Application of latent variable models to autoimmune diseases clinimetry

Abstract

Abstract: Clinical manifestations of autoimmune diseases often are presented as presence or absence of certain symptoms, which in the clinical context can be associated with disease severity. Classical measures like number of symptoms present have been used to assess the severity of disease, nevertheless this score does not reflect particular aspects of each symptom in the severity manifestation. In this setting latent variable models are a natural choice to address the problem of characterize the disease severity in function of the presence or absence of symptoms in a given patient. On the other hand, we seek associations of this latent trait (i.e severity) with other clinical and demographical information, in order to identify risk factors which can be used in the future for personalized diagnostic and treatment. Having this in mind we investigate extension to the 2pl IRT models, as proposed by Ogasawara (1995), where the individuals latent trait can be modeled by person covariates, and as result of our research, we propose a novel Bayesian algorithm based on working variables for the classical 1pl, 2pl an the extended models involving subject level covariates. This novel algorithm is based on the works of Gamerman (1997), Cepeda-Cuervo (2001), Cepeda-Cuervo and Achcar (2010) and Gutierrez (2015)

Varias manifestaciones clínicas de las enfermedades autoinmunes se presentan en forma de presencia o ausencia de ciertos síntomas que en el contexto clínico se asocian a la severidad de la enfermedad en el paciente. Enfoques clásicos como el número de síntomas presentes en un paciente se han intentado relacionar con el estado de la severidad de la enfermedad, sin embargo, desde la práctica clínica este score no refleja de manera adecuada la severidad asociada a cada síntoma individualmente. En este contexto los modelos de variables latentes surgen como un metodología natural para modelar la severidad de la enfermedad en función de la presencia o ausencia de diferentes síntomas en un paciente. Por otra parte, se desea asociar este trazo latente de severidad de la enfermedad con otras variables clínicas y demográficas de interés, con el fin de identificar factores de riesgo que pueden ser usados en el futuro para un diagnóstico y tratamiento diferenciales. Motivados por este problema practico, investigamos la extensión propuesta por Ogasawara (1995) para los modelos 2pl de TRI, en donde el trazo latente puede ser modelado con covariables asociadas a los individuos y como resultado de nuestra investigación hemos propuesto un nuevo algoritmo de estimación Bayesiana basado en variables de trabajo para los modelos 1pl, 2pl y sus extensiones que involucran covariables a nivel de los individuos. Este nuevo algoritmo está basado en los trabajos de Gamerman (1997), Cepeda-Cuervo (2001), Cepeda-Cuervo and Achcar (2010) y Gutiérrez (2015)