Search

En los últimos años se ha ido generalizando el uso de datos de salud en formato electrónico (EHR) que se han recogido de forma masiva en sistemas EHR. Aunque inicialmente dichos datos tenían una función puramente administrativa se han ido extendiendo sus objetivos hasta abarcar tanto un uso médico como de investigación. Un ejemplo de EHR lo constituye el conjunto de datos MIMIC III, que recoge datos de salud de más de 55000 pacientes ingresados en cuidados intensivos. Este estudio se ha centrado en obtener un modelo de predicción de mortalidad a 30 días en pacientes ingresados con insuficiencia respiratoria aguda mediante técnicas de machine learning (ML) y comparar su resultado con 2 scores de uso habitual en UCI: OASIS y SAPS II. Para encontrar el mejor modelo de clasificación se han usado tanto algoritmos de ML como redes neuronales profundas. El mejor modelo obtenido en el grupo test se corresponde con la regresión logística, logrando un AUC de 0.71. Este resultado es ligeramente superior al obtenido con los scores SAPS II y OASIS (AUC 0.69 y 0.63, respectivamente). Podemos concluir, por tanto, que el uso de técnicas de ML puede mejorar los scores habituales de predicción de mortalidad. No obstante, aún existe un rendimiento limitado al aplicar dichas técnicas a cohortes específicas de pacientes, por lo que se hacen necesarios más estudios de este tipo en los que se aplique ML para predecir mortalidad a pacientes que comparten procesos patológicos similares, más que aplicar dichas técnicas de forma general. En els últims anys s'ha anat generalitzant l'ús de dades de salut en format electrònic (EHR) que s'han recollit de manera massiva en sistemes EHR. Encara que inicialment aquestes dades tenien una funció purament administrativa s'han anat estenent els seus objectius fins a abastar tant un ús mèdic com de recerca. Un exemple de EHR el constitueix el conjunt de dades MIMIC III, que recull dades de salut de més de 55000 pacients ingressats en vigilància intensiva. Aquest estudi s'ha centrat en obtenir un model de predicció de mortalitat a 30 dies en pacients ingressats amb insuficiència respiratòria aguda mitjançant tècniques de machine learning (ML) i comparar el seu resultat amb 2 scores d'ús habitual en UCI: OASI i SAPS II. Per a trobar el millor model de classificació s'han usat tant algorismes de ML com xarxes neuronals profundes. El millor model obtingut en el grup test es correspon amb la regressió logística, aconseguint un AUC de 0.71. Aquest resultat és lleugerament superior a l'obtingut amb els scores SAPS II i OASIS (AUC 0.69 i 0.63, respectivament). Podem concloure, per tant, que l'ús de tècniques de ML pot millorar els scores habituals de predicció de mortalitat. No obstant això, encara existeix un rendiment limitat en aplicar aquestes tècniques a cohorts específiques de pacients, per la qual cosa es fan necessaris més estudis d'aquest tipus en els quals s'apliqui ML per a predir mortalitat a pacients que comparteixen processos patològics similars, més que aplicar aquestes tècniques de manera general. In recent years, the use of electronic health data (EHR) has become increasingly widespread and has been massively collected in EHR systems. Although these data initially had a purely administrative function, their objectives have been extended to include both medical and research use. An example of an EHR is the MIMIC III dataset, which collects health data from more than 55,000 intensive care inpatients. This study has focused on obtaining a 30-day mortality prediction model for patients admitted with acute respiratory failure using machine learning (ML) techniques and comparing its result with 2 commonly used ICU scores: OASIS and SAPS II. Both ML algorithms and deep neural networks were used to find the best classification model. The best model obtained in the test group corresponds to logistic regression, achieving an AUC of 0.71. This result is slightly higher than that obtained with the SAPS II and OASIS scores (AUC 0.69 and 0.63, respectively). We can conclude, therefore, that the use of ML techniques can improve the usual mortality prediction scores. However, there is still limited performance when applying these techniques to specific cohorts of patients, so more studies of this type are needed in which ML is applied to predict mortality in patients who share similar pathological processes, rather than applying these techniques in a general way.

Los ensayos clínicos longitudinales se hacen con medidas repetidas de algunas variables a lo largo de un tiempo. Es un problema frecuente encontrarnos con que alguna de estas medidas falta. Desarrollar estrategias adecuadas en el tratamiento de datos faltantes supone un gran reto. Una de las alternativas recomendadas es la imputación múltiple. Los análisis de supervivencia analizan el tiempo que tarda en ocurrir un evento de interés, si éste no ocurre en el tiempo de seguimiento del ensayo, se denomina censura. Existen numerosas alternativas para la realización de análisis de supervivencia con datos censurados, el método convencional más utilizado es Kaplan Meier. En los últimos años se han desarrollado algoritmos de machine learning, uno de ellos es random survival forest. En este TFM, tras realizar labores de data management, se realiza imputación de datos faltantes de la base de datos del ensayo Lake con 2 opciones de imputación disponibles en R, en las librerías mice y randomForestSRC. Se comparan los resultados de la función de supervivencia de Kaplan Meier y del algoritmo random survival forest aplicados al resultado de ambas imputaciones. El evento estudiado es fracaso virológico en pacientes diagnosticados de VIH tratados con tratamiento experimental vs control. Los resultados del índice C son muy similares. Por Kaplan Meier, se concluye que el tratamiento experimental tiene menos fracasos virológicos que el tratamiento estándar, pero las diferencias son significativas sólo en la base de datos imputada con la librería randomForestSRC. Els assajos clínics longitudinals es fan amb mesures repetides d'algunes variables al llarg d'un temps. És un problema freqüent trobar-nos que alguna d'aquestes mesures falta. Desenvolupar estratègies adequades en el tractament de dades que manca suposa un gran repte. Una de les alternatives recomanades és la imputació múltiple. Les anàlisis de supervivència analitzen el temps que triga a ocórrer un esdeveniment d'interès, si aquest no ocorre en el temps de seguiment de l'assaig, es denomina censura. Existeixen nombroses alternatives per a la realització d'anàlisi de supervivència amb dades censurades, el mètode convencional més utilitzat és Kaplan Meier. En els últims anys s'han desplegat algorismes de machine learning, un d'ells és random survival forest. En aquest TFM, després de realitzar labors de data management, es realitza imputació de dades que manca de la base de dades de l'assaig Lake amb 2 opcions d'imputació disponibles en R, en les llibreries mice i randomForestSRC. Es comparen els resultats de la funció de supervivència de Kaplan Meier i de l'algorisme random survival forest aplicats al resultat de totes dues imputacions. L'esdeveniment estudiat és fracàs virológico en pacients diagnosticats de VIH tractats amb tractament experimental vs. control. Els resultats de l'índex C són molt similars. Per Kaplan Meier, es conclou que el tractament experimental té menys fracassos virològics que el tractament estàndard, però les diferències són significatives només en la base de dades imputada amb la llibreria randomForestSRC. Longitudinal clinical trials are done with repeated measures of some variables over a period of time. It is a common problem to find that some of these measures are missing. Developing appropriate strategies for dealing with missing data is a major challenge. One of the recommended alternatives is multiple imputation. Survival analyses look at the time it takes for an event of interest to occur, if it does not occur within the follow-up time of the trial, it is called censoring. There are numerous alternatives for performing survival analysis with censored data, the most commonly used conventional method is Kaplan Meier. In recent years, machine learning algorithms have been developed, one of which is the random survival forest. In this TFM, after performing data management tasks, imputation of missing data from the Lake trial database is performed with 2 imputation options available in R, in the mice and randomForestSRC libraries. The results of the Kaplan Meier survival function and the random survival forest algorithm applied to the result of both imputations are compared. The event studied is virologic failure in HIV-diagnosed patients treated with experimental treatment vs. control. The results of the C-index are very similar. By Kaplan Meier, it is concluded that experimental treatment has fewer virological failures than standard treatment, but the differences are significant only in the database imputed with the randomForestSRC library.

Los registros electrónicos de salud (o Electronic Health Records) constituyen un nuevo tipo de fuente de datos para estudios no intervencionales. La terapia biológica inmunomoduladora usada para tratar la artritis reumatoide presenta ciertos efectos adversos asociados a su uso. Aunque estos efectos adversos son conocidos, existen pocos estudios comparativos entre los distintos medicamentos biológicos en términos de mortalidad. En este estudio se comparó la mortalidad (en el hospital y según los registros de la seguridad social) entre grupos de pacientes de artritis tratados con los distintos medicamentos biológicos. Se estudiaron también los mismos indicadores de mortalidad entre grupos de pacientes de artritis tratados con y sin medicamento biológico. Sólo se encontradon diferencias significativas en cuanto a la mortalidad según los registros de la seguridad social entre pacientes con y sin medicamento biológico. En este caso el Odds Ratio fue de 2.52, siendo 2.52 veces más probable sobrevivir si estás en el grupo sin medicamento biológico. Estos resultados deben ser interpretados con cautela puesto que el estudio presenta ciertas limitaciones, como que los grupos de pacientes obtenidos eran muy pequeños para algunos casos y que los resultados no permiten establecer causalidad. No se han encontrado estudios similares con este u otro tipo de datos. Aún así, los registros electrónicos de salud, se presentan como importantes fuente de datos que permitirán complementar los otros tipos de estudios ya existentes (intervencionales y no intervencionales). Es por ello que su estudio está en continua expansión desde hace una década. Electronic Health Records are a new data source for non-interventional studies. Biological disease-modifying anti-rheumatic therapy used to treat the rheumatoid arthritis has some associated adverse events. Even though some of these adverse events are known, there are few studies comparing mortality among the different biological drugs. In this study, we compared mortality (in hospital, and according to the social security registries) among groups of patients treated with the different biological drugs. The same indicators for mortality were studied between group of patients treated with and without biological drugs. No significant differences in mortality were found, except for mortality according to the social security registries for patients treated with or without biological drugs, with an Odds Ratio of 2.52, meaning that survival is 2.52 times more likely when a patient is not treated with a biological drug. Those results should be interpreted with caution, as this study has some limitations, such as the obtained cohort was small in number for some cases, and those results do not allow to stablish a causality. No similar studies were found with this kind or another type of data. Nevertheless, the Electronic Health Records are an important source of data that will complement other type of existing studies (interventional and non-interventional), and its study has been constantly growing for over a decade. Els registres electrònics de salut (o Electronic Health Records) constitueixen un nou tipus de font de dades per a estudis no intervencionales. La teràpia biològica immunomoduladora usada per tractar l'artritis reumatoide presenta certs efectes adversos associats al seu ús. Tot i que aquests efectes adversos són coneguts, hi ha pocs estudis comparatius entre els diferents medicaments biològics en termes de mortalitat. En aquest estudi es va comparar la mortalitat (a l'hospital i segons els registres de la seguretat social) entre grups de pacients d'artritis tractats amb els diferents medicaments biològics. Es van estudiar també els mateixos indicadors de mortalitat entre grups de pacients d'artritis tractats amb i sense medicament biològic. Només es encontradon diferències significatives pel que fa a la mortalitat segons els registres de la seguretat social entre pacients amb i sense medicament biològic. En aquest cas el Odds Ratio va ser de 2.52, sent 2.52 vegades més probable sobreviure si estàs en el grup sense medicament biològic. Aquests resultats han de ser interpretats amb cautela ja que l'estudi presenta certes limitacions, com que els grups de pacients obtinguts eren molt petits per a alguns casos i que els resultats no permeten establir causalitat. No s'han trobat estudis similars amb aquest o un altre tipus de dades. Tot i això, els registres electrònics de salut, es presenten com a importants font de dades que permetran complementar els altres tipus d'estudis ja existents (intervencionales i no intervencionales). És per això que el seu estudi està en contínua expansió des de fa una dècada.

En este trabajo se realiza un estudio sobre el desempeño de los algoritmos de machine learning aplicados a los problemas de supervivencia. Se parte de una base de datos (la base de datos Lake) con multitud de datos faltantes, obtenida del ensayo clínico con el mismo nombre y en el que se ensayan dos tratamientos antirretrovirales. La problemática de los datos faltantes es tremendamente común en los estudios longitudinales, entre los que se encuentran los ansayos clínicos. Además se realiza una comparación de la eficacia de dos tratamientos antirretrovirales ensayados. Para ello se realiza todo un primer procesamiento de los datos para prepararlos para un procedimiento de imputación múltiple, llevado a cabo utilizando la librería MICE. Una vez realizada esta imputación, sobre la base de datos imputada se aplicaron 3 algoritmos de machine learning (bosque aleatorio de supervivencia, máquina de soporte vectorial de supervivencia, y boosting). Con el fin de comparar su desempeño, y utilizando las predicciones de los algoritmos se calculó el índice C de Harrell. Finalmente, mediante el test de Wilcoxon para muestras pareadas, se comparó la eficacia de los tratamientos antirretrovirales ensayados. In this work, a study was carried out on the performance of machine learning algorithms applied to survival problems. The Lake database, obtained from a clinical trial named identically, was th chosen to carry on these protocol. In this clinical trial with antiretroviral treatments were tested. The problem of missing data is extremely common in longitudinal studies, wich include clinical trials. In addition, a comparison of the efficacy of the two antiretroviral treatments tested was made. Firstly, a data manegement process was carried out to prepare the data for a multiple imputation procedure, carried out using the MICE library. Once this imputation was made, 3 machine learning algorithms were applied to the imputed database (random survival forest, survival support vector machine, and boosting). In order to compare their performance, the predictions of the algorithms were used to calculate Harrell's C index. Finally, using the Wilcoxon test for paired samples, the efficacy of the antiretroviral treatments tested was compared. En aquest treball es realitza un estudi sobre l'acompliment dels algorismes de machine learning aplicats als problemes de supervivència. Es parteix d'una base de dades (la base de dades Lake) amb multitud de dades que manca, obtinguda de l'assaig clínic amb el mateix nom i en el qual s'assagen dos tractaments antiretrovirals. La problemàtica de les dades que manca és tremendament comuna en els estudis longitudinals, entre els quals es troben els ansayos clínics. A més es realitza una comparació de l'eficàcia de dos tractaments antiretrovirals assajats. Per a això es realitza tot un primer processament de les dades per a preparar-los per a un procediment d'imputació múltiple, dut a terme utilitzant la llibreria MICE. Una vegada realitzada aquesta imputació, sobre la base de dades imputada es van aplicar 3 algorismes de machine learning (bosc aleatori de supervivència, màquina de suport vectorial de supervivència, i boosting). Amb la finalitat de comparar el seu acompliment, i utilitzant les prediccions dels algorismes es va calcular l'índex C de Harrell. Finalment, mitjançant el test de Wilcoxon per a mostres apariades, es va comparar l'eficàcia dels tractaments antiretrovirals assajats.

El objetivo principal de este trabajo es el desarrollo de nuevos modelos de predicción de enfermedades relacionadas con la distribución de masa grasa, masa magra y tejido óseo en pacientes de VIH utilizando métodos de aprendizaje automático. Debido a la mejora en las terapias contra el VIH, los pacientes que padecen esta enfermedad tienen en muchos casos una esperanza de vida similar a la de una persona sana. Esto ha provocado un creciente interés en el tratamiento de patologías secundarias derivadas de este síndrome o su tratamiento. Algunas de las patologías secundarias más frecuentes en pacientes de VIH son las relacionadas con la distribución de ciertos tejidos, como la lipodistrofia, la sarcopenia o la osteoporosis y osteopenia. Para la realización del trabajo se ha comparado la eficiencia en la capacidad de predicción de estas enfermedades de un modelo tradicional de regresión logística frente a distintos modelos de aprendizaje automático. Los algoritmos utilizados son algunos de los más más usados en biomedicina: redes neuronales artificiales, support vector machines y random forest. Todos estos modelos se han implementado usando el lenguaje estadístico R. Los resultados obtenidos muestran que los modelos generados a partir estos modernos algoritmos son en la mayoría de los casos tan eficaces como el modelo clásico. En ciertas ocasiones es incluso posible conseguir resultados mejores utilizando modelos de aprendizaje automático. Esto abre interesantes posibilidades a la hora de mejorar la predicción de la aparición de estas patologías secundarias. L'objectiu principal d'aquest treball és el desenvolupament de nous models de predicció de malalties relacionades amb la distribució de massa grassa, massa magra i teixit ossi en pacients de VIH utilitzant mètodes d'aprenentatge automàtic. Causa de la millora en les teràpies contra el VIH, els pacients que pateixen aquesta malaltia tenen en molts casos una esperança de vida similar a la d'una persona sana. Això ha provocat un creixent interès en el tractament de patologies secundàries derivades d'aquesta síndrome o el seu tractament. Algunes de les patologies secundàries més freqüents en pacients de VIH són les relacionades amb la distribució de certs teixits, com la lipodistròfia, la sarcopènia o l'osteoporosi i osteopènia. Per a la realització del treball s'ha comparat l'eficiència en la capacitat de predicció d'aquestes malalties d'un model tradicional de regressió logística enfront de diferents models d'aprenentatge automàtic. Els algoritmes utilitzats són alguns dels més més usats en biomedicina: xarxes neuronals artificials, support vector machines i random forest. Tots aquests models s'han implementat usant el llenguatge estadístic R. Els resultats obtinguts mostren que els models generats a partir aquests moderns algoritmes són en la majoria dels casos tan eficaços com el model clàssic. En certes ocasions és fins i tot possible aconseguir resultats millors utilitzant models d'aprenentatge automàtic. Això obre interessants possibilitats a l'hora de millorar la predicció de l'aparició d'aquestes patologies secundàries. The objective of this work is the development of new prediction models for pathologies related to the distribution of fat mass, lean mass and bone tissue in HIV patients using machine learning methods. Due to the improvement in anti-HIV therapies, patients suffering from this disease have often a life expectancy similar to a healthy person. This fact has led to a growing interest in the treatment of secondary pathologies derived from this syndrome or its treatment. Some of the most frequent secondary pathologies in HIV patients are those related to the distribution of certain tissues, such as lipodystrophy, sarcopenia or osteoporosis and osteopenia. In this project the predictive efficiency of a traditional logistic regression model has been compared with different models created using machine learning. The algorithms used in this work are some of the most used in biomedicine: artificial neural networks, support vector machines and random forest. All of them have been implemented using the statistical language R. The results obtained show that the models generated with these modern algorithms are in most cases as effective as the classical regression model. Sometimes it is even possible to achieve better results using machine learning models. This work shows very promising possibilities in the prediction of the appearance of secondary pathologies in HIV patients using these novel techniques.

En este estudio el objetivo es evaluar las variables asociadas a la masa ósea, masa grasa y masa magra y su posible relación con la osteoporosis, lipodistrofia y sarcopenia en pacientes infectados por el VIH. Se utilizan técnicas de aprendizaje supervisado para obtener las relaciones entre las variables de interés en el estudio: técnicas de regresión y de clasificación. Se realiza un análisis longitudinal de datos desbalanceados a través de modelos lineales mixtos para modelar la relación entre los individuos y el tiempo de infección. El 65% de la población de hombres presenta osteoporosis. En las mujeres, el 60% presenta esta condición. El modelo de masa ósea para hombres explica el 33% de los datos y el de mujeres el 37 %. Este modelo considera como covariantes las variables de masa grasa y masa magra. El 96.5% de los hombres tiene la condición de lipodistrofia así como el 99.7% de las mujeres. El modelo de regresión explica el 97.5% de variabilidad tanto para hombres como para mujeres y considera como covariantes a las variables óseas y magras. El 11.8% de los hombres tiene sarcopenia según el criterio tomado para definirla. El 0.6% de las mujeres presenta esta condición. El modelo de regresión para el total de masa magra tiene una r2 de 0.98 para hombres y 0.99 para mujeres. Para estos modelos las covariantes son las variables óseas y grasas. Los resultados obtenidos en este trabajo en cuanto a los índices no difieren en gran medida de los obtenidos para otras poblaciones con VIH. Los porcentajes de individuos con osteoporosis son consistentes con los reportados por la literatura. Los valores de lipodistrofia obtenidos son muy altos. Los valores de sarcopenia resultan muy diferentes a los reportados por lo que deben ser revisados. A la luz de los resultados obtenidos se plantea la necesidad de implementar los análisis por edad, revisar puntos de corte y asociación de variables para eliminar problemas de colinealidad. The objective of this study is to evaluate the associated variables to the bone mass, fat mass and lean mass, and its possible relation with osteoporosis, lipodistrophy, and sarcopenia in patients infected with HIV. Supervised learning techniques are used to obtain the relationship between the variables of interest in the study: regression and classification techniques. A longitudinal analysis of unbalanced data is done through mixed linear models in order to model the relationship between individuals and the time or infection. The database includes 1,475 individuals some of which have more than one dexa. The database was divided in men and women in order to do the analysis separately. The variables density of total bone mass, total fat mass and total lean mass were considered as response variables. The criterion of the World Health Organization was taken to characterize the presence of osteoporosis through the T brand. The indexes of fat mass and lean mass were considered to evaluate the lipodistrophy and the sarcopenia. The 65% of men population presents osteoporosis. For women, 60% presents such condition. The model of bone mass for men explains the 33% of the data and for women the 37 %. The 96.5% of men has the lipodistrophy condition and 99.7% in women. The regression model explains the 97.5% of the data for both men and women. The 11.8% of men has sarcopenia according to the defined criteria. The 0.6% of women presents this condition. The regression model for the total lean mass has an r2 of 0.98 for men and 0.99 for women. The bone classification model, based on the knn method, has an accuracy of 60% for men and 62% for women. The corresponding model for lipodistrophy shows an accuracy of 96% for men and 100% for women. In the case of lean mass, we got an accuracy of 0.92 for men and 1 for women. Regarding the longitudinal model, the decrease in bone mass with time is observed as a general trend, specially in those observations with more than two dexas, for both men and women. The results obtained in this study in terms of the indices, do not differ greatly from those obtained for other populations with HIV. The percentages of individuals with osteoporosis are consistent with those reported by the literature. The lipodistrophy values obtained are very high, perhaps due to the cutoff points used. The sarcopenia values are very different from those reported, so they should be reviewed. Considering the result obtained it is necessary to perform analysis by age, review cutoff points and association of variables to eliminate collinearity problems. L'objectiu d'aquest estudi és avaluar les variables associades a la massa òssia, massa grassa i massa magra i la seva possible relació amb l'osteoporosi, lipodistròfia i sarcopènia en pacients infectats pel VIH. S'utilitzen tècniques d'aprenentatge supervisat per obtenir les relacions entre les variables d'interès en l'estudi: tècniques de regressió i de classificació. Es realitza una anàlisi longitudinal de dades desbalanceados a través de models lineals mixtos per modelar la relació entre els individus i el temps d'infecció. El 65% de la població d'homes presenta osteoporosi. En les dones, el 60% presenta aquesta condició. El model de massa òssia per a homes explica el 33% de les dades i el de dones el 37%. Aquest model considera com covariants les variables de massa grassa i massa magra. El 96.5% dels homes té la condició de lipodistròfia així com el 99.7% de les dones. El model de regressió explica el 97.5% de variabilitat tant per a homes com per a dones i considera com covariants a les variables òssies i magres. El 11.8% dels homes té sarcopènia segons el criteri pres per definir-la. El 0.6% de les dones presenta aquesta condició. El model de regressió per al total de massa magra té una r2 de 0.98 per a homes i 0.99 per a dones. Per a aquests models les covariants són les variables òssies i greixos. Els resultats obtinguts en aquest treball pel que fa als índexs no difereixen en gran mesura dels obtinguts per altres poblacions amb VIH. Els percentatges d'individus amb osteoporosi són consistents amb els reportats per la literatura. Els valors de lipodistròfia obtinguts són molt alts. Els valors de sarcopènia resulten molt diferents als reportats per la qual cosa s'han de revisar. A la llum dels resultats obtinguts es planteja la necessitat d'implementar les anàlisis per edat, revisar punts de tall i associació de variables per eliminar problemes de colinealitat.

En este trabajo, se analiza y estudia la problemática que pueden generar los datos faltantes ("missing data"): un problema recurrente en bases de datos de estudios longitudinales, sobre las cuales se realiza un análisis estadístico metódico. Asimismo, se evalúan y caracterizan los distintos mecanismos por los cuales se producen estos datos faltantes, los cuales desembocan en diferentes patrones de ausencia. Además, se determinan los métodos disponibles para analizar estos datos en presencia de estos datos ausentes y las bondades y limitaciones de estos métodos. Finalmente, se aborda un análisis de datos para ejemplificar la aplicación de los métodos estudiados. En aquest treball, s'analitza i estudia la problemàtica que poden generar les dades restants ("missing data"): un problema recurrent en bases de dades d'estudis longitudinals, sobre les quals es realitza una anàlisi estadística metòdica. Així mateix, s'avaluen i caracteritzen els diferents mecanismes pels quals es produeixen aquestes dades restants, els quals desemboquen en diferents patrons d'absència. A més, es determinen els mètodes disponibles per analitzar aquestes dades en presència d'aquestes dades absents i les bondats i limitacions d'aquests mètodes. Finalment, s'aborda una anàlisi de dades per exemplificar l'aplicació dels mètodes estudiats. In this paper, the missing data problem is studied and analysed: this is a returning problem in data bases and data sets from longitudinal studies, where methodical statistical analysis are to be performed. Furthermore, different mechanisms, arousing from this missing data problem, which result in different missing patterns, are evaluated and characterized. Also, several available methods in order to analyze these data, where absent data are present, are determined to define the goodness and limits of these methods. Finally, a data analysis is executed, in order to illustrate the application of these researched methods.

Muchas variables en estudios epidemiológicos corresponden a medidas continuas obtenidas mediante aparatos de medición con determinados límites de detección, produciendo distribuciones censuradas. La censura, a diferencia del truncamiento, se produce por un defecto de los datos de la muestra. La distribución de una variable censurada es una mezcla entre una distribución continua y otra discreta. En este caso, no es adecuado utilizar el modelo de regresión lineal estimado para mínimos cuadrados ordinarios, ya que proporciona estimaciones sesgadas. Many variables in epidemiological studies are continuous measures obtained by means of measurement equipments with detection limits, generating censored distributions. The censorship, opposite to the trucation, takes place for a defect of the data of the sample. The distribution of a censored variable is a mixture between a continuous and a categorical distributions. In this case, results from lineal regression models, by means of ordinary least squares, will provide biased estimates. Moltes variables en estudis epidemiològics corresponen a mesures contínues obtingudes mitjançant aparells de mesurament amb determinats límits de detecció, produint distribucions censurades. La censura, a diferència del truncament, es produeix per un defecte de les dades de la mostra. La distribució d'una variable censurada és una mescla entre una distribució contínua i una altra discreta. En aquest cas, no és adequat utilitzar el model de regressió lineal estimat per a mínims quadrats ordinaris, ja que proporciona estimacions esbiaixades.

Se propone un proyecto consistente en la gestión y análisis de una base de datos correspondiente al Registro de Seguridad SORASE, llevado a cabo por el Grupo Internacional Ferrer, S.A., iniciado en 2013 en México, por tratarse de un registro de tipo longitudinal de una cohorte de pacientes tratada con un fármaco combinado (polypill), para la prevención secundaria de eventos cardiovasculares, siendo necesaria una correcta gestión de los datos faltantes existentes. Es proposa un projecte consistent en la gestió i anàlisi d'una base de dades corresponent al Registre de Seguretat SORASE, dut a terme pel Grup Internacional Ferrer, S. a., iniciat en 2013 a Mèxic, per tractar-se d'un registre de tipus longitudinal d'una cohorte de pacients tractada amb un fàrmac combinat (polypill), per a la prevenció secundària d'esdeveniments cardiovasculars, sent necessària una correcta gestió de les dades faltantes existents. It is proposed a project consisting of the management and analysis of a database corresponding to the SORASE Safety Registry, carried out by the International Ferrer Group, SA, started in 2013 in Mexico, since it is a longitudinal type registry of a cohort Of patients treated with a combined drug (polypill), for the secondary prevention of cardiovascular events, being necessary a correct management of the existing missing data.

La pérdida de datos es un fenómeno que siempre va a estar presente y está demostrado que una pérdida de datos puede conllevar unos resultados erróneos. Aunque en las grandes investigaciones este punto suele estar controlado para así evitar una pérdida innecesaria de tiempo y dinero, en las que se realizan más a pequeña escala no se suele contemplar. Creemos pues conveniente realizar una pequeña demostración de la importancia que tienen los datos perdidos en nuestras investigaciones y las posibles consecuencias que pueden darse al no tenerlos en cuenta. missing data will always be present and it is demonstrated that this may bias the results obtained. This situation is usually under control in large and well structured clinical research in order to avoid loss of time and money, but in a small scale, this situation is not usually contemplated. For this reason, a demonstration of the importance of dealing with missing data is mandatory. La pèrdua de dades és un fenomen que sempre va a estar present i està demostrat que una pèrdua de dades pot comportar uns resultats erronis. Encara que en les grans recerques aquest punt sol estar controlat per a així evitar una pèrdua innecessària de temps i diners, en les quals es realitzen més a petita escala no se sol contemplar. Creiem doncs convenient realitzar una xicoteta demostració de la importància que tenen les dades perdudes en les nostres recerques i les possibles conseqüències que poden donar-se al no tenir-los en compte.