Use of a Bayesian hierarchical model to study the allometric scaling of the fetoplacental weight ratio

• Published in: Revista Brasileira de Saúde Materno Infantil Vol. 16; no. 1; pp. 67 - 70
• Main Authors: Morales, Fidel Ernesto Castro, Medeiros, Anna Cecília Queiroz de
• Format: Journal Article
• Language: English
• Published: Instituto Materno Infantil de Pernambuco 01-03-2016
• Subjects: Análise estatística de dados; Peso ao nascer; Placenta
• ISSN: 1519-3829; 1806-9304; 1519-3829
• DOI: 10.1590/1806-93042016000100008

Abstract Objectives: to propose the use of a Bayesian hierarchical model to study the allometric scaling of the fetoplacental weight ratio, including possible confounders. Methods: data from 26 singleton pregnancies with gestational age at birth between 37 and 42 weeks were analyzed. The placentas were collected immediately after delivery and stored under refrigeration until the time of analysis, which occurred within up to 12 hours. Maternal data were collected from medical records. A Bayesian hierarchical model was proposed and Markov chain Monte Carlo simulation methods were used to obtain samples from distribution a posteriori. Results: the model developed showed a reasonable fit, even allowing for the incorporation of variables and a priori information on the parameters used. Conclusions: new variables can be added to the modelfrom the available code, allowing many possibilities for data analysis and indicating the potential for use in research on the subject.
Resumo Objetivos: propor a utilização de um modelo Hierárquico Bayesiano para estudar a relação alométrica existente entre o peso ao nascer e o peso placentário, incluindo possíveis fatores interferentes. Métodos: foram analisados os dados de 26 gestações únicas, com idade gestacional entre 37 e 42 semanas. As placentas foram coletadas imediatamente após o parto e conservadas sob refrigeração até o momento da análise, o que ocorreu em até 12 horas. Os dados maternos foram obtidos de prontuários médicos. Finalmente, foi elaborado um modelo hierárquico bayesiano e, para obter amostras da distribuição a posteriori, foram utilizados métodos de simulação Markov Chain Monte Carlo. Resultados: o modelo obtido apresentou um ajuste razoável, permitindo ainda a incorporação de variáveis e informações a priori, sobre os parâmetros utilizados. Conclusões: a partir da disponibilização do código, novas variáveis podem ser adicionadas ao modelo, permitindo muitas possibilidades para a análise dos dados, mostrando potencial para ser utilizado em pesquisas na área.