Neste trabalho são apresentadas algumas extensões de modelos de sobrevivência com fração de cura, assumindo o contexto em que as observações estão agrupadas. Dois efeitos aleatórios são incorporados para cada grupo: um para explicar o efeito no tempo de sobrevida das observações suscetíveis e outro para explicar a probabilidade de cura. Apresenta-se uma abordagem clássica através dos estimadores REML e uma abordagem bayesiana através do uso de processos de Dirichlet. Discute-se alguns estudos de simulação em que avalia-se o desempenho dos estimadores propostos, além de comparar as duas abordagens. Finalmente, ilustram-se os resultados com dados reais. / In this work some extensions in survival models with cure fraction are presented, assuming the context in which the observations are grouped into clusters. Two random effects are incorporated for each group: one to explain the effect on survival time of susceptible observations and another to explain the probability of cure. A classical approach through the REML estimators is presented as well as a bayesian approach through Dirichlet Process. Besides comparing both approaches, some simulation studies which evaluates the performance of the proposed estimators are discussed. Finally, the results are illustrated with a real database.

Neste trabalho são apresentadas algumas extensões de modelos de sobrevivência com fração de cura, assumindo o contexto em que as observações estão agrupadas. Dois efeitos aleatórios são incorporados para cada grupo: um para explicar o efeito no tempo de sobrevida das observações suscetíveis e outro para explicar a probabilidade de cura. Apresenta-se uma abordagem clássica através dos estimadores REML e uma abordagem bayesiana através do uso de processos de Dirichlet. Discute-se alguns estudos de simulação em que avalia-se o desempenho dos estimadores propostos, além de comparar as duas abordagens. Finalmente, ilustram-se os resultados com dados reais. / In this work some extensions in survival models with cure fraction are presented, assuming the context in which the observations are grouped into clusters. Two random effects are incorporated for each group: one to explain the effect on survival time of susceptible observations and another to explain the probability of cure. A classical approach through the REML estimators is presented as well as a bayesian approach through Dirichlet Process. Besides comparing both approaches, some simulation studies which evaluates the performance of the proposed estimators are discussed. Finally, the results are illustrated with a real database.

Esse trabalho contribui com o desenvolvimento de um novo modelo para dados de sobrevivência com sobreviventes de longo termo visando uma formulação e interpretação mais realista do que a apresentada pelos modelos com fração de curados usuais. Motivados pelo estudo do tempo de sobrevivência residual para pacientes oncológicos, o modelo usa o processo de nascimento e morte para permitir a variação do número de fatores de risco latentes durante um período precedente ao acompanhamento médico, considerando, então, um cenário de riscos competitivos para obtenção da função da sobrevivência (imprópria) dos pacientes. Simulações a aplicações à dados do Instituto do Câncer do Estado de São Paulo mostraram vantagens sobre o modelo de tempos de promoção. / This work contributes with a new cure rate survival model developed aiming more realistic formulation and interpretations than the usual long-term survival models. Motivated by studying residual survival times in oncological patients, the model uses birth and death process to allow free variation on the number of latent risk factors during a pre-follow up period, then considers competing risks scenario for accessing the patients survival. Simulations and application to Instituto do Câncer do Estado de São Paulo data showed improvement over the promotion time model.

Esse trabalho contribui com o desenvolvimento de um novo modelo para dados de sobrevivência com sobreviventes de longo termo visando uma formulação e interpretação mais realista do que a apresentada pelos modelos com fração de curados usuais. Motivados pelo estudo do tempo de sobrevivência residual para pacientes oncológicos, o modelo usa o processo de nascimento e morte para permitir a variação do número de fatores de risco latentes durante um período precedente ao acompanhamento médico, considerando, então, um cenário de riscos competitivos para obtenção da função da sobrevivência (imprópria) dos pacientes. Simulações a aplicações à dados do Instituto do Câncer do Estado de São Paulo mostraram vantagens sobre o modelo de tempos de promoção. / This work contributes with a new cure rate survival model developed aiming more realistic formulation and interpretations than the usual long-term survival models. Motivated by studying residual survival times in oncological patients, the model uses birth and death process to allow free variation on the number of latent risk factors during a pre-follow up period, then considers competing risks scenario for accessing the patients survival. Simulations and application to Instituto do Câncer do Estado de São Paulo data showed improvement over the promotion time model.