15.6: Suposições da Análise de Sobrevivência

Os modelos de sobrevivência analisam o tempo até que um ou mais eventos ocorram, como a morte em organismos biológicos ou a falha em sistemas mecânicos. Esses modelos são amplamente utilizados ​​em campos como medicina, biologia, engenharia e saúde pública para estudar fenômenos de tempo até um evento. Para garantir resultados precisos, a análise de sobrevivência depende de suposições importantes e design de estudo cuidadoso.

1. Os tempos de sobrevivência são positivamente distorcidos: Os tempos de sobrevivência geralmente exibem assimetria positiva, diferente da distribuição normal assumida em muitas outras análises. Isso significa que os eventos tendem a ocorrer com mais frequência no início, com menos ocorrências conforme o tempo avança.
2. Censura de dados: A censura ocorre quando o tempo total de sobrevivência de um indivíduo não é observado, mas isso é diferente de dados ausentes. Causas comuns de censura incluem participantes se retirando de um estudo, o período do estudo terminando antes que o evento ocorra ou participantes experimentando eventos não relacionados (por exemplo, morte por uma causa não relacionada). Por exemplo, em um estudo sobre doença cardíaca, um participante que morre em um acidente teria seus dados censurados no momento da morte.
3. Censura Independente: Essa suposição postula que os motivos para censura não estão relacionados à probabilidade do evento de interesse. Por exemplo, se participantes com sintomas graves têm maior probabilidade de abandonar um estudo, as estimativas de sobrevivência podem se tornar tendenciosas. Garantir que a censura seja independente do estado de saúde dos participantes é fundamental para uma análise confiável.
4. Riscos Proporcionais (Específicos para Modelos de Cox): O modelo de riscos proporcionais de Cox assume que a taxa de risco entre quaisquer dois indivíduos permanece constante ao longo do tempo. Por exemplo, se o risco de um evento de um grupo for o dobro do de outro no início de um estudo, essa taxa de risco deve se manter durante todo o período do estudo.
5. Estacionariedade: A estacionariedade assume que a probabilidade do evento mudar ao longo do tempo o faz de forma semelhante em todos os grupos, a menos que explicitamente modelado. Por exemplo, ao comparar os tempos de sobrevivência entre pacientes tratados com um novo medicamento versus um tratamento padrão, os fatores externos que influenciam a sobrevivência devem impactar ambos os grupos igualmente, a menos que sejam contabilizados.
6. Eventos Claros e Clinicamente Importantes: O evento de interesse deve ser clinicamente significativo e claramente definido para permitir medição e análise precisas. Eventos ambíguos ou mal classificados (por exemplo, critérios de recaída pouco claros) podem comprometer a validade dos dados de tempo de sobrevivência.
7. Período de acompanhamento adequado: A duração do acompanhamento deve ser longa o suficiente para observar um número suficiente de eventos para proporcionar um poder estatístico robusto. Tempos curtos de acompanhamento podem perder eventos críticos e levar a conclusões incompletas ou tendenciosas. Também é essencial minimizar as diferenças no risco de eventos entre os participantes recrutados em momentos diferentes para evitar resultados distorcidos.

Considerações de Design na Análise de Sobrevivência

Os estudos de sobrevivência devem ser cuidadosamente projetados para levar em conta essas suposições. Uma definição clara do evento, tempo de acompanhamento suficiente e estratégias para minimizar o viés de censura são vitais. Quando esses fatores são bem gerenciados, os modelos de sobrevivência podem fornecer insights valiosos sobre fenômenos de tempo até o evento em uma variedade de disciplinas.

A análise de sobrevida, um método estatístico, avalia o tempo até que um evento ocorra. É comumente usado na medicina para analisar a expectativa de vida.

É fundamental selecionar um evento clinicamente relevante que seja bem definido, claro e observável para uma análise precisa.

Um aspecto crucial é a censura, que ocorre quando os dados estão incompletos devido a eventos como morte ou saída de um participante do estudo. Por exemplo, os pacientes que saem de um estudo têm seus dados censurados por direito.

Censura independente significa que as razões para a censura - como desistir de um estudo - não estão relacionadas ao resultado de interesse.

Em seguida, a suposição de riscos proporcionais de Cox pressupõe que o risco relativo ou as taxas de risco entre os grupos permanecem constantes.

A suposição de estacionariedade garante que a probabilidade de um evento mudar ao longo do tempo seja a mesma para todos os grupos de estudo, a menos que explicitamente modelado de outra forma.

Além disso, o comprimento do acompanhamento e o tamanho da amostra devem ser cuidadosamente determinados para garantir ocorrências de eventos suficientes para uma análise robusta.