Video Experimental Relacionado
Updated: Dec 21, 2025
04:57
Establishing a Competing Risk Regression Nomogram Model for Survival Data
Published on: October 23, 2020
10.7K
Estimando el exceso de mortalidad a 1 año asociado con la pandemia de COVID-19 según las condiciones subyacentes y la
Amitava Banerjee1, Laura Pasea2, Steve Harris3
1Institute of Health Informatics, University College London, London, UK; University College London Hospitals NHS Trust, London, UK; Barts Health NHS Trust, The Royal London Hospital, London, UK.
Lancet (London, England)
|May 15, 2020
Resumen
La pandemia de COVID-19 tiene un impacto significativo en la mortalidad de la población, especialmente para aquellos con enfermedades subyacentes. Este estudio modela el exceso de muertes, destacando la necesidad de intervenciones sostenidas de salud pública y apoyo específico para las personas de alto riesgo.
Área de la Ciencia:
- Epidemiología
- Salud pública
- Economía de la salud
Sus antecedentes:
- El impacto total de la pandemia de COVID-19 en la mortalidad de la población sigue sin estar claro.
- Los modelos de mortalidad existentes no tienen en cuenta las condiciones preexistentes o los efectos a largo plazo.
- Comprender el exceso de muertes requiere incorporar factores de alto riesgo y tasas de mortalidad basales.
Objetivo del estudio:
- Para estimar el exceso de muertes durante un año debido a COVID-19 bajo varios escenarios.
- Desarrollar un modelo y una herramienta en línea para calcular el exceso de mortalidad basado en factores de riesgo.
- Informar las decisiones políticas relativas al control y la prevención de pandemias.
Principales métodos:
- Se utilizaron registros electrónicos de salud vinculados de Inglaterra (Health Data Research UK-CALIBER) para un estudio de cohorte basado en la población.
- Incluido más de 3,8 millones de personas mayores de 30 años registradas entre 1997-2017.
- Estimación de la mortalidad al año y el exceso de muertes utilizando riesgos relativos (1,5, 2,0, 3,0) en diferentes escenarios de transmisión (tasas de infección del 0,001% al 80%).
Principales resultados:
- Más del 20% de la población del estudio fue identificada como de alto riesgo debido a condiciones subyacentes.
- El exceso de muertes estimado varió significativamente según el escenario, desde 2 en la supresión total hasta casi 588 000 en un escenario de "no hacer nada" (RR 3.0).
- Se desarrolló un prototipo de calculadora de riesgos en línea para uso público.
Conclusiones:
- El estudio proporciona un modelo y una herramienta para comprender el exceso de mortalidad por COVID-19.
- Los resultados subrayan la necesidad de medidas de supresión duraderas y rigurosas.
- Las intervenciones preventivas dirigidas a las personas de alto riesgo son cruciales, junto con las evaluaciones nacionales de los efectos pandémicos.
Videos de Conceptos Relacionados
01:20Actuarial Approach
237
The actuarial approach, a statistical method originally developed for life insurance risk assessment, is widely used to calculate survival rates in clinical and population studies. This method accounts for participants lost to follow-up or those who die from causes unrelated to the study, ensuring a more accurate representation of survival probabilities.
Consider the example of a high-risk surgical procedure with significant early-stage mortality. A two-year clinical study is conducted,...
Consider the example of a high-risk surgical procedure with significant early-stage mortality. A two-year clinical study is conducted,...
237
01:15Assumptions of Survival Analysis
318
Survival models analyze the time until one or more events occur, such as death in biological organisms or failure in mechanical systems. These models are widely used across fields like medicine, biology, engineering, and public health to study time-to-event phenomena. To ensure accurate results, survival analysis relies on key assumptions and careful study design.
318
01:29Bias in Epidemiological Studies
1.1K
Biases can arise at various stages of research, from study design and data collection to analysis and interpretation. Recognizing and addressing these biases is essential to ensure the validity and reliability of epidemiological findings.Broadly speaking, biases in epidemiology fall into three main categories: selection bias, information bias, and confounding. A more detailed description of possible biases is:
1.1K
01:27Confounding in Epidemiological Studies
496
Confounding in statistical epidemiology represents a pivotal challenge, referring to the distortion in the perceived relationship between an exposure and an outcome due to the presence of a third variable, known as a confounder. This variable is associated with both the exposure and the outcome but is not a direct link in their causal chain. Its presence can lead to erroneous interpretations of the exposure's effect, either exaggerating or underestimating the true association. This...
496
01:24Kaplan-Meier Approach
484
The Kaplan-Meier estimator is a non-parametric method used to estimate the survival function from time-to-event data. In medical research, it is frequently employed to measure the proportion of patients surviving for a certain period after treatment. This estimator is fundamental in analyzing time-to-event data, making it indispensable in clinical trials, epidemiological studies, and reliability engineering. By estimating survival probabilities, researchers can evaluate treatment effectiveness,...
484
01:21Cancer Survival Analysis
580
Cancer survival analysis focuses on quantifying and interpreting the time from a key starting point, such as diagnosis or the initiation of treatment, to a specific endpoint, such as remission or death. This analysis provides critical insights into treatment effectiveness and factors that influence patient outcomes, helping to shape clinical decisions and guide prognostic evaluations. A cornerstone of oncology research, survival analysis tackles the challenges of skewed, non-normally...
580