Introducción al análisis de supervivencia

El análisis de supervivencia, también conocido como análisis de tiempo a evento, es una rama de estadísticas que trata del tiempo hasta que se produzca un evento específico de interés. Este evento podría ser la muerte, la recurrencia de enfermedades, la falla de la máquina o el churn de clientes. A diferencia de los métodos de regresión estándar, el análisis de supervivencia representa para cedidos datos—situaciones en las que el evento no ha ocurrido antes del final del período de estudio, un sujeto se cae o se pierde para el seguimiento. Ignorar las observaciones censuradas puede conducir a resultados severamente tendenciosos.

Dos herramientas fundamentales en el análisis de supervivencia curvas de supervivencia y el estimador de Kaplan-Meier (KM). Estos métodos no paramétricos permiten a los investigadores estimar y visualizar la función de supervivencia sin asumir una distribución estadística particular para los tiempos de supervivencia. Este artículo se expande en los conceptos básicos, explica cómo construir e interpretar curvas de KM, y discute extensiones comunes.

Comprender las curvas de supervivencia

Una curva de supervivencia traza la proporción de sujetos que aún no han experimentado el evento (superviviendo) en puntos de tiempo sucesivos. El eje vertical normalmente se ejecuta de 0 a 1 (o 0% a 100%), representando la probabilidad de supervivencia. El eje horizontal representa tiempo (días, meses, ciclos, etc.) La curva se extiende cada vez que se produce un evento, permaneciendo plana durante intervalos cuando no se observan eventos.

Conceptos clave

  • Función de supervivencia S(t): La probabilidad de que un sujeto sobrevive más tiempo que el tiempo t. Formally, S(t) = P(T > t), donde T es la variable aleatoria para el tiempo de supervivencia.
  • Función de peligro h(t): La tasa instantánea de experimentar el evento a la vez t, condicionada a haber sobrevivido hasta ese momento. No es una probabilidad sino una tasa (eventos por unidad de tiempo).
  • Tipos de censura:
    • Censura correcta: La más común; el evento ocurre después de que el estudio termine o el tema se pierde.
    • Censura de izquierda: El evento ocurrió antes de que el estudio comience pero se desconoce la hora exacta.
    • Censura intervalora: El evento se produce dentro de una ventana de tiempo conocida pero el tiempo exacto no se registra.

Las curvas de supervivencia son invaluables Ensayos clínicos para comparar los brazos de tratamiento, fiabilidad ingeniería para evaluar la vida útil de los productos, y epidemiología para estudiar la progresión de enfermedades. Proporcionan un resumen visual intuitivo del riesgo con el tiempo.

El Estimador de Kaplan‐Meier

El estimador Kaplan-Meier, también llamado el estimador de límites de productos, fue introducido por Edward L. Kaplan y Paul Meier en 1958. Es un no paramétricas método, lo que significa que no hace suposiciones sobre la distribución subyacente de los tiempos de supervivencia. Esta flexibilidad la hace ampliamente aplicable.

Definición matemática

Deja t1 < t2 < ... < tk ser los horarios de eventos ordenados distintos. Por cada vez ti, vamos di ser el número de eventos que ocurren en ese momento, y dejar ni ser el número de sujetos que se sabe que están en riesgo justo antes ti. El estimador de KM de la función de supervivencia es:

⁇ (t) = ⁇ i: ti ≤ t (1 −di / ni)

El producto comienza en el momento 0, donde ⁇ (0) = 1. En cada evento, la probabilidad de supervivencia se reduce por un factor igual a la proporción de sujetos en riesgo que experimentan el evento. Los sujetos censurados se eliminan del riesgo establecido en el momento de censurar pero no contribuyen a los eventos.

Ejemplo de cálculo paso a paso

Considere un pequeño estudio de 10 pacientes seguidos para la recurrencia de una enfermedad:

  • Paciente A: se repite a 3 meses
  • Paciente B: censurado a 4 meses
  • Paciente C: se repite a 5 meses
  • Paciente D: se repite a 6 meses
  • Paciente E: censurado a 6 meses
  • Paciente F: se repite a 8 meses
  • Pacientes G, H, I, J: sin eventos, seguidos hasta 12 meses (censorado a 12)

A tiempo de prueba: 3,5 y 8,0,5 por cada vez, por cada caso, se puede reducir el riesgo de que se produzcan, y se puede reducir el riesgo de que se produzcan, por lo que el riesgo se haya registrado en el momento de la crisis.

Construyendo una curva de supervivencia de Kaplan‐Meier

La mayoría de los análisis utilizan software estadístico (R, SAS, Stata, Python lifelines, etc.) para calcular las estimaciones de KM y curvas de trama. Sin embargo, entender los pasos de construcción manual es importante para la interpretación.

Pasos para crear la curva

  1. Ordenar datos por tiempo: Arregla todas las observaciones (tiempos de eventos o censura) en orden ascendente.
  2. Determinar los conjuntos de riesgo: Para cada evento distinto, cuente el número de temas que aún se encuentran bajo observación antes de ese momento.
  3. Calcular la probabilidad de supervivencia: Multiplique las probabilidades condicionales de paso como se muestra anteriormente.
  4. Parcela: En el tiempo de trama x-axis; en el diagrama de eje y ⁇ (t). Dibujar una línea horizontal en el nivel de supervivencia actual hasta la próxima vez del evento, luego caer verticalmente al nuevo nivel de supervivencia. Añadir marcas de garrapatas para observaciones censuradas.
  5. Agregue intervalos de confianza: La fórmula Greenwood estima la varianza del estimador KM, permitiendo el cálculo de intervalos de confianza de punta, normalmente mostrados como líneas desgarradas o bandas tontadas alrededor de la curva.

Implementaciones de software

In R, el paquete proporciona la función . Python, la biblioteca ofrece la clase . Para una calculadora rápida en línea, recursos como Bioestadística de Vanderbilt Wiki proporcionar ejemplos. NIST El Manual de Estadísticas de Ingeniería también incluye un Sección sobre Kaplan-Meier con fórmulas y suposiciones.

Comparación de curvas de supervivencia: el examen de tracción de bitácora

A menudo los investigadores quieren probar formalmente si dos o más curvas Kaplan-Meier son estadísticamente diferentes (por ejemplo, tratamiento vs. placebo). prueba de registro Es el método más común. Compara el número observado de eventos en cada grupo con el número esperado bajo la hipótesis nula de supervivencia idéntica. La estadística de prueba sigue una distribución de chi-squared.

Sumas del examen de tracción de bitácora

  • Observaciones independientes.
  • Censamiento no informativo (no relacionado con la supervivencia futura).
  • Las funciones de riesgo son proporcionales con el tiempo (la relación de los peligros es constante). Cuando los peligros se cruzan, la prueba de corte de troncos pierde potencia; se pueden utilizar pruebas alternativas como la prueba de Wilcoxon (Breslow).

El test log‐rank es la base de muchos análisis de ensayos clínicos y se reporta junto a curvas KM. Sin embargo, sólo prueba una diferencia en todo el período de seguimiento, no en puntos de tiempo específicos.

Limitaciones y Asunciones de Kaplan‐Meier

Principales Asunciones

  1. Censamiento no informativo: La razón de la censura debe estar no relacionada con el evento. Por ejemplo, si los pacientes enfermos se desploman, la estimación de KM puede ser parcial.
  2. Tiempos de supervivencia independientes: Los tiempos de eventos de los sujetos se asumen independientes.
  3. No hay tendencias seculares: La experiencia de supervivencia no cambia con el tiempo calendario durante el estudio (condiciones estables).

Pitfalls comunes

  • Pequeños conjuntos de riesgo: Cuando pocos sujetos siguen en riesgo (por ejemplo, tarde en seguimiento), la curva se vuelve muy imprecisa. Siempre examina el número en tabla de riesgo debajo de la curva.
  • Ignorando los riesgos de competencia: Si los sujetos pueden experimentar otros eventos que impiden el evento de interés (por ejemplo, la muerte antes de la recurrencia), KM puede sobreestimar la incidencia acumulada. Análisis específico de causas o el estimador Aalen-Johansen debe utilizarse en esos casos.
  • No hay ajuste para covariados: KM es univariato. Para ajustarse para las variables de confusión, se necesita un modelo de peligros proporcionales Cox u otros métodos de regresión.

Extensiones y métodos conexos

Nelson‐Aalen Estimator

Una alternativa a la KM para la función de peligro acumulativo es el estimador Nelson‐Aalen, que resume los incrementos de riesgo: ⁇ (t) = ándula (di/ni) para los tiempos de evento ≤ t. La función de supervivencia puede derivarse como ⁇ (t) = exp(− ⁇ (t)).

Modelo de riesgo proporcional de cox

A menudo llamada la extensión “semi-paramétrica”, el modelo Cox permite la inclusión de múltiples predictores (covaria) asumiendo que las funciones de peligro para los diferentes grupos son proporcionales con el tiempo. Estima las relaciones de riesgo, que son ampliamente utilizados en la literatura médica.

Modelos de supervivencia paramétrica

Si los tiempos de supervivencia siguen una distribución conocida (exponencial, Weibull, log-normal), los modelos paramétricos pueden ser más eficientes. El estimador KM sirve como base de referencia libre de modelos para comprobar los ajustes paramétricos.

Aplicaciones en todas las disciplinas

Medicina y Salud Pública

Las curvas de supervivencia son omnipresentes en ensayos de oncología para comparar el tiempo con la progresión o supervivencia general. FDA para muchas aplicaciones de drogas. En la epidemiología, ayudan a estimar la probabilidad de desarrollar una enfermedad con el tiempo.

Ingeniería y fiabilidad

Los fabricantes utilizan análisis de supervivencia para estimar la distribución de los componentes del tiempo de falla. Kaplan‐Meier estimator puede utilizarse para calcular la función de supervivencia de un sistema de datos de fallas de campo, contando con unidades que todavía funcionan (censor).

Finanzas y Economía

En finanzas, el análisis de supervivencia modela el tiempo de incumplimiento de los préstamos o el tiempo hasta que un cliente cierre una cuenta. La “supervivencia” de un negocio o inversión se puede visualizar con curvas KM.

Consideraciones prácticas para la presentación de informes

  • Siempre incluye un Número de mesa de riesgo debajo de la curva de supervivencia en varios puntos de tiempo (por ejemplo, 0, 6, 12, 18 meses). Esta tabla documenta cuántos temas siguen y evita la sobreinterpretación de la cola derecha.
  • Informe mediana de supervivencia (el tiempo en que la probabilidad de supervivencia cae a 0,5) junto con un intervalo de confianza.
  • Si se comparan los grupos, proporcione el valor de p-valor de prueba de log-rank y la relación de riesgo de un modelo Cox.
  • Usar el fórmula de Greenwood para calcular intervalos de confianza para la curva de supervivencia; considere utilizar la transformación log‐log para mantener intervalos dentro [0,1].

Conclusión

Las curvas de supervivencia y el estimador Kaplan‐Meier son herramientas indispensables para analizar los datos de tiempo a evento. Su naturaleza no paramétrica, capacidad para manejar la censura y la interpretación visual clara hacen de ellos la primera opción para muchos investigadores. Entendiendo cómo construir, interpretar y comparar las curvas de KM, junto con sus supuestos y limitaciones subyacentes, se pueden sacar conclusiones robustas de los datos de supervivencia. BMJ serie sobre el análisis de supervivencia por Bland y Altman (en inglés)Parte 1: Kaplan‐Meier y Parte 2: la prueba de log‐rank) proporciona una excelente perspectiva clínica. Un libro de texto completo es Análisis de supervivencia: un texto autoaprendizaje por Kleinbaum y Klein (Springer).

Domine estos conceptos básicos, y estará bien preparado para avanzar en métodos más avanzados como el modelo de riesgos proporcionales Cox y el análisis de riesgos competidores.