Qual a melhor forma de analisar os dados sobre o tempo de permanência em um RCT hospitalar?

11

Estou interessado em saber se existe ou não um consenso sobre a maneira ideal de analisar dados de tempo de permanência (LOS) de um ECR. Normalmente, é uma distribuição muito inclinada à direita, na qual a maioria dos pacientes recebe alta dentro de alguns dias a uma semana, mas o restante dos pacientes tem estadias bastante imprevisíveis (e às vezes bastante longas), que formam a cauda direita da distribuição.

As opções para análise incluem:

  • teste t (assume normalidade que provavelmente não está presente)
  • Teste U de Mann Whitney
  • teste de logrank
  • Condição do modelo de riscos proporcionais de Cox na alocação de grupos

Algum desses métodos tem poder comprovadamente maior?

t-test power skewness cox-model logrank pmgjones
fonte
você tem tempo para evento em hh: mm ou horas?
munozedg

Respostas:

9

Na verdade, estou embarcando em um projeto que faz exatamente isso, embora com dados observacionais e não clínicos. Penso que, devido à forma incomum da maioria dos dados de duração e à escala de tempo realmente bem caracterizada (você conhece a origem e o tempo de saída essencialmente perfeitamente), a questão se presta muito bem a análises de sobrevivência de algum tipo. Três opções a considerar:

  • Modelos de riscos proporcionais de Cox, como você sugeriu, para comparação entre o tratamento e os braços expostos.
  • Curvas retas de Kaplan-Meyer, usando um log-rank ou um dos outros testes para examinar as diferenças entre elas. Miguel Hernan argumentou que esse é realmente o método preferível para uso em muitos casos, pois não assume necessariamente uma taxa de risco constante. Como você fez um ensaio clínico, a dificuldade de produzir curvas de Kaplan-Meyer ajustadas covariáveis ​​não deve ser um problema, mas mesmo se houver algumas variáveis ​​residuais que você deseja controlar, isso pode ser feito com probabilidade inversa de pesos de tratamento.
  • Modelos de sobrevivência paramétricos. É certo que há menos uso, mas no meu caso eu preciso de uma estimativa paramétrica do risco subjacente; portanto, esse é realmente o único caminho a percorrer. Eu não sugeriria ir direto ao uso do modelo Gamma Generalizado. É uma pena trabalhar com isso - eu tentaria um simples Exponencial, Weibull e Log-Normal e verificaria se algum deles produz ajustes aceitáveis.
Fomite
fonte
4

Sou a favor do modelo de riscos proporcionais de Cox, que também lidará com o tempo de permanência censurado (morte antes da alta hospitalar bem-sucedida). Um folheto relevante pode ser encontrado em http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf com código aqui: http://biostat.mc.vanderbilt.edu/wiki/pub/ Principal / FHHandouts / model.s

Frank Harrell
fonte
Obrigado Frank. O teste de logrank também não lidaria com a censura? Então, o benefício do Cox é a capacidade de se ajustar às covariáveis?
pmgjones
1
O logrank é um caso especial do modelo Cox, portanto, não é necessário, e não permitirá que você ajuste covariáveis ​​contínuas como o modelo Cox. O modelo Cox também oferece várias maneiras de lidar com os laços.
precisa
2

Eu recomendo o teste logrank para testar as diferenças entre os grupos e para cada variável independente. Talvez você precise ajustar várias variáveis ​​(pelo menos aquelas significativas no teste de logrank) em um modelo de riscos proporcionais de Cox. O modelo generalizado gama (paramétrico) pode ser uma alternativa ao Cox se você precisar da estimativa de risco da linha de base (risco).

munozedg
fonte
0

a morte é um evento concorrente com alta. Censurar as mortes não seria censurar dados ausentes aleatoriamente. Examinar a incidência cumulativa de óbito e alta e comparar os riscos de subdistribuição pode ser mais apropriado.

user60368
fonte