15.7: Comparación del análisis de supervivencia de dos o más grupos

Comparing the Survival Analysis of Two or More Groups
JoVE Core
Statistics
A subscription to JoVE is required to view this content.  Sign in or start your free trial.
JoVE Core Statistics
Comparing the Survival Analysis of Two or More Groups
Please note that all translations are automatically generated. Click here for the English version.

219 Views

01:20 min
January 09, 2025

Overview

El análisis de supervivencia es una piedra angular de la investigación médica, que se utiliza para evaluar el tiempo que transcurre hasta que ocurre un evento de interés, como la muerte, la recurrencia de la enfermedad o la recuperación. A diferencia de los métodos estadísticos estándar, el análisis de supervivencia es particularmente hábil en el manejo de datos censurados, es decir, casos en los que el evento no ha ocurrido para algunos participantes al final del estudio o permanece sin observación. Para abordar estos desafíos únicos, se emplean comúnmente técnicas especializadas como el estimador de Kaplan-Meier, la prueba de rango logarítmico y el modelo de riesgos proporcionales de Cox.

El estimador de Kaplan-Meier es una herramienta no paramétrica que estima las probabilidades de supervivencia a lo largo del tiempo, produciendo curvas de supervivencia que muestran visualmente la proporción de sujetos que sobreviven más allá de puntos de tiempo específicos. Estas curvas son muy valiosas para comparar los resultados de supervivencia entre grupos, como los pacientes que reciben diferentes tratamientos. Cuando los investigadores quieren determinar si las diferencias observadas en la supervivencia entre los grupos son estadísticamente significativas, a menudo se utiliza la prueba de rango logarítmico. Esta prueba compara las curvas de Kaplan-Meier sin asumir una distribución específica de los tiempos de supervivencia, lo que la hace versátil para diversos escenarios de investigación.

Para análisis más complejos, el modelo de riesgos proporcionales de Cox proporciona un marco poderoso para examinar la relación entre el tiempo de supervivencia y múltiples predictores, como el tipo de tratamiento, la edad o la gravedad de la enfermedad. Este modelo calcula los cocientes de riesgo (HR), que cuantifican el riesgo relativo de que el evento ocurra en un grupo en comparación con otro, ajustando las variables de confusión. Por ejemplo, un HR de 1,5 sugiere un 50% más de riesgo de sufrir el evento en un grupo en relación con otro.

Considere un estudio en el que se comparan los resultados de supervivencia de pacientes con cáncer de ovario que reciben dos regímenes de quimioterapia diferentes. Utilizando el estimador de Kaplan-Meier, los investigadores pudieron visualizar las probabilidades de supervivencia para cada grupo de tratamiento a lo largo del tiempo. Si un grupo muestra sistemáticamente tasas de supervivencia más altas, la prueba de rango logarítmico puede determinar si la diferencia es estadísticamente significativa. Para ajustar factores adicionales como la edad o el estadio del cáncer, se puede aplicar el modelo de Cox, que proporciona cocientes de riesgo que tienen en cuenta estas variables y ofrece información más profunda sobre los efectos del tratamiento.

El análisis de supervivencia es especialmente adecuado para la investigación médica, ya que ofrece métodos sólidos para analizar los datos de tiempo hasta el evento y acomodar las observaciones censuradas. Estas herramientas permiten a los investigadores comparar la efectividad del tratamiento, ajustar las variables de confusión y sacar conclusiones confiables. Al centrarse no solo en si ocurre un evento, sino también en cuándo sucede, el análisis de supervivencia garantiza que los estudios médicos produzcan hallazgos precisos y procesables que sean fundamentales para avanzar en la atención al paciente.

Transcript

El análisis de supervivencia evalúa el tiempo hasta que se produce un evento, como la recurrencia de la enfermedad o la muerte, utilizando técnicas que tienen en cuenta los datos censurados, en los que el evento no ha ocurrido al final del estudio.

Considere un estudio en el que se comparan los resultados del tratamiento del cáncer de ovario.

El estimador de Kaplan-Meier traza las probabilidades de supervivencia para cada grupo, mostrando la proporción de sujetos que continúan sobreviviendo a través de los puntos de tiempo subsiguientes.

Las curvas de Kaplan-Meier muestran los porcentajes de supervivencia a lo largo del tiempo para cada grupo de quimioterapia.

Las pruebas de rango logarítmico comparan las curvas de supervivencia de diferentes grupos, determinando si las probabilidades de supervivencia difieren significativamente sin suponer una distribución de supervivencia similar entre los grupos.

El modelo de riesgos proporcionales de Cox se emplea para evaluar el impacto de los tratamientos en la supervivencia, ajustando variables como la edad o el estadio de la enfermedad.

Calcula los cocientes de riesgo para cuantificar el riesgo asociado a cada tratamiento.

El uso de estos métodos permite una comparación sólida de los efectos del tratamiento, lo que garantiza que los resultados sean confiables y reflejen los verdaderos beneficios o riesgos de supervivencia asociados con las intervenciones.

Key Terms and definitions​

Learning Objectives

Questions that this video will help you answer

This video is also useful for