Predicción del reintento de suicidio: Random survival forest versus regresión de Cox
Date
2020-10Author
Chiapella, Luciana C.
Grendas, Leandro
Daray, Federico
Metadata
Show full item recordAbstract
En Psiquiatría, resulta de interés poder predecir un reintento de suicidio en pacientes asistidos por conducta suicida, de acuerdo a sus características sociodemográficas y clínicas. El objetivo de este trabajo es comparar la capacidad discriminante y predictiva de cuatro estrategias para el ajuste de los datos: regresión de Cox con todas las covariables (CoxComp), regresión de Cox mediante eliminación hacia atrás (CoxBack), Random Survival Forest (RSF) con todas las covariables (RSFComp) y RSF con eliminación de las variables cuya importancia en RSFComp resulta negativa (RSFElim). Los datos corresponden a una cohorte de pacientes con conducta suicida seguidos por dos años. Estos se dividieron en una base de entrenamiento y otra de prueba. Sobre la base de entrenamiento, se ajustaron los modelos propuestos y, con ellos, se estimó la probabilidad de supervivencia a dos años para los datos de prueba. Se midió la capacidad discriminante de los modelos en términos de sensibilidad, especificidad y precisión para predecir el reintento de suicidio y se calculó el área bajo la curva ROC (AUC) y el score integrado de Brier (IBS) a fin de evaluar el rendimiento de predicción general. Este proceso se repitió 500 veces, y los valores obtenidos en cada iteración se registraron para su análisis posterior.
En cuanto a la predicción de reintento de suicidio a dos años, RSFElim presentó los mejores resultados respecto a AUC, especificidad y precisión, siendo CoxComp y CoxBack quienes presentaron mejores resultados para sensibilidad. RSFComp mostró los resultados más desfavorables en las medidas calculadas, salvo para especificidad. Respecto al IBS, RSFElim mostró los mejores resultados y CoxComp, los más desfavorables. Si bien RSFComp y CoxBack presentaron valores similares de la mediana de IBS, CoxBack mostró mayor variabilidad. De acuerdo a estos resultados, RSFElim fue considerado el método con mejor capacidad predictiva para este conjunto de datos.
Collections
The following license files are associated with this item: