Análisis de supervivencia y modelos de riesgo

Introducción

El análisis de supervivencia, también conocido como análisis de duración, es un conjunto de métodos estadísticos que se centran en el tiempo hasta un evento en los estudios de supervivencia. Se utiliza ampliamente en la investigación biomédica, especialmente en epidemiología, ensayos clínicos y investigación en salud pública. Este curso tiene como objetivo proporcionar una comprensión profunda del análisis de supervivencia y los modelos de riesgo, incluyendo su aplicación, supuestos e interpretación en la investigación biológica.

Antecedentes y motivación

Antes de sumergirse en el análisis de supervivencia, es esencial comprender el contexto y la motivación detrás de su uso. El objetivo principal de la investigación biomédica es mejorar los resultados en salud, lo que a menudo implica comprender la progresión de la enfermedad, los efectos del tratamiento y los factores de riesgo. El análisis de supervivencia proporciona una herramienta poderosa para abordar estas preguntas modelando el tiempo hasta un evento, como la aparición de una enfermedad, muerte o recurrencia.

Conceptos clave en el análisis de supervivencia

Esta sección cubrirá los conceptos fundamentales del análisis de supervivencia, incluyendo:

1. Función Superviviente: Probabilidad de sobrevivir más allá de un determinado punto temporal
2. Función de Riesgo Acumulada: La probabilidad de experimentar un evento hasta un determinado momento
3. Función de Tasa de Peligro: Tasa instantánea de la probabilidad de que un evento ocurra en un momento específico dado que el individuo ha sobrevivido hasta ese momento
4. Estimador Kaplan-Meier: Un método no paramétrico para estimar probabilidades de supervivencia a lo largo del tiempo en datos censurados
5. Modelo de Riesgos Proporcionales de Cox: Un modelo de regresión semiparamétrica utilizado para evaluar el efecto de las variables explicativas sobre la tasa de riesgo
6. Riesgos Competidores: Situaciones en las que un individuo puede experimentar múltiples tipos de eventos, y la ocurrencia de un evento influye en la probabilidad de otro evento
7. Covariables Dependientes del Tiempo: Covariables que pueden cambiar con el tiempo y afectar a la tasa de riesgo
8. Modelos de fragilidad: Explican la presencia de heterogeneidad no observada en una población

Suposiciones, limitaciones e interpretación del modelo

Comprender las suposiciones, limitaciones e interpretaciones de los modelos de supervivencia es crucial para su correcta aplicación en la investigación biológica. Esta sección tratará:

1. Suposiciones: Explicación de suposiciones comunes hechas en el análisis de supervivencia, como la suposición de independencia de la censura y la suposición de riesgos proporcionales
2. Limitaciones: Discusión de situaciones en las que los modelos de supervivencia pueden no ser apropiados, y enfoques alternativos que puedan utilizarse en su lugar
3. Interpretación del modelo: Directrices para interpretar los resultados del análisis de supervivencia, incluyendo razones de riesgo, intervalos de confianza y valores p
4. Comparación y selección de modelos: Métodos para comparar y seleccionar entre diferentes modelos de supervivencia basados en la calidad del ajuste y la precisión predictiva
5. Validación de modelos: Técnicas para validar modelos de supervivencia, como la validación interna (bootstrap, navaja) y la validación externa (muestras de replicación, conjuntos de datos independientes)

Estudios de caso en investigación biológica

Esta sección presentará estudios de caso que demuestran la aplicación del análisis de supervivencia en la investigación biológica, incluyendo:

1. Análisis de supervivencia al cáncer: Análisis del tiempo hasta la muerte tras el diagnóstico de cáncer, teniendo en cuenta el tratamiento, factores demográficos y clínicos
2. Dinámica de transmisión de enfermedades infecciosas: Modelar el tiempo hasta la infección o recuperación en brotes de enfermedades infecciosas, considerando covariables dependientes del tiempo y riesgos en competencia
3. Comportamiento animal y longevidad: Análisis de la supervivencia de los animales en estado salvaje, teniendo en cuenta la edad, el sexo, el hábitat y otros factores que pueden influir en la longevidad
4. Ensayos clínicos: Evaluación del efecto de un nuevo tratamiento en el tiempo de supervivencia en comparación con un grupo de control, ajustando por posibles factores de confusión

Temas avanzados en análisis de supervivencia y modelos de riesgo

Esta sección cubrirá temas avanzados que se basan en los fundamentos presentados anteriormente:

1. Modelos Multiestados: Modelado de transiciones entre múltiples estados de salud a lo largo del tiempo
2. Modelos conjuntos: Contabilización simultáneamente de datos longitudinales (medidas repetidas) y datos de supervivencia
3. Modelos de fragilidad para datos longitudinales: Ampliación de modelos de fragilidad para tener en cuenta la heterogeneidad no observada en mediciones repetidas
4. Análisis de Supervivencia con Diseños de Muestreo Complejo: Incorporación de pesos de encuesta, agrupación y estratificación en modelos de análisis de supervivencia
5. Inferencia causal en el análisis de supervivencia: Métodos para estimar efectos causales utilizando datos de supervivencia, como variables instrumentales, fórmulas g y coincidencia de puntuaciones de propensión.
6. Análisis de supervivencia con covariables variables en el tiempo: Teniendo en cuenta las covariables variables en el tiempo que pueden cambiar a lo largo del estudio
7. Modelos de Supervivencia No Paramétricos: Enfoques alternativos a los modelos de supervivencia paramétrica, como el estimador de Nelson-Aalen y el estimador de Aalen-Johansen
8. Modelos de tiempo de fallo acelerado: Modelar la relación entre variables explicativas y el logaritmo del tiempo de fallo en lugar de la tasa de riesgo