Applications of nonparametric frailty models for the analysis of long term survival in heart failure patients

Heart Failure (HF) is one of most common disease in our society and one of the most important cause of hospitalisation in people over 65. When dealing with patients affected by chronic disease (like HF), the matter of predicting readmissions is a real challenge for hospitals. Finding which patients features determine a higher incidence of readmission can help to improve therapies and to target interventions. Thanks to the large amount of data collected by Trieste hospital, we will try to understand which factors affect the admission to hospital, discharge from hospital and death of HF patients, through the implementation of multi- state models. Secondly, thanks to the data collected by Friuli Venezia Giulia hospitals, we will analyze the homogeneity of the hospital treatment in the different residence districts. In order to do this, we will apply a nonparametric and discrete frailty Cox model that, thanks to the discrete distributed frailty, allow us to detect if a possible clustering structure can be found among the residence districts. Moreover, we will analyze the homogeneity of the regional cohort and we will evaluate, through the k-means algorithm, the presence of a clustering structure. Once identified the clusters we will analyze them in order to find the features that best characterize them.

Lo scompenso cardiaco è una delle malattie più comuni nella nostra società e una delle più importanti cause di ospedalizzazione nelle persone sopra i 65 anni. Quando si ha a che fare con pazienti affetti da malattie croniche (come lo scompenso cardiaco), prevedere le riammissioni è una vera sfida per gli ospedali. Trovare quali caratteristiche dei pazienti determinano una maggiore probabilità di riammissione può, infatti, aiutare a migliorare le terapie e indirizzare gli interventi. Grazie alla grande quantità di dati raccolti dall’ospedale di Trieste, cercheremo di capire quali fattori influenzano l’ammissione in ospedale, la dimissione dall’ospedale e la morte dei pazienti con scompenso cardiaco, attraverso l’implementazione di modelli multi-stato. Successivamente, grazie ai dati raccolti dagli ospedali del Friuli Venezia Giulia, analizzeremo l’omogeneità del trattamento ospedaliero nei diversi distretti di residenza. Per fare ciò implementeremo un modello di tipo Cox con frailty non parametrica e discreta, che consentirà di capire se è possibile trovare una struttura di clustering tra i distretti di residenza. Inoltre, analizzeremo l’omogeneità della coorte regionale e valuteremo, attraverso l’algoritmo k-means, l’esistenza di una struttura di clustering. Una volta identificati i cluster, li analizzeremo per trovare gli aspetti che meglio li caratterizzano.