E002 – Biostatistics

Objectives and lines of research

Objetivos

OBJETIVO GENERAL: Desarrollar investigación de excelencia con aplicación en las Ciencias de la Vida, ofreciendo soluciones bioestadísticas a problemas biomédicos reales con alto impacto socio-económico, en un entorno interdisciplinar, internacional e intersectorial.
OBJETIVOS ESPECÍFICOS:
– Desarrollar metodologías (bio)estadísticas y computacionales de vanguardia, por parte de equipos multidisciplinares, que den respuesta a problemas biomédicos reales de alto impacto social, y extenderlas a otros ámbitos relacionados con la salud.
– Trasladar al ámbito científico, empresarial y a la sociedad en general los resultados de investigación generados por el grupo.
– Facilitar el desarrollo profesional de futuros bioestadísticos o Data Scientists.
– Desarrollar proyectos con empresas y lograr una coordinación del conocimiento con otros organismos de investigación.
– Conformar una estructura funcional y eficaz, que fortalezca las colaboraciones y conexiones internacionales.

Líneas de investigación

A) Desarrollo de nuevas metodologías estadísticas flexibles.
– Modelos de regresión distribucional de localización, escala y forma. Extensión a respuestas multivariantes (“ Joint Modelling”).
– Curvas ROC de diagnóstico clínico. Selección de puntos de corte óptimos.
– Análisis de supervivencia. Modelos multiestado. Riesgos competitivos. Modelización conjunta (“ Joint Modelling”) de datos longitudinales y supervivencia.
– Análisis de datos funcionales.
– Estadística espacio-temporal (incluyendo “disease mapping”).
– Modelos de predicción clínica.
– Técnicas de inferencia asintótica y mediante “bootstrap”.

B) Desarrollo y adaptación de metodologías estadísticas en Biomedicina, incluyendo la medicina personalizada.

C) Desarrollo de técnicas computacionales y software estadístico.
c.1) Técnicas de aceleración computacional.
c.2) Desarrollo de software estadístico amistoso en R y Python.

D) Extensión de las metodologías a otros campos: Biología y Medio Ambiente.

 

Research team
Líder
Cadarso Suárez, Carmen María

 

Investigador (establecido o asociado)
Lustres Pérez, Vicente

Predoctarales
Cao Ríos, Ana

 

Personal técnico de apoyo
Arias López, Juan
Bouzas Lorenzo, Ana
Díaz Louzao, Carla
Lado Baleato, Óscar
Rial Ameijeiras, Berta
Projects

Publications
  • Gude-Sampedro F, Fernández-Merino C, Ferreiro L, Lado-Baleato Ó, Espasandín-Domínguez J, Hervada X, Cadarso CM, Valdés L. Development and validation of a prognostic model based on comorbidities to predict COVID-19 severity: a population-based study. Int J Epidemiol. 2021 Mar 3;50(1):64-74. doi: 10.1093/ije/dyaa209
  • Lado-Baleato Ó, Roca-Pardiñas J, Cadarso-Suárez C, Gude F. Modeling conditional reference regions: Application to glycemic markers. Stat Med. 2021 Nov 20;40(26):5926-5946. doi: 10.1002/sim.9163.
  • Mikkelsen N, Cadarso-Suárez C, Lado-Baleato O, Díaz-Louzao C, Gil CP, Reeh J, Rasmusen H, Prescott E. Improvement in VO2peak predicts readmissions for cardiovascular disease and mortality in patients undergoing cardiac rehabilitation. Eur J Prev Cardiol. 2020 May;27(8):811-819. doi: 10.1177/2047487319887835
  • Espasandín-Domínguez J, Cadarso-Suárez C, Kneib T, Marra G, Klein N, Radice R, Lado-Baleato O, González-Quintela A, Gude F. Assessing the relationship between markers of glycemic control through flexible copula regression models. Stat Med. 2019 Nov 30;38(27):5161-5181. doi3Cspan class=”identifier doi”>: 10.1002/sim.8358
  • Ríos-Pena L; Kneib T; Cadarso-Suárez C, Klein N, Marey-Pérez M. Studying the occurrence and burnt area of wildfires using zero-one-inflated structured additive beta regression. Environmental Modelling & Software, 2018, Volume 110, Pages 107-118. doi: 10.1016/j.envsoft.2018.03.008
  • Rodríguez-Álvarez MX, Roca-Pardiñas J, Cadarso-Suárez C, Tahoces PG. Bootstrap-based procedures for inference in nonparametric receiver-operating characteristic curve regression analysis. Stat Methods Med Res. 2018, Mar; 27(3):740-764. doi: 10.1177/0962280217742542
  • Ríos-Pena, L; Kneib, T.; Cadarso-Suárez, C.; Marey-Pérez M. Predicting the occurrence of wildfires with binary structured additive regression models. Journal of Environmental Management, 2017, 187: 154-165.  doi: 10.1016/j.jenvman.2016.11.044
  • Lopez-Raton M., Molanes-Lopez EM., Leton E., Cadarso-Suarez, C. GsymPoint: An R Package to Estimate the Generalized Symmetry Point, an Optimal Cut-off Point for Binary Classification in Continuous Diagnostic Tests. R Journal. 2017, Vol. 9 Issue 1, p262-283. 22p. doi: 10.32614/RJ-2017-015
Group web