Skip to content
Voltar aos resultados

Análise de Sobrevida

Proposto por
Edward L. Kaplan and Paul Meier
Ano
1958
Tipo
Method
Família
time-event-modeling

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

Tamanho da fonte

O que ele faz?

Análise de sobrevida é um conjunto de métodos estatísticos para modelar o tempo desde um ponto inicial definido até a ocorrência de um evento de interesse (doença, recuperação, morte, falha de equipamento).

O estimador não paramétrico de Kaplan e Meier (1958) e o modelo de riscos proporcionais de David Cox (1972) permitiram conjuntamente a análise de dados censurados — indivíduos cujos tempos de evento são desconhecidos porque deixaram o estudo ou ainda estavam livres de eventos no acompanhamento. Indispensável em oncologia, cardiologia, pesquisa de doenças infecciosas, confiabilidade de engenharia e qualquer campo onde o tempo até o evento é relevante.

A intuição por trás do método

Muitos estudos acompanham pessoas ao longo do tempo até que elas experimentem um desfecho (diagnóstico de doença, morte) ou o estudo termine. Alguns indivíduos experimentam o desfecho (eventos), enquanto outros completam o estudo sem o desfecho (censurados). Métodos estatísticos padrão ignoram dados censurados ou fazem suposições fortes, enviesando os resultados. A análise de sobrevida leva em conta a censura e o tempo de acompanhamento, permitindo a comparação adequada das taxas de eventos entre grupos. A função de sobrevida S(t) = probabilidade de estar livre de eventos no tempo t. A taxa de risco h(t) = taxa instantânea de ocorrência de evento no tempo t. A razão de riscos compara as taxas de eventos entre grupos: HR = 1 (sem diferença), HR < 1 (risco reduzido), HR > 1 (risco aumentado). Essa estrutura permite aos pesquisadores identificar efeitos de tratamento, fatores prognósticos e estratificação de risco, apesar de dados incompletos.

História

Kaplan e Meier introduziram seu estimador não paramétrico de sobrevida em 1958, revolucionando a análise de ensaios clínicos ao lidar adequadamente com a censura. O modelo de riscos proporcionais de David Cox (1972) estendeu isso para cenários multivariados, tornando-se o padrão para ajuste de covariáveis. A abordagem de verossimilhança parcial permitiu computação eficiente sem especificar a função de risco basal. Desenvolvimentos modernos incluem ponderação por probabilidade inversa para censura informativa (Robins, 1993), modelos de tempo de falha acelerada (Kalbfleisch & Prentice, 1980) e análise de riscos concorrentes (Fine & Gray, 1999) para cenários onde múltiplos tipos de eventos impedem uma análise única.

Quando usar

Use análise de sobrevida quando o desfecho de interesse for o tempo até o evento e os dados contiverem censura. Oncologia: comparando sobrevida entre braços de tratamento (ensaios randomizados padrão). Cardiologia: analisando o tempo até eventos cardiovasculares (IM, AVC) em estudos de coorte. Doenças infecciosas: tempo da infecção até a recuperação ou progressão. Implantes médicos: tempo de falha ou substituição do dispositivo. Engenharia industrial: tempo de falha do equipamento (análise de confiabilidade). Qualquer estudo longitudinal com entrada escalonada e/ou retirada precoce pode usar métodos de sobrevida. Se não houver censura (todos os participantes acompanhados até a conclusão), métodos mais simples (teste t, regressão logística) são suficientes, embora a análise de sobrevida permaneça válida.

Limitações e considerações

  • Suposição de riscos proporcionais: o modelo de Cox assume efeito de tratamento constante ao longo do tempo; violações exigem métodos alternativos (modelos de tempo de falha acelerada, coeficientes dependentes do tempo, estratificação).
  • Dados esparsos em longos tempos de acompanhamento: estimativas de sobrevida tornam-se menos estáveis à medida que os participantes são censurados; intervalos de confiança se alargam, limitando a inferência para predição de eventos tardios.
  • Censura administrativa: se a censura estiver relacionada ao prognóstico (censura informativa), métodos padrão são enviesados; requer modelagem conjunta ou ponderação por probabilidade inversa.
  • Assume independência condicional dada as covariáveis; confundimento não medido ameaça a inferência causal, particularmente em estudos observacionais.
  • Pequenas contagens de eventos reduzem o poder e a estabilidade dos coeficientes de Cox; geralmente são necessários ≥10 eventos por covariável para estimação estável.

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

Pontos fortes

  • Lida corretamente com dados censurados sem viés: explora informações de indivíduos censurados (tempo de acompanhamento) em vez de descartá-los.
  • Estima de forma flexível associações univariadas (Kaplan-Meier) e multivariadas (Cox); covariáveis basais são ajustadas sem supor efeitos lineares.
  • Razões de riscos são intuitivas: métrica única comparando taxas de eventos, facilmente interpretada por clínicos e comunicada em publicações.
  • Riscos não proporcionais detectáveis: diagnósticos de suposição alertam pesquisadores quando efeitos de tratamento mudam ao longo do tempo; modelos alternativos (AFT, estratificação, coeficientes dependentes do tempo) abordam violações.
  • Estratificação de risco: curvas de sobrevida preditas permitem aos clínicos quantificar o prognóstico e tomar decisões de tratamento individualizadas com base nas características basais.

Aplicações

  • Ensaios oncológicos: comparando sobrevida global e sobrevida livre de doença entre regimes de quimioterapia, imunoterapias ou abordagens cirúrgicas; estabelecendo práticas padrão de tratamento.
  • Pesquisa cardiovascular: modelando o tempo a partir de fatores de risco basais (hipertensão, diabetes, tabagismo) até o primeiro evento adverso cardíaco importante; desenvolvendo algoritmos de predição de risco.
  • Doenças infecciosas: analisando o tempo do diagnóstico à supressão viral (HIV), conclusão do tratamento (tuberculose) ou melhora clínica (COVID-19); comparando a eficácia do tratamento.
  • Dispositivos médicos e implantes: testes de confiabilidade de marca-passos, articulações artificiais, stents; prevendo falhas de dispositivos e estimando intervalos de substituição.
  • Epidemiologia ocupacional: tempo desde a exposição ocupacional (amianto, poeira de sílica) até o diagnóstico da doença; quantificando o risco e estabelecendo limites de exposição.

Como funciona

Como funciona

1

Administre a análise de sobrevida definindo: (1) a data de início do estudo (ex., diagnóstico, início do tratamento, inclusão no estudo), (2) o evento de interesse (ex., morte, recorrência da doença) e (3) o indicador de censura (se o evento ocorreu ou foi censurado). Acompanhe os participantes prospectivamente desde o baseline até a ocorrência do evento ou o fim do acompanhamento. Registre duas variáveis chave: tempo até o evento (dias/meses/anos do início até o evento ou último contato) e status do evento (1 = evento ocorreu, 0 = censurado). Colete características basais (idade, grupo de tratamento, biomarcadores) como covariáveis. Garanta que as definições de evento sejam claramente operacionalizadas e consistentemente aferidas entre os participantes.

2

Para sobrevida descritiva: use o método de Kaplan-Meier. Em cada tempo de evento t_i, calcule S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)] onde d_i é o número de eventos em t_i e n_i é o número em risco (ainda não teve evento ou foi censurado). Plote curvas de sobrevida cumulativa por grupo; compare usando o teste log-rank (teste χ² de eventos observados vs. esperados sob a hipótese nula de sobrevida igual). Para associação univariada/multivariada: use regressão de riscos proporcionais de Cox. A função de risco h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...), onde h₀(t) é o risco basal e os coeficientes β quantificam os efeitos das covariáveis. Estime os coeficientes via verossimilhança parcial; calcule razões de riscos (HR) = exp(β) com intervalos de confiança de 95%. Teste a suposição de riscos proporcionais: gráficos de resíduos de Schoenfeld e testes de coeficientes dependentes do tempo (p > 0.05 suporta a suposição). Relate o índice de concordância (C-index): 0.5 = aleatório, 0.7–0.8 = boa discriminação, >0.8 = excelente.

3

Curvas de Kaplan-Meier plotam a probabilidade cumulativa de permanecer livre de eventos ao longo do tempo; curvas que divergem precocemente sugerem fortes efeitos de tratamento ou grupo. O valor p do log-rank testa a igualdade das curvas de sobrevida; p < 0.05 indica diferença significativa na sobrevida. Para regressão de Cox, interprete as razões de riscos como: HR = 1.5 para um preditor significa 50% maior risco (taxa de eventos) por unidade de aumento, ajustando para outras covariáveis. HR < 1 indica risco reduzido (efeito protetor). Intervalos de confiança que excluem 1 indicam significância estatística. Examine os resíduos de Schoenfeld (gráfico do coeficiente ao longo do tempo) para verificar a suposição de riscos proporcionais; desvios indicam que o efeito da covariável muda com o tempo (violação sugere ajustar um modelo com coeficiente dependente do tempo em vez disso). Plote o risco cumulativo ou o risco basal cumulativo para visualizar o ajuste do modelo. Use curvas de sobrevida preditas (estratificadas por grupos de exposição ou categorias de risco) para comunicar resultados clinicamente.

Erros comuns

  • Tratar dados censurados como falhas: codificar incorretamente tempos censurados como eventos enviesa as estimativas de risco para baixo e as razões de riscos para perto de 1.
  • Falha em verificar a suposição de riscos proporcionais: plote resíduos de Schoenfeld ou teste coeficientes dependentes do tempo; violação invalida a interpretação do modelo de Cox.
  • Omissão de indicadores de censura: devem ser explicitamente codificados o status do evento (1 = ocorreu, 0 = censurado); codificação incorreta leva a verossimilhança e estimativas incorretas.
  • Comparação de grupos com tempos de acompanhamento desiguais sem ajuste: a análise de sobrevida leva em conta o tempo de acompanhamento variável, mas a comparação ingênua das contagens de eventos é enviesada.
  • Sobreajuste com muitas covariáveis em relação aos eventos: regressão de Cox com muitos preditores e poucos eventos produz estimativas instáveis e não confiáveis; use regressão penalizada (ridge, lasso) ou redução de dimensionalidade.
  • Uso da mediana de acompanhamento como justificativa para omitir análise de sobrevida: a mediana de acompanhamento descreve os dados, mas não substitui a análise adequada dos tempos de acompanhamento individuais.

Perguntas frequentes

O que significa uma razão de riscos de 0.6 e como ela difere do risco relativo?

Uma razão de riscos (HR) de 0.6 significa que a taxa instantânea de eventos (risco) é 60% da do grupo de referência em qualquer momento, ajustada para covariáveis — equivalente a uma redução de risco de 40%. HR é de análise de sobrevida/Cox. Risco relativo (RR) é de dados de coorte ou ensaio: RR = [incidência nos expostos] / [incidência nos não expostos]. HR aproxima RR quando eventos são raros (<10%), mas divergem com desfechos comuns. HR compara especificamente taxas de eventos levando em conta censura e tempo de acompanhamento; RR não requer metodologia de sobrevida. Sempre relate qual medida você usa.

Qual é a suposição de riscos proporcionais e o que devo fazer se ela for violada?

A suposição de riscos proporcionais significa que o efeito do tratamento (razão de riscos) é constante ao longo do tempo. Teste-a plotando resíduos de Schoenfeld contra o tempo; uma tendência sugere violação. Alternativamente, ajuste um modelo com coeficiente dependente do tempo: inclua uma interação entre a covariável e uma função do tempo (ex., logaritmo do tempo). Se a suposição for violada, as opções incluem: (1) estratificar a análise pela variável problemática (riscos basais separados), (2) usar modelos de tempo de falha acelerada (AFT), ou (3) relatar o efeito do tratamento em pontos de tempo específicos (ex., sobrevida de 1 ano, 5 anos) separadamente. Sempre verifique e relate sobre essa suposição.

Como devo interpretar o valor p do teste log-rank em minha análise de Kaplan-Meier?

O teste log-rank compara o número observado de eventos em cada grupo com o número esperado sob a hipótese nula (curvas de sobrevida iguais). p < 0.05 indica diferença estatisticamente significativa na sobrevida entre os grupos. Como todos os valores p, ele testa uma hipótese nula pontual; um valor p grande não prova sobrevida igual, apenas evidência insuficiente para rejeitar a igualdade. Relate também o tempo mediano de sobrevida e as probabilidades de sobrevida em pontos de tempo chave (1 ano, 5 anos), intervalos de confiança e o número em risco em cada intervalo no gráfico de Kaplan-Meier.

Como devo lidar com múltiplos desfechos (ex., recorrência da doença e morte)?

Quando múltiplos eventos distintos são possíveis, use análise de riscos concorrentes. Se você modelar a recorrência da doença com regressão de Cox ignorando a morte, você enviesa as estimativas porque a morte censura o acompanhamento da recorrência. O modelo de riscos de subdistribuição de Fine-Gray separa a probabilidade marginal de cada evento. Calcule a função de incidência cumulativa (CIF) para cada tipo de evento (não 1-menos-o-outro); compare usando o teste de Gray. Essa abordagem é essencial em oncologia (recorrência vs. morte não cancerosa) e cardiologia (IM vs. AVC).

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

    Abrir referência DOI
    Copiado.