15.6: Premissas da Análise de Sobrevivência

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

1. Os tempos de sobrevivência são positivamente distorcidos
   Os tempos de sobrevida geralmente exibem assimetria positiva, ao contrário da distribuição normal assumida em muitas outras análises. Isso significa que os eventos tendem a ocorrer com mais frequência no início, com menos ocorrências à medida que o tempo avança.
2. Censura de Data
   A censura ocorre quando o tempo total de sobrevivência de um indivíduo não é observado, mas é diferente dos dados ausentes. As causas comuns de censura incluem participantes que se retiram de um estudo, o período do estudo termina antes que o evento ocorra ou participantes que experimentam eventos não relacionados (por exemplo, morte por uma causa não relacionada). Por exemplo, em um estudo sobre doenças cardíacas, um participante que morre em um acidente teria seus dados censurados no momento da morte.
3. Censura Independente
   Essa suposição postula que as razões para a censura não estão relacionadas à probabilidade do evento de interesse. Por exemplo, se os participantes com sintomas graves tiverem 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 Cox)
   O modelo de riscos proporcionais de Cox pressupõe que a taxa de risco entre dois indivíduos permanece constante ao longo do tempo. Por exemplo, se o risco de um grupo de um evento é 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 pressupõe que a probabilidade de o evento mudar ao longo do tempo o faz de forma semelhante em todos os grupos, a menos que seja explicitamente modelado. Por exemplo, ao comparar os tempos de sobrevida entre pacientes tratados com um novo medicamento versus um tratamento padrão, os fatores externos que influenciam a sobrevida devem afetar 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 medições e análises precisas. Eventos ambíguos ou classificados incorretamente (por exemplo, critérios de recidiva pouco claros) podem comprometer a validade dos dados de tempo de sobrevida.
7. Período de Acompanhamento Adequado
   A duração do acompanhamento deve ser longa o suficiente para observar um número suficiente de eventos para 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 informações valiosas sobre os fenômenos de tempo até o evento em uma variedade de disciplinas.