
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
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