Saltar al contenido
Volver a los resultados

Análisis de Kaplan-Meier — Estimación no paramétrica de la supervivencia

Propuesto por
Edward L. Kaplan and Paul Meier
Año
1958
Tipo
Nonparametric survival estimator
Familia
Clinical / epidemiology

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El análisis de Kaplan-Meier (KM) es un método no paramétrico para estimar la función de supervivencia a partir de datos de tiempo hasta el evento.

Introducido por Kaplan y Meier en 1958, produce la curva de supervivencia clásica en forma de escalón que muestra la probabilidad de sobrevivir más allá de cada tiempo de evento observado, teniendo en cuenta correctamente las observaciones censuradas —participantes que abandonaron el estudio o aún no habían experimentado el evento al final del seguimiento. Es una de las técnicas más utilizadas en investigación clínica y epidemiológica.

La intuición detrás del método

Imagine seguir a un grupo de pacientes con cáncer para ver cuánto tiempo sobreviven después del tratamiento. Algunos mueren durante el estudio (eventos observados); otros siguen vivos cuando el estudio termina o abandonan (censurados). Un promedio simple ignora el censurado y subestima la supervivencia. El estimador de Kaplan-Meier, en cambio, multiplica una serie de probabilidades condicionales de supervivencia —la probabilidad de sobrevivir a cada tiempo de evento sucesivo dado que se ha sobrevivido hasta ese punto—, lo que produce una curva en forma de escalón que solo desciende cuando ocurre un evento real. Las observaciones censuradas reducen el conjunto de riesgo pero no cuentan como eventos, por lo que su información se utiliza hasta el momento en que salen del estudio.

Historia

El análisis de Kaplan-Meier se origina en un artículo histórico de 1958 de Edward L. Kaplan y Paul Meier publicado en el Journal of the American Statistical Association. Meier había derivado el estimador de producto-límite de forma independiente; un editor de la revista reconoció el trabajo paralelo y animó a una publicación conjunta. El artículo inicialmente recibió un interés modesto, pero llegó a convertirse en uno de los artículos científicos más citados de todos los tiempos. La prueba de log-rank asociada fue desarrollada por Nathan Mantel en 1966. El método se convirtió en central para la presentación de informes de ensayos clínicos a partir de la década de 1970, y las agencias reguladoras de todo el mundo esperan ahora curvas de KM como parte de cualquier presentación de análisis de tiempo hasta el evento.

Cuándo usarlo

Utilice el análisis de Kaplan-Meier siempre que el resultado sea el tiempo hasta un único evento bien definido (muerte, recaída, alta, fallo del tratamiento) y los tiempos de seguimiento varíen entre los participantes. Es el primer paso estándar en cualquier análisis de supervivencia y es apropiado tanto para ensayos aleatorizados como para estudios de cohortes observacionales. Prefiera las curvas de KM para la presentación descriptiva y la comparación de grupos cuando se cumple el supuesto de riesgos proporcionales; pase a la regresión de Cox cuando necesite ajustar por múltiples covariables simultáneamente. No utilice KM cuando el evento no puede ocurrir más de una vez por persona y están presentes eventos competidores (p. ej., muerte por otra causa antes del evento de interés) — utilice en su lugar análisis de riesgos competidores.

Limitaciones y consideraciones

  • No puede ajustar por múltiples confundidores simultáneamente — utilice la regresión de Cox para estimaciones ajustadas por covariables.
  • Asume censurado no informativo; las estimaciones sesgadas resultan si el censurado está relacionado con el pronóstico.
  • No maneja eventos recurrentes o riesgos competidores sin extensión a métodos más especializados.
  • La prueba de log-rank que compara curvas tiene potencia reducida cuando la razón de riesgos instantáneos cambia con el tiempo (curvas que se cruzan o convergen).
  • Las estimaciones se vuelven inestables en tiempos de seguimiento largos cuando quedan pocos participantes en riesgo.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Completamente no paramétrico — no hace suposiciones sobre la forma de la distribución de supervivencia.
  • Incorpora correctamente las observaciones censuradas, maximizando el uso de todo el tiempo de seguimiento disponible.
  • Produce una visualización intuitiva e inmediatamente interpretable (la curva de supervivencia en forma de escalón).
  • La mediana de supervivencia con intervalos de confianza se deriva fácilmente como una estadística resumen.
  • Ampliamente comprendido por audiencias clínicas, epidemiológicas y regulatorias.

Aplicaciones

  • Comparación de la supervivencia global entre brazos de tratamiento en ensayos controlados aleatorizados de oncología.
  • Estimación del tiempo hasta la readmisión hospitalaria después de cirugía cardíaca en estudios de cohortes cardiovasculares.
  • Presentación de la supervivencia libre de progresión en presentaciones regulatorias para nuevos fármacos oncológicos.
  • Análisis del tiempo hasta la interrupción del tratamiento o la aparición de eventos adversos en estudios de farmacovigilancia.
  • Estimación de la supervivencia del injerto en registros de trasplantes y estudios de rechazo de órganos.
  • Descripción del tiempo hasta la recurrencia después de resección quirúrgica en cohortes de cáncer colorrectal o de mama.

Cómo funciona

Cómo funciona

1

Especifique el evento de interés (p. ej., muerte, recurrencia de la enfermedad, readmisión hospitalaria), el origen temporal (p. ej., fecha de aleatorización, fecha de diagnóstico) y el mecanismo de censurado. Cada participante aporta un tiempo de supervivencia y un indicador de evento (1 = ocurrió el evento, 0 = censurado). Asegúrese de que el censurado no sea informativo —es decir, que los participantes que son censurados no difieran sistemáticamente en pronóstico de aquellos que permanecen en riesgo.

2

Ordene todos los tiempos de evento observados de menor a mayor. Los empates (múltiples eventos en el mismo punto temporal) se resuelven por convención estándar. En cada tiempo de evento distinto t_i, registre n_i (el número de participantes en riesgo justo antes de t_i) y d_i (el número de eventos en t_i). Las observaciones censuradas que ocurren entre tiempos de evento consecutivos reducen n_i para pasos posteriores pero no se cuentan como eventos.

3

Calcule la probabilidad de supervivencia en cada tiempo de evento utilizando la fórmula del producto-límite: S(t) = producto sobre todos los t_i <= t de (1 - d_i / n_i). La estimación comienza en S(0) = 1 y disminuye en escalones solo en los tiempos de evento, manteniéndose constante entre eventos. Esto no hace suposiciones sobre la distribución subyacente de los tiempos de supervivencia.

Fórmula
S(t) = \prod_{t_i \le t} \left(1 - \frac{d_i}{n_i}\right)
4

Las observaciones censuradas —participantes perdidos en el seguimiento, retirados o sin evento al corte del estudio— se incorporan eliminándolos del conjunto de riesgo en su tiempo de censurado, después de haber contribuido al denominador n_i hasta ese punto. El manejo adecuado del censurado es fundamental: si el censurado es informativo (correlacionado con el pronóstico), la estimación de KM será sesgada y se necesitarán métodos más sofisticados.

5

Cuando se comparan dos o más grupos (p. ej., tratamiento frente a control), se estima una curva de KM separada para cada grupo y las curvas se muestran juntas. La prueba de log-rank (o prueba de Mantel-Cox) proporciona una prueba formal de significancia para la hipótesis nula de funciones de supervivencia iguales. La prueba de log-rank es más potente cuando la razón de riesgos instantáneos entre grupos es aproximadamente constante en el tiempo (supuesto de riesgos proporcionales); existen variantes ponderadas como la de Wilcoxon-Breslow cuando las diferencias tempranas son de mayor interés.

6

Presente las curvas de KM gráficamente con una tabla de números en riesgo debajo del eje x. Reporte la mediana de supervivencia (el tiempo en el que S(t) cruza 0.5) con intervalos de confianza del 95% (típicamente la fórmula de Greenwood). Si se realizó una comparación, reporte el valor p de log-rank y la razón de riesgos de un modelo de Cox. Especifique el tamaño total de la muestra, el número de eventos y la duración del seguimiento.

Errores comunes

  • Ignorar los riesgos competidores — usar KM cuando los participantes pueden experimentar un evento competidor (p. ej., muerte antes de la recaída) conduce a una sobreestimación de la incidencia acumulada del evento de interés; utilice en su lugar el enfoque de Fine-Gray o de riesgos específicos de la causa.
  • Presentar curvas sin una tabla de números en riesgo — las porciones tardías de la curva basadas en muy pocos individuos son poco fiables y engañosas sin contexto.
  • Censurado informativo — si los pacientes son censurados porque su estado empeoró y cambiaron de tratamiento, la cohorte superviviente está seleccionada artificialmente; se deben considerar análisis de sensibilidad o ponderación por probabilidad inversa de censurado.
  • Reportar solo el valor p de log-rank sin un tamaño del efecto — el valor p indica significancia pero no la magnitud de la diferencia; siempre acompáñelo con una razón de riesgos y un intervalo de confianza de la regresión de Cox.
  • Curvas de supervivencia que se cruzan con una única prueba de log-rank — cuando las curvas se cruzan, la prueba de log-rank puede no ser significativa incluso cuando existe una diferencia real temprana o tardía; la razón de riesgos medios de supervivencia restringida o las pruebas de log-rank ponderadas son más informativas.

Preguntas frecuentes

¿Cuál es la diferencia entre la curva de Kaplan-Meier y la curva de peligro acumulado?

La curva de KM muestra S(t), la probabilidad de sobrevivir (no experimentar el evento) más allá del tiempo t, que disminuye de 1 hacia 0. El peligro acumulado H(t) = -log S(t) aumenta con el tiempo y representa el riesgo instantáneo acumulado. Ambas son representaciones equivalentes de los mismos datos subyacentes; el peligro acumulado es lineal en una escala logarítmica bajo una distribución exponencial, lo que lo hace útil para la verificación de modelos.

¿Cuándo debo usar la prueba de log-rank frente a un modelo de Cox para comparar grupos?

Utilice la prueba de log-rank cuando desee una prueba de significancia no paramétrica simple que compare dos o más curvas de KM no ajustadas. Utilice la regresión de Cox cuando necesite ajustar por confundidores, incluir predictores continuos u obtener una razón de riesgos como tamaño del efecto resumen. Ambos enfoques asumen riesgos proporcionales; cuando esa suposición se viola, considere el análisis de la razón de riesgos medios de supervivencia restringida.

¿Cómo calculo el intervalo de confianza para la mediana de supervivencia?

El enfoque estándar aplica la fórmula de Greenwood para estimar la varianza de S(t), luego construye bandas de confianza puntuales alrededor de la curva. El intervalo de confianza para la mediana es el conjunto de puntos temporales donde la banda de confianza cruza la línea de probabilidad 0.5. La mayoría del software estadístico (paquete survival de R, SAS LIFETEST, Stata stci) calcula esto automáticamente.

¿Puedo usar Kaplan-Meier cuando tengo riesgos competidores?

El análisis estándar de KM trata los eventos competidores (p. ej., muerte por otra causa antes del evento de interés) como observaciones censuradas, lo que lleva a una sobreestimación de la incidencia acumulada porque se asume que los individuos censurados permanecen en riesgo. Cuando hay riesgos competidores presentes, utilice la función de incidencia acumulada (CIF) de la regresión de Fine-Gray o modelos de peligros específicos de la causa en lugar del estimador de KM.

¿Qué tamaño de muestra necesito para una estimación fiable de Kaplan-Meier?

La fiabilidad depende principalmente del número de eventos observados en lugar del tamaño total de la muestra. Como regla general, se necesitan al menos 10-20 eventos por grupo para estimaciones de curvas estables, y se deben realizar cálculos formales de potencia para la prueba de log-rank basándose en la tasa de eventos esperada, la mediana de supervivencia y la potencia deseada. En tiempos de seguimiento largos donde quedan pocos participantes en riesgo (menos de ~5-10), la curva se vuelve poco fiable y debe truncarse o presentarse con la incertidumbre adecuada.

Métodos relacionados

Fuentes

  1. Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.

    Abrir referencia DOI
    Copiado.
  2. Kaplan–Meier estimator. Wikipedia.

    Abrir referencia de la publicación
    Copiado.