O último inverno, ensinaba o curso avanzado de análise de datos de supervivencia dos programas de epidemioloxía da Universidade de Laval (EPM-8007 – Advanced Statistical Modeling Concepts II). A maioría dos conceptos asociados á análise deste tipo de datos xa eran familiarizados para min, pero debo admitir que tiven que profundar o meu coñecemento de certas nocións para poder ensinarlles ben. Unha destas nocións é a análise de riscos competitivos ou riscos competidores. A través deste curto texto, dígovos o que aprendín sobre o tema.

Primeiro, que é un risco competitivo? Na análise de supervivencia, o concepto de riscos competitivos defínese como a situación onde ocorre outro evento e oponse á aparición do evento estudado ou basicamente alterar a probabilidade de ocorrencia do caso de interese. Por exemplo, se estamos interesados na aparición dun evento cardiovascular, a morte por unha causa non cardiovascular sería un risco competitivo para o evento de interese.

Hai varios enfoques para analizar. Os tempos do caso de interese en presenza de riscos competitivos, os dous principais que son:

– Use un modelo COX normal e considere os tempos de aparición do evento de interese como censurado na dereita no momento da aparición dun risco competitivo;

– Use o enfoque fino e gris (Fine JP e Grey RJ, 1999).

Modelo COX con censores á dereita dos riscos competitivos

Conceptualmente, o primeiro enfoque é moi sinxelo. É simplemente facer coma se os individuos para os que se produciu o risco competitivo aínda en risco de que o evento de interese. O tempo antes da aparición do evento de interese considérase censurado no momento da ocorrencia de risco competitivo, porque non sabemos que sería o tempo exacto da aparición do evento do evento. Interese. Só se sabe que esta vez é maior que antes da aparición de risco competitivo.

Ao contrario do que ás veces se transmite, esta forma de facer as cousas non é necesariamente incorrecta. En particular, os valores exponenciales dos parámetros deste modelo de COX poden ser interpretados como “ratios de risco específicos de causa”, que traduciría ao francés como os informes de ritmo instantáneo específicos do caso de interese, sen a hipótese adicional (Bakoyannis G. e Touloumi G., 2012). Esta cantidade representa a proporción de velocidade da aparición do evento de interese por un momento infinitamente curto entre os temas que non teñen ningún caso de interese nin o risco competitivo (Austin, P. C et al., 2016). Un dos límites principais deste enfoque é que non permite unha conexión directa coa incidencia do caso de interese (Austin P. C. e Fine J. P., 2017). De feito, pode ocorrer por exemplo onde un covariado non está asociado coa taxa instantánea do caso de interese, mentres que está asociado a unha redución da súa incidencia (Austin, P. C et al., 2016). Esta situación podería ocorrer porque a covariable estaría asociada a un aumento da aparición de risco competitivo, que indirectamente axudaría a reducir a aparición do evento de interese (Austin, P. C et al., 2016). Un segundo límite para o uso do modelo COX con censores á dereita dos riscos competitivos é que este enfoque non estimará adecuadamente as curvas de incidencia acumuladas (Bakoyannis G. e Touloumi G, 2012).

Modelo fino e gris

O enfoque fino e gris ignora estes límites centrándose nunha taxa de evento directamente relacionada coa incidencia do evento de intereses. Conceptualmente, este enfoque ten como obxectivo calcular a taxa de interese de interese por un momento infinitamente curto entre as persoas que non tiveron o caso de interese, así como aqueles que tiveron risco competitivo e aínda foron seguidos se non tiveron o interese de interese. Noutras palabras, as persoas que tiveron un risco competitivo son consideradas se aínda eran probables o caso de interese por un determinado período de tempo, correspondente ao tempo de seguimento que permanecerían en ausencia de eventos. Non obstante, sabemos que tales persoas non están realmente en risco do evento de interese e, polo tanto, non se produce ningún evento nestes. Segue unha interpretación dos parámetros do modelo que se pode percibir como non intuitivo (Austin, PC e Fine, JP, 2017).

Malia esta desvantaxe, o modelo de multa e gris ten a vantaxe de facer unha conexión directa coa incidencia do evento de interese.Se un covariado está asociado positivamente coa taxa estimada polo modelo fino e gris, pode deducirse que esta covariable tamén está asociada positivamente á incidencia, aínda que non é posible determinar directamente a amplitude da última asociación. (Austin, P. C et al., 2016, Austin, PC e Fine, JP, 2017). Ademais, o modelo fino e gris fai posible estimar correctamente a función de incidencia acumulada.

Entón, que enfoque para escoller para analizar os datos de supervivencia en presenza de riscos competitivos? A resposta a esta pregunta non é sinxela. Austin et al. (2016) Proporcione as seguintes recomendacións:

  • Se o obxectivo da análise é estimar o efecto dunha exposición ou covariates sobre a aparición do evento de interese, o modelo COX con censores á dereita de riscos competitivos é preferido por mor da interpretación máis intuitiva dos parámetros do modelo.
  • Se o obxectivo da análise é estimar unha función D incidencia acumulada, unha incidencia ou elaborar un predictivo (prognóstico) ) Modelo, entón o modelo fino e gris é preferible.

En determinadas circunstancias, ambos os modelos tamén se poden considerar para proporcionar información adicional. Esta recomendación é a de Latouche et al. (2013) que enfatizan que unha comprensión completa da dinámica dos eventos require o uso de ambos os dous modelos simultaneamente.

Como conclusión, é importante notar que aínda que as dúas aproximacións. Presentado aquí están entre os máis Populares, non son os únicos que se usan. Algúns enfoques de anuncios non válidos son frecuentemente atopados, por exemplo, exclúen das persoas de análise que tiñan risco competitivo (Brock et al., 2011). Os modelos multi-estados representan unha alternativa relevante, aínda que máis complexa, para obter unha visión global da dinámica de diferentes tipos de eventos. Unha revisión deste tipo de modelo é realizada por Putter et al. (2007).

Denis Talbot

Referencias:

  1. Austin, P. C. e Fine, J. (2017). Recomendacións prácticas para informar ben a análise do modelo gris para os datos de risco competidores. Estatísticas en Medicina, 36 (27), 4391-4400.
  1. Austin, P. C., Lee, D. S., e Fine, J. P. (2016). Introdución á análise de datos de supervivencia en presenza de riscos competidores. Circulación, 133 (6), 601-609.
  1. Bakoyannis, G. e Touloumi, G. (2012). Métodos prácticos para os datos de risco competidores: unha revisión. Métodos estatísticos en investigación médica, 21 (3), 257-272
  1. Brock, G. N., Barnes, C., Ramírez, J. A. e Myers, J. (2011). Como manexar a mortalidade ao investigar a duración da estadía hospitalaria e hora á estabilidade clínica. BMC Medical

Metodoloxía da investigación, 11 (1), 144.

  1. Fine, J. e Gray, R. J. (1999). Un modelo de perigos proporcionales para a subdistribución do risco competidor. Journal of the American Statistical Association, 94 (446), 496-509.
  1. Latouche, A., Allignol, A., Beyersmann, J., Labopin, M. e Fine, JP (2013). Unha análise de competencia debe informar os resultados sobre todos os riscos específicos da causa e as funcións de impacto acumulativo

. Diario de Epidemioloxía Clínica, 66 (6), 648-653.

  1. Putter, H., FIOCCO, M. e GESKUS, R. (2007). Tutorial en Biostatística: Modelos de Estado multi-estado competitivo. ESTATÍSTICA en medicina, 26 (11), 2389-2430.

Ás veces falamos dun risco semi-competitivo cando a aparición dun dos eventos impide que o outro, pero que esta relación non é recíproca. Por exemplo, a aparición dun evento cardiovascular non avisa a aparición da morte. Polo tanto, podería dicirse que está en presenza de riscos semi-competitivos. Esta terminoloxía, porén, paréceme moi frecuentemente usada.

(Return to the táboa de contidos)

Compartir

Leave a comment

O teu enderezo electrónico non se publicará Os campos obrigatorios están marcados con *