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?

— pmgjones
fonte

você tem tempo para evento em hh: mm ou horas?

— munozedg

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