Introducción

En ciertos estudios clínicos, el investigador puede desear evaluar el progreso de los pacientes durante un cierto período de tiempo y observar sus respuestas a las intervenciones terapéuticas. Los pacientes son monitoreados desde el momento en que ingresan al estudio hasta que ocurre un evento bien definido. Este evento suele ser la muerte, pero puede incluir otros resultados, como el tiempo de hospitalización, insuficiencia o rechazo de órganos o la próxima convulsión. También podrían ser resultados positivos, como el tiempo de recuperación, el alta del hospital, el retorno a la función renal normal o el cese de los síntomas. A primera vista, parecería posible comparar dos o más tasas de supervivencia utilizando estadísticas como la prueba t o análisis de varianza (ANOVA) para comparar los tiempos medios de supervivencia. Desafortunadamente, estos métodos pueden no funcionar por dos razones. Primero, hasta este punto del curso, todos los procedimientos estadísticos han involucrado observaciones “completas”. Hubo resultados medibles para todas las personas o elementos asociados con los datos. Con los datos de supervivencia, es posible que no conozcamos el resultado final de todas las medidas potenciales porque el estudio puede finalizar antes de que todos los sujetos alcancen el evento bien definido. La segunda razón es que los tiempos de supervivencia no suelen seguir una distribución normal y están sesgados positivamente. Por lo tanto, podrían considerarse pruebas no paramétricas. Es posible utilizar alternativas no paramétricas a la prueba t y ANOVA (como las pruebas de Mann-Whitney o Kruskal-Wallis) si todas las personas del estudio alcanzan el punto final bien definido. Desafortunadamente, en muchos casos, el resultado del estudio será evaluado antes de que todos los pacientes hayan fallecido o alcanzado el resultado de interés. Por lo tanto, se necesita un nuevo conjunto de pruebas estadísticas para evaluar los datos que miden la cantidad de tiempo transcurrido entre los dos eventos. Estos tipos de evaluaciones se denominan estadísticas de supervivencia.

Las estadísticas de supervivencia, o análisis de supervivencia, son parte de un grupo más grande de pruebas a las que se hace referencia genéricamente como modelos de “tiempo transcurrido hasta el evento”. En el caso de los datos industriales o de producción, la fecha de finalización podría definirse como "tiempo de falla" para una aplicación en particular. Los ejemplos utilizados en este módulo se centrarán en eventos clínicos y principalmente en el análisis del "tiempo hasta la muerte".

Sin embargo, los datos de tiempo hasta el fracaso (o falla) podrían manejarse con métodos similares. Aunque estas pruebas se pueden usar para evaluar cualquier evento bien definido, por convención, todas se conocen como estadísticas de supervivencia. A menudo, los datos de supervivencia implican la creación de una representación gráfica de los resultados del estudio, lo que se conoce como curvas de supervivencia. Este módulo considerará los dos métodos más comúnmente usados ​​para evaluar las curvas de supervivencia: 1) tablas actuariales (vida) y 2) el método del límite del producto (ilustrado por el procedimiento de Kaplan-Meier). Las pruebas son similares y pueden usarse no solo para crear curvas de supervivencia, sino también límites de confianza estimados sobre las curvas y los tiempos de supervivencia medios.

Una vez que se establecen las curvas de supervivencia, se pueden comparar diferentes condiciones (p. Ej., Tratamiento versus control activo) mediante pruebas estadísticas. Para este tipo de comparación se presentarán los estadísticos de la prueba de rango logarítmico y de Cochran-Mantel-Haenszel.