Introducción al análisis de los datos de supervivencia en presencia de riesgos concurrentes

Área de la Ciencia:

• Estadísticas biológicas
• Epidemiología
• Investigación clínica

Sus antecedentes:

• Los riesgos concurrentes son frecuentes en el análisis de los datos de supervivencia.
• Un evento de riesgo competidor impide la ocurrencia del evento primario de interés.
• Los ejemplos incluyen muertes no cardiovasculares en estudios de mortalidad cardiovascular.

Objetivo del estudio:

• Resaltar la importancia de los métodos adecuados para analizar los datos de supervivencia con riesgos concurrentes.
• Comparar la función de incidencia acumulada con el método de Kaplan-Meier para la estimación de la incidencia bruta.
• Discutir las estrategias de modelado de regresión para los datos de riesgos competidores.

Principales métodos:

• Comparación de la función de incidencia acumulada (CIF) y la función de supervivencia Kaplan-Meier (KM) para la incidencia bruta.
• Se analizarán dos enfoques de modelado por regresión: los riesgos específicos de la causa y los riesgos de subdistribución (incidencia acumulada).
• Ilustración utilizando datos de mortalidad por causa específica en pacientes con insuficiencia cardíaca.

Principales resultados:

• El método Kaplan-Meier sobreestima la incidencia en presencia de riesgos competidores.
• Los modelos de peligros específicos de la causa estiman los efectos covariados en las tasas de eventos entre las personas en riesgo.
• Los modelos de riesgo de subdistribución estiman los efectos covariados en la incidencia acumulada (riesgo absoluto).

Conclusiones:

• La función de incidencia acumulada es el método adecuado para estimar la incidencia bruta con riesgos concurrentes.
• Los modelos de peligro específicos de la causa son adecuados para la investigación etiológica.
• Los modelos de riesgo de subdistribución son mejores para el pronóstico clínico y la predicción de riesgos.