Skip to content
Voltar aos resultados

Análise de Kaplan-Meier — Estimativa Não Paramétrica de Sobrevivência

Proposto por
Edward L. Kaplan and Paul Meier
Ano
1958
Tipo
Nonparametric survival estimator
Família
Clinical / epidemiology

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A análise de Kaplan-Meier (KM) é um método não paramétrico para estimar a função de sobrevivência a partir de dados de tempo até o evento.

Introduzida por Kaplan e Meier em 1958, ela produz a curva clássica de sobrevivência em degraus que mostra a probabilidade de sobreviver além de cada tempo de evento observado, contabilizando corretamente as observações censuradas — participantes que abandonaram o estudo ou ainda não haviam vivenciado o evento ao final do acompanhamento. É uma das técnicas mais utilizadas em pesquisa clínica e epidemiológica.

A intuição por trás do método

Imagine acompanhar um grupo de pacientes com câncer para ver quanto tempo eles sobrevivem após o tratamento. Alguns morrem durante o estudo (eventos observados); outros ainda estão vivos quando o estudo termina ou abandonam (censurados). Uma média simples ignora a censura e subestima a sobrevivência. O estimador de Kaplan-Meier, em vez disso, multiplica uma série de probabilidades de sobrevivência condicionais — a chance de sobreviver a cada tempo de evento sucessivo, dada a sobrevivência até aquele ponto — resultando em uma curva em degraus que cai apenas quando ocorre um evento real. Observações censuradas reduzem o conjunto de risco, mas não contam como eventos, portanto, suas informações são usadas até o momento em que saem.

História

A análise de Kaplan-Meier origina-se de um artigo marco de 1958 de Edward L. Kaplan e Paul Meier no Journal of the American Statistical Association. Meier havia derivado o estimador produto-limite independentemente; um editor da revista reconheceu o trabalho paralelo e incentivou uma publicação conjunta. O artigo foi inicialmente recebido com interesse modesto, mas cresceu para se tornar um dos artigos científicos mais citados já publicados. O teste log-rank associado foi desenvolvido por Nathan Mantel em 1966. O método tornou-se central para a comunicação de ensaios clínicos a partir da década de 1970, e agências reguladoras em todo o mundo agora esperam curvas de KM como parte de qualquer submissão de análise de tempo até o evento.

Quando usar

Use a análise de Kaplan-Meier sempre que o desfecho for o tempo até um único evento bem definido (morte, recidiva, alta, falha do tratamento) e os tempos de acompanhamento variarem entre os participantes. É o primeiro passo padrão em qualquer análise de sobrevivência e é apropriado tanto para ensaios randomizados quanto para estudos de coorte observacionais. Prefira curvas de KM para exibição descritiva e comparação de grupos quando a suposição de riscos proporcionais se mantém; passe para a regressão de Cox quando precisar ajustar simultaneamente para múltiplos covariáveis. Não use KM quando o evento não puder ocorrer mais de uma vez por pessoa e houver eventos concorrentes (por exemplo, morte por outra causa antes do evento de interesse) — use análise de riscos concorrentes em vez disso. KM também é inadequado quando a censura é provavelmente informativa, quando o ajuste contínuo de covariáveis é necessário, ou quando o desfecho é binário em vez de tempo até o evento.

Limitações e considerações

  • Não é possível ajustar para múltiplos confundidores simultaneamente — use riscos proporcionais de Cox para estimativas ajustadas por covariáveis.
  • Assume censura não informativa; estimativas enviesadas resultam se a censura estiver relacionada ao prognóstico.
  • Não lida com eventos recorrentes ou riscos concorrentes sem extensão para métodos mais especializados.
  • O teste log-rank que compara curvas tem poder reduzido quando a razão de riscos muda ao longo do tempo (curvas cruzadas ou convergentes).
  • As estimativas tornam-se instáveis em longos tempos de acompanhamento quando poucos participantes permanecem em risco.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Completamente não paramétrico — não faz suposições sobre a forma da distribuição de sobrevivência.
  • Incorpora corretamente observações censuradas, maximizando o uso de todo o tempo de acompanhamento disponível.
  • Produz um visual intuitivo e imediatamente interpretável (a curva de sobrevivência em degraus).
  • A mediana de sobrevivência com intervalos de confiança é facilmente derivada como uma estatística de resumo.
  • Amplamente compreendido por públicos clínicos, epidemiológicos e regulatórios.

Aplicações

  • Comparação da sobrevida global entre braços de tratamento em ensaios clínicos randomizados em oncologia.
  • Estimativa do tempo para readmissão hospitalar após cirurgia cardíaca em estudos de coorte cardiovascular.
  • Relato da sobrevida livre de progressão em submissões regulatórias para novos medicamentos oncológicos.
  • Análise do tempo para descontinuação do tratamento ou início de evento adverso em estudos de farmacovigilância.
  • Estimativa da sobrevida do enxerto em registros de transplantes e estudos de rejeição de órgãos.
  • Descrição do tempo para recorrência após ressecção cirúrgica em coortes de câncer colorretal ou de mama.

Como funciona

Como funciona

1

Especifique o evento de interesse (por exemplo, morte, recorrência da doença, readmissão hospitalar), a origem do tempo (por exemplo, data de randomização, data de diagnóstico) e o mecanismo de censura. Cada participante contribui com um tempo de sobrevivência e um indicador de evento (1 = evento ocorreu, 0 = censurado). Certifique-se de que a censura seja não informativa — ou seja, os participantes que são censurados não devem diferir sistematicamente em prognóstico daqueles que permanecem em risco.

2

Ordene todos os tempos de evento observados do menor para o maior. Empates (múltiplos eventos no mesmo ponto no tempo) são resolvidos por convenção padrão. Em cada tempo de evento distinto t_i, registre n_i (o número de participantes em risco imediatamente antes de t_i) e d_i (o número de eventos em t_i). Observações censuradas que ocorrem entre tempos de evento consecutivos reduzem n_i para etapas subsequentes, mas não são contadas como eventos.

3

Calcule a probabilidade de sobrevivência em cada tempo de evento usando a fórmula do produto-limite: S(t) = produto sobre todos os t_i <= t de (1 - d_i / n_i). A estimativa começa em S(0) = 1 e diminui em degraus apenas nos tempos de evento, permanecendo constante entre os eventos. Isso não faz suposições sobre a distribuição subjacente dos tempos de sobrevivência.

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

Observações censuradas — participantes perdidos no acompanhamento, retirados ou livres de eventos no corte do estudo — são incorporadas removendo-os do conjunto de risco em seu tempo de censura, após contribuírem para o denominador n_i até aquele ponto. O manuseio adequado da censura é crítico: se a censura for informativa (correlacionada com o prognóstico), a estimativa de KM será enviesada e métodos mais sofisticados serão necessários.

5

Quando dois ou mais grupos (por exemplo, tratamento vs. controle) são comparados, uma curva de KM separada é estimada para cada grupo e as curvas são exibidas juntas. O teste log-rank (ou teste de Mantel-Cox) fornece um teste formal de significância para a hipótese nula de funções de sobrevivência iguais. O teste log-rank é mais poderoso quando a razão de riscos entre os grupos é aproximadamente constante ao longo do tempo (suposição de riscos proporcionais); variantes ponderadas, como o de Wilcoxon-Breslow, estão disponíveis quando diferenças precoces são de maior interesse.

6

Apresente as curvas de KM graficamente com uma tabela de números em risco abaixo do eixo x. Relate o tempo mediano de sobrevivência (o tempo em que S(t) cruza 0,5) com intervalos de confiança de 95% (tipicamente a fórmula de Greenwood). Se uma comparação foi feita, relate o valor p do log-rank e a razão de riscos de um modelo de Cox. Especifique o tamanho total da amostra, o número de eventos e a duração do acompanhamento.

Erros comuns

  • Ignorando riscos concorrentes — usar KM quando os participantes podem experimentar um evento concorrente (por exemplo, morte antes da recidiva) leva à superestimação da incidência cumulativa do evento de interesse; use a abordagem de incidência cumulativa de Fine-Gray ou de riscos específicos da causa em vez disso.
  • Apresentando curvas sem uma tabela de números em risco — porções tardias da curva baseadas em muito poucos indivíduos são não confiáveis e enganosas sem contexto.
  • Censura informativa — se os pacientes são censurados porque pioraram e mudaram de tratamento, a coorte sobrevivente é artificialmente selecionada; análises de sensibilidade ou ponderação por probabilidade inversa de censura devem ser consideradas.
  • Relatando apenas o valor p do log-rank sem um tamanho de efeito — o valor p indica significância, mas não a magnitude da diferença; sempre o acompanhe com uma razão de riscos e intervalo de confiança da regressão de Cox.
  • Curvas de sobrevivência cruzadas com um único teste log-rank — quando as curvas se cruzam, o teste log-rank pode não ser significativo mesmo quando há uma diferença real precoce ou tardia; o tempo mediano de sobrevivência restrito ou testes log-rank ponderados são mais informativos.

Perguntas frequentes

Qual é a diferença entre a curva de Kaplan-Meier e a curva de perigo cumulativo?

A curva de KM mostra S(t), a probabilidade de sobreviver (não experimentar o evento) além do tempo t, que diminui de 1 para 0. O perigo cumulativo H(t) = -log S(t) aumenta ao longo do tempo e representa o risco instantâneo acumulado. Ambos são representações equivalentes dos mesmos dados subjacentes; o perigo cumulativo é linear em escala logarítmica sob uma distribuição exponencial, tornando-o útil para verificação de modelos.

Quando devo usar o teste log-rank versus um modelo de Cox para comparar grupos?

Use o teste log-rank quando desejar um teste de significância não paramétrico simples comparando duas ou mais curvas de KM não ajustadas. Use a regressão de Cox quando precisar ajustar para confundidores, incluir preditores contínuos ou obter uma razão de riscos como tamanho de efeito de resumo. Ambas as abordagens assumem riscos proporcionais; quando essa suposição é violada, considere a análise do tempo mediano de sobrevivência restrito.

Como calculo o intervalo de confiança para a mediana de sobrevivência?

A abordagem padrão aplica a fórmula de Greenwood para estimar a variância de S(t), em seguida, constrói bandas de confiança pontuais em torno da curva. O intervalo de confiança para a mediana é o conjunto de pontos de tempo onde a banda de confiança cruza a linha de probabilidade 0,5. A maioria dos softwares estatísticos (pacote R survival, SAS LIFETEST, Stata stci) calcula isso automaticamente.

Posso usar Kaplan-Meier quando tenho riscos concorrentes?

A análise padrão de KM trata eventos concorrentes (por exemplo, morte por outra causa antes do evento de interesse) como observações censuradas, o que leva à superestimação da incidência cumulativa porque os indivíduos censurados são assumidos como permanecendo em risco. Quando riscos concorrentes estão presentes, use a função de incidência cumulativa (CIF) da regressão de Fine-Gray ou modelos de riscos específicos da causa em vez do estimador de KM.

Qual tamanho de amostra preciso para uma estimativa confiável de Kaplan-Meier?

A confiabilidade depende principalmente do número de eventos observados, em vez do tamanho total da amostra. Como regra geral, pelo menos 10-20 eventos por grupo são necessários para estimativas de curva estáveis, e cálculos formais de poder para o teste log-rank devem ser realizados com base na taxa de eventos esperada, mediana de sobrevivência e poder desejado. Em tempos de acompanhamento longos onde poucos participantes permanecem em risco (menos de ~5-10), a curva torna-se não confiável e deve ser truncada ou apresentada com incerteza apropriada.

Métodos relacionados

Fontes

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

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

    Abrir referência da publicação
    Copiado.