E002 – Bioestatística

Obxectivos e liñas de investigación

Obxectivos

OBXECTIVO XERAL: Desenvolver investigación de excelencia con aplicación nas Ciencias da Vida, ofrecendo solucións bioestatísticas a problemas biomédicos reais con alto impacto socio-económico, nun contorno interdisciplinar, internacional e intersectorial.
OBXECTIVOS ESPECÍFICOS:
– Desenvolver metodoloxías (bio)estatísticas e computacionais de vangarda, por parte de equipos multidisciplinares, que den resposta a problemas biomédicos reais de alto impacto social, e extendelas a outros ámbitos relacionados coa saúde.
– Trasladar ó ámbito científico, empresarial e á sociedade en xeral os resultados de investigación xerados polo grupo.
– Facilitar o desenvolvemento profesional de futuros bioestatísticos o Data Scientists.
– Desenvolver proxectos con empresas e lograr unha coordinación do coñecemento con outros organismos de investigación.
– Conformar unha estrutura funcional e eficaz, que fortaleza as colaboracións e conexións internacionais.

Liñas de investigación

A) Desenvolvemento de novas metodoloxías estatísticas flexibles.

– Modelos de regresión distribucional de localización, escala e forma. Extensión a respostas multivariantes (“ Joint Modelling”).
– Curvas ROC de diagnóstico clínico. Selección de puntos de corte óptimos.
– Análises de supervivencia. Modelos multiestado. Riscos competitivos. Modelización conxunta (“ Joint Modelling”) de datos lonxitudinais e supervivencia.
– Análises de datos funcionais.
– Estatística espazo-temporal (incluyendo “disease mapping”).
– Modelos de predicción clínica.
– Técnicas de inferencia asintótica e mediante “bootstrap”.

B) Desenvolvemento e adaptación de metodoloxías estatísticas en Biomedicina, incluíndo a medicina personalizada.

C) Desenvolvemento de técnicas computacionais e software estatístico.
c.1) Técnicas de aceleración computacional.
c.2) Desenvolvemento de software estatístico amistoso en R e Python.

D) Extensión das metodoloxías a outros campos: Bioloxía e Medio Ambiente.

Equipo investigador
Líder
Cadarso Suárez, Carmen María

 

Persoal Investigador (establecido ou asociado)
Lustres Pérez, Vicente

Predoutorais
Cao Ríos, Ana

 

Persoal técnico de apoio
Arias López, Juan
Bouzas Lorenzo, Ana
Díaz Louzao, Carla
Lado Baleato, Óscar
Rial Ameijeiras, Berta
Proxectos

Publicacións
  • 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
Web do grupo

Investigadora líder