluções mais robustas e aplicáveis. Adicionalmente, será desenvolvido um conjunto de pacotes computacionais que permitirá a implementação prática das metodologias propostas. Assim, o projeto contribuirá tanto para o avanço da teoria estatística quanto para aplicações práticas em contextos reais. (AU)