Página principal > Análisis espacial de riesgos de mortalidad por cáncer de próstata con INLA > premis
Universidad de Zaragoza Custodiado por la Biblioteca de la Universidad de Zaragoza Premis-plugin for CDSInvenio, developed by Miguel Martín Miguel Martín González
oai:zaguan.unizar.es:8880 2017-08-31
spa Navarro Esteban, Paula Ugarte Martínez, María Dolores Análisis espacial de riesgos de mortalidad por cáncer de próstata con INLA https://zaguan.unizar.es/record/8880/files/TAZ-TFM-2012-736.pdf La estimación de riesgos de mortalidad es trascendental en salud pública. Las desigualdades en salud existentes en las distintas provincias españolas en cuanto a los riesgos de mortalidad e incidencia de enfermedades es un problema social conocido. Por ello, es muy importante detectar provincias que manifiesten riesgos extremos ya que hoy en día, existe evidencia suficiente que demuestra que las desigualdades en salud son evitables, ya que pueden reducirse mediante políticas públicas sanitarias y sociales y planes de salud adecuados. La principal finalidad de este trabajo es estimar riesgos de mortalidad por cáncer de próstata en las provincias españolas mediante modelos de suavizado en dos periodos distintos: 1975-1991 y 1992-2008, y detectar a su vez, provincias cuyo riesgo de morir por cáncer de próstata es mayor que el riesgo global de España. Los riesgos de mortalidad estimados se representan en forma de mapas que muestran el patrón geográfico de mortalidad de una determinada enfermedad. Cuando se estudian enfermedades raras (es decir, con pocos casos) o se tienen regiones poco pobladas, las medidas clásicas de estimación de riesgos, como la conocida razón de mortalidad estandarizada –RME-, adolecen de algunos problemas. En particular, la RME es muy variable lo que hace que las estimaciones sean poco fiables. Por ello, hay que emplear métodos de suavizado. En este trabajo se utiliza el modelo de Besag, York y Mollié para suavizar riesgos. Se trata de un modelo condicional autorregresivo que incorpora dependencia espacial. El modelo se estima desde una perspectiva completamente Bayesiana y para su estimación se considera el método INLA que, en inglés, se denomina “Integrated Nested Laplace Approximation”. Este novedoso método es una alternativa computacionalmente más rápida que los métodos MCMC (en inglés “Markov Chain Monte Carlo”). 2014-11-27 8880 20170831220415.0 TAZ-TFM-2012-736 spa Navarro Esteban, Paula Análisis espacial de riesgos de mortalidad por cáncer de próstata con INLA Zaragoza Universidad de Zaragoza 2012 by-nc-sa Creative Commons 3.0 http://creativecommons.org/licenses/by-nc-sa/3.0/ La estimación de riesgos de mortalidad es trascendental en salud pública. Las desigualdades en salud existentes en las distintas provincias españolas en cuanto a los riesgos de mortalidad e incidencia de enfermedades es un problema social conocido. Por ello, es muy importante detectar provincias que manifiesten riesgos extremos ya que hoy en día, existe evidencia suficiente que demuestra que las desigualdades en salud son evitables, ya que pueden reducirse mediante políticas públicas sanitarias y sociales y planes de salud adecuados. La principal finalidad de este trabajo es estimar riesgos de mortalidad por cáncer de próstata en las provincias españolas mediante modelos de suavizado en dos periodos distintos: 1975-1991 y 1992-2008, y detectar a su vez, provincias cuyo riesgo de morir por cáncer de próstata es mayor que el riesgo global de España. Los riesgos de mortalidad estimados se representan en forma de mapas que muestran el patrón geográfico de mortalidad de una determinada enfermedad. Cuando se estudian enfermedades raras (es decir, con pocos casos) o se tienen regiones poco pobladas, las medidas clásicas de estimación de riesgos, como la conocida razón de mortalidad estandarizada –RME-, adolecen de algunos problemas. En particular, la RME es muy variable lo que hace que las estimaciones sean poco fiables. Por ello, hay que emplear métodos de suavizado. En este trabajo se utiliza el modelo de Besag, York y Mollié para suavizar riesgos. Se trata de un modelo condicional autorregresivo que incorpora dependencia espacial. El modelo se estima desde una perspectiva completamente Bayesiana y para su estimación se considera el método INLA que, en inglés, se denomina “Integrated Nested Laplace Approximation”. Este novedoso método es una alternativa computacionalmente más rápida que los métodos MCMC (en inglés “Markov Chain Monte Carlo”). Máster Universitario en Modelización Matemática, Estadística y Computación Derechos regulados por licencia Creative Commons suavización de riesgos Ugarte Martínez, María Dolores dir. Universidad de Zaragoza Matemática Aplicada Matemática Aplicada Lacruz, Beatriz ponente 568465@celes.unizar.es 2153102 https://zaguan.unizar.es/record/8880/files/TAZ-TFM-2012-736.pdf Memoria (spa) oai:zaguan.unizar.es:8880 trabajos-fin-master driver TAZ TFM CIEN URI https://zaguan.unizar.es/record/8880 SUPPORTED 0 MD5 https://zaguan.unizar.es/record/8880/files/TAZ-TFM-2012-736.md5 0 image/x.djvu 6 http://djvu.sourceforge.net/abstract.html DJVU/6 Profile information Lizardtech Document Express Enterprise 5.1 0 URI https://zaguan.unizar.es/record/8880/files/TAZ-TFM-2012-736.pdf disk Minimum View Print Visualization of DJVU requires specific software, like DjVu Browser Plugin URI http://creativecommons.org/licenses/by-nc/3.0 URI http://creativecommons.org/licenses/by-nc/3.0 license URI http://creativecommons.org/licenses/by-nc/3.0 You are free to adapt, copy, transmite or distribute the work under the following conditions: (1) You must attribute the work in the manner specified by the author or licensor (but not in any way that suggests that they endorse you or your use of the work). (2) You may not use this work for commercial purposes (3) For any reuse or distribution, you must make clear to others the license terms of this work (4) Any of the above conditions can be waived if you get permission from the copyright holder (5) Nothing in this license impairs or restricts the author's moral rights This object is licensed under Creative Common Attribution-NonCommercial 3.0 (further details: http://creativecommons.org/licenses/by-nc/3.0/). Universidad de Zaragoza Automatizacion de Bibliotecas Edif. Matematicas, Pedro Cerbuna 12, 50009 Zaragoza auto.buz@unizar.es