SciELO - Scientific Electronic Library Online

 
vol.41 issue2Artificial Neuronal Networks: A Bayesian Approach Using Parallel ComputingKernel Function in Local Linear Peters-Belson Regression author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google

Share


Revista Colombiana de Estadística

Print version ISSN 0120-1751

Abstract

DIAZ, Francisco J.. Construcción de la matriz de diseño en modelos lineales de efectos mixtos generalizados en un contexto de ensayos clínicos de secuencias de tratamientos. Rev.Colomb.Estad. [online]. 2018, vol.41, n.2, pp.191-233. ISSN 0120-1751.  https://doi.org/10.15446/rce.v41n2.63332.

La estimación de los efectos de arrastre es un problema difícil en el diseño y análisis de ensayos clínicos de secuencias de tratamientos, incluyendo ensayos cruzados. Excepto por diseños simples, estos efectos son usualmente no identificables y, por lo tanto, no estimables. La imposición de restricciones a los parámetros es a menudo no justificada y produce diferentes estimativos de los efectos de arrastre dependiendo de la restricción impuesta. Las inversas generalizadas o el balance de tratamientos a menudo permiten estimar los efectos principales de tratamiento, pero no resuelven el problema de estimar la contribución de los efectos de arrastre de una sequencia de tratamiento. Además, los períodos de lavado no siempre son factibles o éticos. Los diseños con parámetros no identificables comúnmente tienen matrices de diseño que no son de rango completo. Por lo tanto, proponemos métodos para la construcción de matrices de rango completo, sin imponer restricciones artificiales en los efectos de arrastre. Nuestros métodos son aplicables en un contexto de modelos lineales mixtos generalizados. Presentamos un nuevo modelo para el diseño y análisis de ensayos clínicos de secuencias de tratamientos, llamado Sistema Anticrónico, e introducimos secuencias de tratamiento especiales llamadas Secuencias de Salto. Demostramos que los efectos de arrastre son identificables sólo si se usan Secuencias de Salto apropiadas. Explicamos como implementar en la práctica estas secuencias, y presentamos un método para calcular las secuencias apropiadas. Presentamos aplicaciones al diseño de un estudio cruzado con 3 tratamientos y 3 períodos, y al análisis del estudio STAR*D de secuencias de tratamientos para la depresión.

Keywords : Cuasi-verosimilitud; diseño cruzado; efectos de arrastre; estimabilidad; estimadores robustos de efectos fijos; identificabilidad; inversas generalizadas; matriz de diseño; máxima verosimilitud; mínimos cuadrados generalizados; modelos lineales de efectos aleatorios; placebo.

        · abstract in English     · text in English     · English ( pdf )