Saltar al contenido
Volver a los resultados

Análisis de Supervivencia

Propuesto por
Edward L. Kaplan and Paul Meier
Año
1958
Tipo
Method
Familia
time-event-modeling

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 supervivencia es un conjunto de métodos estadísticos para modelar el tiempo desde un punto de partida definido hasta que ocurre un evento de interés (enfermedad, recuperación, muerte, fallo de equipo).

El estimador no paramétrico de Kaplan y Meier (1958) y el modelo de riesgos proporcionales de David Cox (1972) permitieron conjuntamente el análisis de datos censurados—individuos cuyos tiempos hasta el evento son desconocidos porque abandonaron el estudio o seguían libres de evento al final del seguimiento. Indispensable en oncología, cardiología, investigación de enfermedades infecciosas, fiabilidad de ingeniería y cualquier campo donde el tiempo hasta el evento sea relevante.

La intuición detrás del método

Muchos estudios siguen a las personas a lo largo del tiempo hasta que experimentan un resultado (diagnóstico de enfermedad, muerte) o el estudio finaliza. Algunos individuos experimentan el resultado (eventos), mientras que otros completan el estudio sin el resultado (censurados). Los métodos estadísticos estándar ignoran los datos censurados o hacen suposiciones fuertes, sesgando los resultados. El análisis de supervivencia tiene en cuenta la censura y el tiempo de seguimiento, permitiendo una comparación adecuada de las tasas de eventos entre grupos. La función de supervivencia S(t) = probabilidad de estar libre de evento en el tiempo t. La tasa de riesgo h(t) = tasa instantánea de ocurrencia de eventos en el tiempo t. El cociente de riesgos (hazard ratio) compara las tasas de eventos entre grupos: HR = 1 (sin diferencia), HR < 1 (riesgo reducido), HR > 1 (riesgo aumentado). Este marco permite a los investigadores identificar efectos del tratamiento, factores pronósticos y estratificación del riesgo a pesar de datos incompletos.

Historia

Kaplan y Meier introdujeron su estimador no paramétrico de supervivencia en 1958, revolucionando el análisis de ensayos clínicos al manejar adecuadamente la censura. El modelo de riesgos proporcionales de David Cox (1972) lo extendió a entornos multivariables, convirtiéndose en el estándar para el ajuste de covariables. El enfoque de verosimilitud parcial permitió una computación eficiente sin especificar la función de riesgo de base. Los desarrollos modernos incluyen la ponderación por probabilidad inversa para censura informativa (Robins, 1993), modelos de tiempo de fallo acelerado (Kalbfleisch & Prentice, 1980) y análisis de riesgos competitivos (Fine & Gray, 1999) para entornos donde múltiples tipos de eventos impiden un análisis único.

Cuándo usarlo

Usar análisis de supervivencia cuando el resultado de interés es el tiempo hasta el evento y los datos contienen censura. Oncología: comparar la supervivencia entre brazos de tratamiento (ensayos aleatorizados estándar). Cardiología: analizar el tiempo hasta eventos cardiovasculares (infarto de miocardio, accidente cerebrovascular) en estudios de cohortes. Enfermedades infecciosas: tiempo desde la infección hasta la recuperación o progresión. Implantes médicos: fallo del dispositivo o tiempo de reemplazo. Ingeniería industrial: tiempo hasta el fallo del equipo (análisis de fiabilidad). Cualquier estudio longitudinal con entrada escalonada y/o retirada temprana puede usar métodos de supervivencia. Si no hay censura (todos los participantes seguidos hasta la finalización), métodos más simples (prueba t, regresión logística) son suficientes, aunque el análisis de supervivencia sigue siendo válido.

Limitaciones y consideraciones

  • Suposición de riesgos proporcionales: el modelo de Cox asume un efecto de tratamiento constante a lo largo del tiempo; las violaciones requieren métodos alternativos (modelos de tiempo de fallo acelerado, coeficientes dependientes del tiempo, estratificación).
  • Datos escasos en tiempos de seguimiento largos: las estimaciones de supervivencia se vuelven menos estables a medida que los participantes son censurados; los intervalos de confianza se amplían, limitando la inferencia para la predicción de eventos tardíos.
  • Censura administrativa: si la censura está relacionada con el pronóstico (censura informativa), los métodos estándar están sesgados; requiere modelado conjunto o ponderación por probabilidad inversa.
  • Asume independencia condicional dados los covariables; la confusión no medida amenaza la inferencia causal, particularmente en estudios observacionales.
  • Pequeños recuentos de eventos reducen la potencia y la estabilidad de los coeficientes de Cox; generalmente se necesitan ≥10 eventos por covariable para una estimación estable.

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

Fortalezas

  • Maneja correctamente los datos censurados sin sesgo: explota la información de los individuos censurados (tiempo de seguimiento) en lugar de descartarlos.
  • Estima de manera flexible asociaciones tanto univariadas (Kaplan-Meier) como multivariables (Cox); las covariables de base se ajustan sin asumir efectos lineales.
  • Los cocientes de riesgos son intuitivos: una única métrica que compara las tasas de eventos, fácilmente interpretable por los clínicos y comunicable en publicaciones.
  • Riesgos no proporcionales detectables: los diagnósticos de suposición alertan a los investigadores cuando los efectos del tratamiento cambian con el tiempo; métodos alternativos (modelos AFT, estratificación, coeficientes dependientes del tiempo) abordan las violaciones.
  • Estratificación del riesgo: las curvas de supervivencia predichas permiten a los clínicos cuantificar el pronóstico y tomar decisiones de tratamiento individualizadas basadas en las características de la línea de base.

Aplicaciones

  • Ensayos oncológicos: comparar la supervivencia global y la supervivencia libre de enfermedad entre regímenes de quimioterapia, inmunoterapias o enfoques quirúrgicos; establecer prácticas estándar de atención.
  • Investigación cardiovascular: modelar el tiempo desde factores de riesgo de base (hipertensión, diabetes, tabaquismo) hasta el primer evento adverso cardíaco importante; desarrollar algoritmos de predicción de riesgo.
  • Enfermedades infecciosas: analizar el tiempo desde el diagnóstico hasta la supresión viral (VIH), la finalización del tratamiento (tuberculosis) o la mejora clínica (COVID-19); comparar la eficacia del tratamiento.
  • Dispositivos e implantes médicos: pruebas de fiabilidad de marcapasos, articulaciones artificiales, stents; predecir el fallo del dispositivo y estimar los intervalos de reemplazo.
  • Epidemiología ocupacional: tiempo desde la exposición ocupacional (amianto, polvo de sílice) hasta el diagnóstico de la enfermedad; cuantificar el riesgo y establecer límites de exposición.

Cómo funciona

Cómo funciona

1

Administrar el análisis de supervivencia definiendo: (1) la fecha de inicio del estudio (p. ej., diagnóstico, inicio del tratamiento, inscripción en el estudio), (2) el evento de interés (p. ej., muerte, recurrencia de la enfermedad) y (3) el indicador de censura (si el evento ocurrió o fue censurado). Seguir a los participantes prospectivamente desde la línea de base hasta la ocurrencia del evento o el final del seguimiento. Registrar dos variables clave: tiempo hasta el evento (días/meses/años desde el inicio hasta el evento o el último contacto) y estado del evento (1 = ocurrió el evento, 0 = censurado). Recopilar características de la línea de base (edad, grupo de tratamiento, biomarcadores) como covariables. Asegurar que las definiciones de los eventos estén claramente operacionalizadas y sean consistentes en todos los participantes.

2

Para la supervivencia descriptiva: usar el método de Kaplan-Meier. En cada tiempo de evento t_i, calcular S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)] donde d_i es el número de eventos en t_i y n_i es el número en riesgo (aún no ha tenido el evento o ha sido censurado). Representar gráficamente las curvas de supervivencia acumulada por grupo; comparar usando la prueba de log-rank (prueba χ² de eventos observados vs esperados bajo la hipótesis nula de supervivencia igual). Para asociación univariada/multivariada: usar regresión de Cox de riesgos proporcionales. La función de riesgo h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...), donde h₀(t) es el riesgo de base y los coeficientes β cuantifican los efectos de las covariables. Estimar los coeficientes mediante verosimilitud parcial; calcular los cocientes de riesgos (HR) = exp(β) con intervalos de confianza del 95%. Probar la suposición de riesgos proporcionales: gráficos de residuos de Schoenfeld y pruebas de coeficientes dependientes del tiempo (p > 0.05 apoya la suposición). Informar el índice de concordancia (C-index): 0.5 = aleatorio, 0.7–0.8 = buena discriminación, >0.8 = excelente.

3

Las curvas de Kaplan-Meier representan la probabilidad acumulada de permanecer libre de eventos a lo largo del tiempo; las curvas que divergen temprano sugieren fuertes efectos del tratamiento o del grupo. El valor p de log-rank prueba la igualdad de las curvas de supervivencia; p < 0.05 indica una diferencia significativa en la supervivencia. Para la regresión de Cox, interpretar los cocientes de riesgos como: HR = 1.5 para un predictor significa un 50% más de riesgo (tasa de eventos) por cada unidad de aumento, ajustando por otras covariables. HR < 1 indica un riesgo reducido (efecto protector). Los intervalos de confianza que excluyen 1 indican significancia estadística. Examinar los residuos de Schoenfeld (graficar el coeficiente a lo largo del tiempo) para verificar la suposición de riesgos proporcionales; las desviaciones indican que el efecto de la covariable cambia con el tiempo (la violación sugiere ajustar un modelo de coeficientes dependientes del tiempo en su lugar). Graficar el riesgo acumulado o el riesgo de base acumulado para visualizar el ajuste del modelo. Usar curvas de supervivencia predichas (estratificadas por grupos de exposición o categorías de riesgo) para comunicar los resultados clínicamente.

Errores comunes

  • Tratar los datos censurados como fallos: codificar incorrectamente los tiempos censurados como eventos sesga las estimaciones de riesgo a la baja y los cocientes de riesgos hacia 1.
  • No verificar la suposición de riesgos proporcionales: graficar residuos de Schoenfeld o probar coeficientes dependientes del tiempo; la violación invalida la interpretación del modelo de Cox.
  • Omitir los indicadores de censura: se debe codificar explícitamente el estado del evento (1 = ocurrió, 0 = censurado); la codificación incorrecta conduce a una verosimilitud y estimaciones incorrectas.
  • Comparar grupos con tiempos de seguimiento desiguales sin ajuste: el análisis de supervivencia tiene en cuenta el seguimiento variable, pero la comparación ingenua de recuentos de eventos está sesgada.
  • Sobreajuste con demasiadas covariables en relación con los eventos: la regresión de Cox con muchos predictores y pocos eventos produce estimaciones inestables y poco fiables; usar regresión penalizada (ridge, lasso) o reducción de dimensionalidad.
  • Usar el seguimiento mediano como justificación para omitir el análisis de supervivencia: el seguimiento mediano describe los datos pero no reemplaza el análisis adecuado de los tiempos de seguimiento individuales.

Preguntas frecuentes

¿Qué significa un cociente de riesgos (hazard ratio) de 0.6 y en qué se diferencia del riesgo relativo?

Un cociente de riesgos (HR) de 0.6 significa que la tasa de eventos instantánea (riesgo) es el 60% de la del grupo de referencia en cualquier momento dado, ajustando por covariables, lo que equivale a una reducción del riesgo del 40%. El HR proviene del análisis de supervivencia/Cox. El riesgo relativo (RR) proviene de datos de cohortes o ensayos: RR = [incidencia en expuestos] / [incidencia en no expuestos]. El HR aproxima al RR cuando los eventos son raros (<10%), pero divergen con resultados comunes. El HR compara específicamente las tasas de eventos teniendo en cuenta la censura y el tiempo de seguimiento; el RR no requiere metodología de supervivencia. Siempre informe qué medida utiliza.

¿Cuál es la suposición de riesgos proporcionales y qué hago si se viola?

La suposición de riesgos proporcionales significa que el efecto del tratamiento (cociente de riesgos) es constante a lo largo del tiempo. Pruébelo graficando los residuos de Schoenfeld frente al tiempo; una tendencia sugiere violación. Alternativamente, ajuste un modelo de coeficientes dependientes del tiempo: incluya una interacción entre la covariable y una función del tiempo (p. ej., logaritmo del tiempo). Si la suposición se viola, las opciones incluyen: (1) estratificar el análisis por la variable problemática (riesgos de base separados), (2) usar modelos de tiempo de fallo acelerado (AFT), o (3) informar el efecto del tratamiento en puntos de tiempo específicos (p. ej., supervivencia a 1 año, 5 años) por separado. Siempre verifique e informe sobre esta suposición.

¿Cómo debo interpretar el valor p de la prueba de log-rank en mi análisis de Kaplan-Meier?

La prueba de log-rank compara el número observado de eventos en cada grupo con el número esperado bajo la hipótesis nula (curvas de supervivencia iguales). p < 0.05 indica una diferencia estadísticamente significativa en la supervivencia entre los grupos. Como todos los valores p, prueba una hipótesis nula puntual; un valor p grande no prueba la igualdad de supervivencia, solo evidencia insuficiente para rechazar la igualdad. También informe el tiempo de supervivencia mediano y las probabilidades de supervivencia en puntos de tiempo clave (1 año, 5 años), los intervalos de confianza y el número en riesgo en cada intervalo en el gráfico de Kaplan-Meier.

¿Cómo manejo resultados múltiples (p. ej., recurrencia de la enfermedad y muerte)?

Cuando son posibles múltiples eventos distintos, utilice el análisis de riesgos competitivos. Si modela la recurrencia de la enfermedad con regresión de Cox ignorando la muerte, sesga las estimaciones porque la muerte censura el seguimiento de la recurrencia. El modelo de riesgos de subdistribución de Fine-Gray separa la probabilidad marginal de cada evento. Calcule la función de incidencia acumulada (CIF) para cada tipo de evento (no 1 menos el otro); compare usando la prueba de Gray. Este enfoque es esencial en oncología (recurrencia vs muerte no cancerosa) y cardiología (infarto vs accidente cerebrovascular).

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. Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220.

    Abrir referencia DOI
    Copiado.