Académique Documents
Professionnel Documents
Culture Documents
Introduccin
El anlisis de supervivencia recoge un conjunto de tcnicas estadsticas apropiadas para
todos aquellos estudios de seguimiento en donde el tiempo de respuesta hasta observar
un fenmeno o suceso resulta fundamental. En este caso la variable de inters es el
tiempo hasta la aparicin del fenmeno o suceso de inters, que podr o no aparecer en
el transcurso de nuestro estudio, siendo adems muy posible que perdamos algunos de
los pacientes durante el seguimiento. El periodo de seguimiento de cada paciente puede
ser desigual y en el final del mismo puede que ni siquiera se haya presentado el evento a
estudio.
Se denomina estudio de supervivencia porque en sus primeras aplicaciones, el suceso de
inters era la muerte, aunque su uso puede extenderse al estudio de cualquier otro
suceso no necesariamente negativo e incluso positivo, como podra ser el tiempo
transcurrido desde que una persona es operada hasta que recibe el alta mdica. Existe
mucha bibliografa sobre la metodologa estadstica a usar en los estudios de
supervivencia, siendo algo complicado su entendimiento ya que tanto la nomenclatura
como el vocabulario usado pueden variar de un texto a otro, resultando confuso su
entendimiento. En este y en el siguiente captulo, intentaremos definir y aclarar algunos
de los conceptos utilizados en el anlisis de la supervivencia.
Anlisis de supervivencia
Veamos un ejemplo ficticio para ilustrar un estudio de seguimiento. Supongamos que
aplicamos un programa experimental para dejar de fumar en un grupo de 8 pacientes
fumadores y medimos el tiempo que transcurre hasta que fuman el primer cigarrillo
(suceso o evento de inters). El diseo del estudio y su resultado podemos verlo en la
figura 1.
Figura 1. Estudio de seguimiento en pacientes fumadores.
Por ejemplo, el paciente 1 entra el primer da del estudio y durante 3 semanas no fum.
En la figura las estrellas indican el evento de inters, que en este caso es volver a fumar.
El paciente 3 no volvi a la consulta despus de dos semanas iniciado el estudio, pero al
menos sabemos que durante esas dos semanas no fum. Lo mismo sucedi con el
paciente 6, que despus de 4 semanas de seguimiento rehus participar en el estudio,
pero sabemos que en esas cuatro semanas no fum. Los pacientes 5 y 7 seguan sin
fumar cuando se cerr el estudio a las 10 semanas.
Como podemos observar, no es necesario que todos los pacientes entren el mismo da en
el que se inicia el estudio, pudindose incorporar mientras dure el mismo. El tiempo de
observacin puede terminar por estas razones:
Se produce el evento de inters: muerte, recidiva, curacin, alta mdica, etc. En
nuestro caso sera volver a fumar. Pacientes 1, 2, 4 y 7.
Se termina el estudio de seguimiento y no se observa el evento de inters. Pacientes 5
y 8.
Se pierde el seguimiento, bien porque no vuelven, son retirados, mueren por una causa
distinta de la estudia, etc. Las causas pueden ser mltiples. Pacientes 3 y 6.
Si estamos en los dos ltimo casos, nos referiremos a pacientes con informacin
censurada, o pacientes censurados.
A efectos prcticos de anlisis de datos, podemos colocar los datos tal y como aparecen
en la figura 2.
Figura 2. Ordenacion de datos para un estudio de supervivencia.
8
8
7
5
4
2
0
1
1
1
1
0
8
7
6
4
3
2
8/8
7/8
6/7
4/5
3/4
2/2
Funcin de
supervivencia
acumulada S(ti)
1
1*(7/8) = 0,875
0,875*(6/7) = 0,750
0,750*(4/5) = 0,600
0,600 *(3/4) = 0,450
0,450*(2/2) = 0,450
6
7
8
9
1
1
1
1
0
0
0
0
1
1
1
1
1/1
1/1
1/1
1/1
0,450*1 = 0,450
0,450*1 = 0,450
0,450*1 = 0,450
0,450*1 = 0,450
Sin embargo, a no ser que tengamos muestras de gran tamao, no debemos calcular el
intervalo de confianza al 95% como IC95%= S(ti)1,96*EE porque puede no ser vlida
la aproximacin a una distribucin a la normal. Para ello se utiliza una transformacin
del error estndar:
Bibliografa recomendada
1 Gmez-Melis, G. (2002). http://www.icf.uab.es/icbdigital/pdf/articulo/articulo5.pdf.
Tcnicas estadsticas en el anlisis de supervivencia. ICB digital N 5.
2 Martnez Gonzlez, M. A., A. Snchez-Villegas y F. J. Fauln Fajardo (2006).
Introduccin al anlisis de supervivencia. Bioestadstica Amigable. 2 Edicin. Ed: Daz
de Santos. 643-683.
Esta prueba tambin nos sirve para comparar ms de dos grupos, siendo OA y OB los
sucesos observados en el grupo A y B, y EA y EB los eventos esperados en los grupos A
y B respectivamente.
Regresin de Cox
El modelo de regresin de Cox, tambin conocido como modelo de riesgos
proporcionales, es en el anlisis de la supervivencia el equivalente a la regresin lineal.
La regresin de Cox tambin guarda cierta similitud con la regresin logstica as como
en la interpretacin de sus resultados, sin embargo a diferencia de la regresin logstica,
estima tasas de incidencia, o tasas de riesgo (hazard rate) en lugar de odds ratios. La
regresin de Cox, nos permitir estudiar de forma simultnea la relacin entre un
conjunto de variables predictoras o explicativas y la tasa de incidencia del evento de
inters. Tambin podremos predecir y describir la evolucin de la tasa de riego a lo
largo del tiempo a partir de un conjunto de variables predictoras cuyos valores pueden
cambiar a lo largo del tiempo. Como siempre, el evento de inters no tiene
necesariamente que ser la muerte, pudindose estudiar cualquier otro, sin embargo el
suceso debe ser irreversible y ocurrir una sola vez, siendo necesaria adems la censura
no informativa, al igual que suceda con las curvas Kaplan-Meier.
Muchas veces los eventos pueden ser recurrentes, presentndose ms de una vez en un
mismo sujeto, dando lugar a observaciones no independientes ya que estas ocurrencias
estn correlacionadas entre s. El modelo de regresin de Cox analiza eventos nicos
que se slo se presentan una vez en el tiempo aunque utilizando la estrategia adecuada
es posible obtener estimaciones de las tasas de incidencia para cada ocurrencia.
Para entender mejor el significado e interpretacin de los resultados de la regresin de
Cox, antes se debe comprender el significado de un hazard ratio (tasa instantnea de
riesgo). Aunque bsicamente su interpretacin es similar a la de un riesgo relativo, a
diferencia de ste que se calcula como un cociente de proporciones, el hazard ratio
(HR) es en realidad un cociente de tasas o de densidades de incidencia. Si el evento de
inters que estamos estudiando es supervivencia, un hazard ratio de 2 quiere decir que
aquellos que estn expuestos al factor de riesgo, fallecen 2 veces ms rpido que
aquellos que no estn expuestos al factor, o lo que es lo mismo, la rapidez con la cual
fallecen los pacientes expuestos es el doble que la que tienen aquellos pacientes no
expuestos. Un HR de 0,5 indicara por el contrario una disminucin a la mitad en la
velocidad de ocurrencia de la muerte en los pacientes expuestos. Al igual que el riesgo
relativo o la odds ratio, un HR de 1 indica un efecto nulo y por tanto una velocidad
similar en la aparicin de la muertes en uno y otro grupo. Si nuestra variable o factor de
estudio no fuese una variable categrica y fuese cuantitativa como la edad, el HR se
interpretara como el incremento en la tasa de incidencia por cada unidad en la que
medimos nuestra variable.
Un supuesto bsico que debe cumplir la regresin de Cox para su aplicacin es el
supuesto de proporcionalidad de riesgos. Si estudiamos la mortalidad entre dos grupos
de pacientes, expuestos y no expuestos ha de cumplirse que el cociente de las tasas de
riesgo (HR) entre ambos grupos debe ser constante a lo largo del tiempo de
seguimiento. Esto quiere decir que si tuvisemos un seguimiento entre dos grupos de
Con la regresin de Cox podemos analizar de forma conjunta la relacin entre nuestras
variables explicativas y la tasa de incidencia del evento estudiado. Veamos los
resultados de nuestro ejemplo (figura 1) en el caso ms simple que sera con una sola
variable explicativa, para ver si la tasa de reingresos en pacientes con EPOC es diferente
segn tengan o no insuficiencia cardiaca (IC). Dicha tabla corresponde a los resultados
del programa SPSS (Tabla 1).
Tabla 1. Resultados de la regresin de Cox con el programa SPSS.
Grupo
B
ET
Wald gl
1,487 0,791 3,536 1
Sig. Exp(B)
0,060 4,424
Intervalo de
confianza 95,0%
Exp(B)
0,939
20,842