Dottorato in SCUOLA DI SCIENZE STATISTICHE

Titolo della tesi: Flexible methods for survival data: synthetic patients, imputation and prediction in mixture cure models

L’analisi della sopravvivenza è fondamentale nella ricerca medica, perché permette di valutare gli effetti dei trattamenti, la progressione della malattia e gli esiti clinici dei pazienti. Tuttavia, con l’aumento della complessità e dell’ampiezza degli studi biomedici moderni, i dati di sopravvivenza presentano diverse sfide metodologiche, come problemi di riproducibilità, informazioni mancanti e una crescente domanda di prognosi personalizzate. Questa tesi propone un quadro metodologico integrato per affrontare tali sfide, introducendo contributi innovativi nella generazione di dati sintetici, nell’imputazione dei dati mancanti e nella predizione dinamica nei modelli di cura. Il primo contributo riguarda la riproducibilità e la condivisione dei dati, proponendo un approccio flessibile per generare dati di sopravvivenza sintetici che conservino le principali caratteristiche dei dati originali, garantendo al contempo la riservatezza dei pazienti. L’approccio proposto permette di riprodurre strutture di dipendenza complesse tra covariate e tempi all’evento, favorendo una ricerca trasparente e rispettosa della privacy, sia in ambito metodologico sia applicativo. Il secondo contributo affronta il problema dei dati mancanti nei modelli di cura, che distinguono tra sopravvivenza e progressione della malattia negli individui guariti e non guariti. Viene sviluppata una strategia di imputazione multipla adattata alla struttura dei modelli mistura, in grado di assicurare stime valide anche quando alcune covariate sono incomplete. Questo approccio migliora la capacità di distinguere tra effetti curativi ed effetti di prolungamento della vita, una distinzione di cruciale importanza in molte applicazioni cliniche. Infine, il terzo contributo riguarda la predizione dinamica in presenza di una frazione di individui guariti. Viene proposto un approccio di modellazione che integra informazioni longitudinali nei modelli di cura, consentendo di aggiornare nel tempo le previsioni individuali di sopravvivenza in base all’evoluzione del profilo del paziente. Studi di simulazione e applicazioni a dati reali mostrano che il metodo proposto migliora le prestazioni predittive rispetto agli approcci esistenti.