Professional Documents
Culture Documents
Anlisis de supervivencia
16.1. Introduccin
En variados estudios nuestro objetivo consiste en estimar el tiempo transcurrido hasta un suceso en concreto, dependiendo de otras variables explicativas. En un principio, cuando se estudiaban los xitos de una determinada patologa, se estudiaba el tiempo transcurrido hasta la muerte, de manera que se pretenda conocer el tiempo de supervivencia. Con esta particularidad, se ha generalizado el trmino tiempo de supervivencia para englobar cualquier anlisis en que la variable de inters sea el tiempo hasta un evento determinado, sea muerte o, por ejemplo, tiempo hasta la curacin de una determinada enfermedad con dos tratamientos alternativos o bien tiempo hasta la aparicin de una enfermedad o recada. El tiempo no deja de ser una medida cuantitativa (nmero de aos, meses o das) y podra ser estudiada mediante las tcnicas que hemos visto en captulos anteriores como el anlisis de la varianza o los modelos de regresin. Sin embargo, existen algunas particularidades en este tipo de anlisis que deben tenerse en cuenta. En primer lugar, la variable tiempo no acostumbra a seguir una distribucin normal y, en segundo lugar, durante el estudio existen prdidas que impo225
16-CAP 16
225
3/12/06, 12:27
sibilitan la observacin del evento de inters. Es decir, en un estudio de mortalidad, probablemente al finalizar el tiempo de seguimiento no conoceremos el estado de todos los pacientes, puesto que algunos de ellos no completarn el seguimiento, otros todava estarn vivos y en otros su causa de muerte no ser la que se quiere analizar en el estudio. Por lo tanto, conocemos el tiempo transcurrido hasta la muerte en aquellos pacientes con xitus documentado y sabemos que en los pacientes en los que no se ha producido el evento, por lo menos sobrevivieron a la ltima vez que los observamos con vida.
226
16-CAP 16
226
3/12/06, 12:27
Figura 68. Esquema del periodo de seguimiento de los pacientes durante un estudio de supervivencia
De esta forma, sabemos que los pacientes 2 y 4 han tenido recadas a los 5 y 3 meses de finalizar el tratamiento, respectivamente. Y los pacientes 1, 3 y 5 no sabemos si han tenido recadas desde que completaron su tratamiento pero lo que s sabemos es que en la ltima observacin de la que disponemos todava no haban recado: 2.5+, 2+ y 6+ (el smbolo + indica que el tiempo de recada es superior al indicado). Estos datos son datos censurados puesto que no se ha observado el evento. Sin embargo, los datos censurados no son las nicas limitaciones de nuestros datos, puesto que tambin podemos encontrarnos con que lo que no est bien definido es el origen, es decir, en nuestro caso se finaliza el antibitico anteriormente al inicio del estudio, por lo que el tiempo hasta la recada, est censurado por la izquierda. El acontecimiento o suceso estudiado tambin debe estar perfectamente definido para poder determinar exactamente la fecha del mismo. Este evento est casi siempre asociado a la muerte del paciente pero no tiene por que ser as, ya que puede hacer referencia tambin a la fecha de alta, la fecha de remisin de la enfermedad, la fecha de recidiva, la fecha de recada o fallo, etc. Para planificar correctamente un estudio de supervivencia, deberemos definir apropiadamente el origen o inicio del seguimiento, la escala de tiempo que vamos a utilizar y el evento que queremos analizar para que no se introduzcan eventos debidos a otras causas que no son de nuestro inters.
16-CAP 16
227
3/12/06, 12:27
que si no habra que esperar muchos aos para poder obtener todos los tiempos de supervivencia. Adems, los pacientes no inician el tratamiento o entran al estudio al mismo tiempo, de manera que los datos aportados por los pacientes vivos, como se seal previamente, son observaciones censuradas y deben considerarse como tales a la hora de analizarlas. Por estos motivos, se necesitan mtodos especiales de anlisis, al igual que en la metodologa estadstica bsica se sealaba la existencia de pruebas paramtricas y no paramtricas. En el anlisis de supervivencia el anlisis de los datos tambin puede ser realizado utilizando tcnicas paramtricas, basadas en distribuciones ms complejas que las estudiadas, como son la exponencial, Weibull y lognormal, as como las no paramtricas, entre los que se encuentra la metodologa de Kaplan-Meier y la regresin de Cox. Estos ltimos son los mtodos estadsticos ms utilizados. As, las curvas de supervivencia por lo general se producen usando uno de dos mtodos: el anlisis actuarial o el mtodo de Kaplan-Meier, que son los que nos ocuparn en este captulo. El mtodo actuarial implica dos premisas en los datos: la primera es que todos los abandonos durante un intervalo dado ocurren aleatoriamente durante dicho intervalo. Esta premisa es de escasa importancia cuando se analizan intervalos de tiempo cortos, sin embargo, puede haber un sesgo importante cuando los intervalos son grandes, si hay numerosos abandonos o si los abandonos no ocurren a mitad del intervalo. La segunda premisa es que aunque la supervivencia en un tiempo dado depende de la supervivencia en todos los perodos previos, la probabilidad de la misma en un perodo de tiempo es independiente de la probabilidad de supervivencia en los dems perodos. De esta forma, en el mtodo actuarial se divide el tiempo en intervalos y se calcula la supervivencia en cada intervalo. El mtodo de Kaplan-Meier se utiliza cuando la muestra es menor de 30 o bien para muestras mayores de 30 y se conocen los tiempos individuales de los censurados y no censurados, de manera que se calcula la supervivencia cada vez que un paciente muere o alcanza el evento. Toda la metodologa del anlisis de supervivencia se basa en obtener una funcin dependiente del tiempo, cuyos valores proporcionen la probabilidad de que el suceso final (muerte, recada, etc.) no ocurra hasta pasado un periodo de tiempo superior o igual a t o, del mismo modo, si denominamos fallecer a la ocurrencia del suceso final, y sobrevivir a la no ocurrencia, se trata de obtener una funcin cuyos valores proporcionen la probabilidad de sobrevivir por lo menos hasta el instante t.
228
16-CAP 16
228
3/12/06, 12:27
A simple vista, parece razonable estimar la proporcin de pacientes que sobreviven a un determinado tiempo t como el nmero de individuos cuyo tiempo de observacin ha sido superior o igual a t, es decir, los que sobreviven sobre todos los pacientes de los que disponemos informacin hasta por lo menos ese instante.
16-CAP 16
229
3/12/06, 12:27
la longitud de los intervalos que queremos analizar. En nuestro caso, puesto que estamos analizando meses transcurridos hasta el xitus, indicaremos una periodicidad de 6 meses.
Figura 69. Obtencin de las tablas de vida por el mtodo actuarial en SPSS
16.3.1.1. Descripcin de la informacin obtenida por el mtodo actuarial Para ilustrar el proceso de estimacin de la funcin de supervivencia slo mostraremos los resultados obtenidos para el primer grupo, es decir los pacientes con la terapia A. La informacin reflejada en forma de tabla muestra en intervalos de tiempo de 6 meses, iniciando en 0 y hasta el mximo definido, podemos explicarla tal como sigue a continuacin (Figura 70). Por ejemplo, en la 5 fila correspondiente a tiempos de supervivencia iguales o superiores a 24 meses e inferiores a 30, los elementos considerados son: o Nmero entradas (Number Entrng this Intrvl). Nmero de pacientes para los que, hasta ese instante, con certeza an estaban vivos. o Nmero de abandonos (Number Wdrawn During Intrvl). Nmero de pacientes tales que se sabe que no han fallecido en un tiempo inferior a 18 meses, pero se desconoce si fallecern en un tiempo inferior a 24 meses. o Nmero de fallecimientos (Number of Termnl Events). Nmero de pacientes que han fallecido en el intervalo comprendido entre los 18 y los 24 meses.
230
16-CAP 16
230
3/12/06, 12:27
o Nmero de individuos expuestos a riesgo (Number Exposd to Risk). Nmero estimado de pacientes para los que hasta los 18 meses no haban fallecido pero podran hacerlo durante este intervalo (de 18 a 24 meses). Teniendo en cuenta que, de entre los expuestos a riesgo (13), la proporcin de pacientes que no han fallecido en el intervalo sealado (Propn Surviving) es igual a 0,9231; la probabilidad de que los pacientes sobrevivan hasta pasado un plazo de tiempo superior o igual a 24 meses (Cumul Propn Surv at End o Funcin de supervivencia) desde el transplante renal, se estima como la proporcin acumulada de pacientes para los que, al final de este perodo todava continuaban con vida. Es decir, la probabilidad de los pacientes con transplante renal tratados con la terapia A sobreviven a los 24 meses, obteniendo una probabilidad de 0,8112.
231
16-CAP 16
231
3/12/06, 12:27
Life Table Survival Variable TIEMPO Tiempo de supervivencia post-transplante for TRATAM Tratamiento = 1 Terapia A Number Entrg This Intrvl 19,0 19,0 18,0 17,0 14,0 11,0 8,0 7,0 3,0 1,0 Number Wdrawn During Intrvl ,0 1,0 1,0 1,0 2,0 3,0 1,0 2,0 2,0 ,0 Number Exposd to Risk 19,0 18,5 17,5 16,5 13,0 9,5 7,5 6,0 2,0 1,0 Number of Termnl Events ,0 ,0 ,0 2,0 1,0 ,0 ,0 2,0 ,0 1,0 Propn Surviving 1,0000 1,0000 1,0000 ,8788 ,9231 1,0000 1,0000 ,6667 1,0000 ,0000 Cumul Propn Surv at End 1,0000 1,0000 1,0000 ,8788 ,8112 ,8112 ,8112 ,5408 ,5408 ,0000 Probability Densty ,0000 ,0000 ,0000 ,0202 ,0113 ,0000 ,0000 ,0451 ,0000 **
Intrvl Start Time ,0 6,0 12,0 18,0 24,0 30,0 36,0 42,0 48,0 54,0 +
Propn Terminating ,0000 ,0000 ,0000 ,1212 ,0769 ,0000 ,0000 ,3333 ,0000 1,0000
Hazard Rate ,0000 ,0000 ,0000 ,0215 ,0133 ,0000 ,0000 ,0667 ,0000 **
** These calculations for the last interval are meaningless. The median survival time for these data is 54,00+ Se of Cumul Surviving ,0000 ,0000 ,0000 ,0803 ,0986 0,986 0,986 ,1694 ,1694 ,0000 Se of Probability Densty ,0000 ,0000 ,0000 ,0134 ,0109 ,0000 ,0000 ,0266 ,0000 **
Intrvl Start Time ,0 6,0 12,0 18,0 24,0 30,0 36,0 42,0 48,0 54,0+
Se of Hazard Rate ,0000 ,0000 ,0000 ,0152 ,0133 ,0000 ,0000 ,0462 ,0000 **
Figura 70. Obtencin de las tablas de vida por el mtodo actuarial en SPSS 232
16-CAP 16
232
3/12/06, 12:27
En las tablas de vida, tambin se presenta la mediana del tiempo de supervivencia, (The median survival time for these data is), es decir, el tiempo en el que se espera que hayan fallecido al menos la mitad de los pacientes. En nuestro caso es igual a ms de 54 meses con la terapia A y, aunque no se muestran estos resultados, de 39,5 con la terapia B. De esta forma, parece que la terapia seguida tras el transplante, influye en la supervivencia de los pacientes con IRT. Junto con la funcin de supervivencia, la tabla de clculo proporciona dos funciones ms: la funcin de densidad de probabilidad y la funcin de riesgo (Probability Densty y Hazar Rate, respectivamente), funciones equivalentes. Considerando que el error estndar es una medida del error cometido en la estimacin, cuanto menor sea su valor ms precisa ser la estimacin del valor de la funcin correspondiente. Dado que el error estndar de los valores estimados de la funcin de supervivencia (SE of Cumul Surviving) no son excesivamente grandes, podemos concluir que las estimaciones son bastante precisas. 16.3.1.2. Comparacin de la supervivencia en distintos grupos de individuos por el mtodo actuarial Si el anlisis se realiza considerando varios grupos de individuos, para comparar las distribuciones de la supervivencia en los diferentes grupos, a cada individuo de la muestra se le asigna una puntuacin que refleje la posicin relativa de su tiempo de supervivencia. Es decir, la puntuacin de supervivencia para el isimo paciente ser: pi= ai- bi, siendo ai y bi el nmero de individuos tales que su tiempo de observacin es inferior o superior a ti, respectivamente. Las puntuaciones de supervivencia se utilizarn en el clculo del estadstico asociado a la prueba para contrastar la hiptesis nula de que la distribucin de la supervivencia es la misma en los distintos grupos. Si el p-valor asociado al estadstico de contraste es menor que se rechazar la hiptesis nula al nivel de significacin . Comparando simultneamente las dos funciones de supervivencia de las dos terapias (Overall comparison, en la Figura 71), el p-valor asociado al estadstico de contraste (Prob = 0,0431) es ligeramente menor que 0,05. Luego, al nivel de significacin 0,05, se rechaza la hiptesis nula de igualdad de funciones. La tabla resumen muestra adems que en los pacientes que recibieron la terapia A, sobre un total de 19 pacientes (Total N), han fallecido 6 (Uncen=No censurado) y han sobrevivido 13 casos (Cen=Censurado). La media de las puntuaciones de supervivencia asignadas a dichos pacientes (Mean Score = 4,158) es positiva y superior a la obtenida en la terapia B.
233
16-CAP 16
233
3/12/06, 12:27
Comparison of survival experience using the Wilcoxon (Gehan) statistic Survival Variable TIEMPO Tiempo de supervivencia post-transplante grouped by TRATAM Tratamiento Overall comparison Group label 1 Terapia A 2 Terapia B statistic 4,092 D.F. 1 Prob. ,0431
Total N Uncen 19 6 17 7
Figura 71. Obtencin de las tablas de vida por el mtodo actuarial en SPSS
La siguiente figura contiene las representaciones grficas de las dos funciones de supervivencia correspondientes a las dos terapias. Como vemos, en el eje de las Xs, se presenta el tiempo de supervivencia y en el eje de las Ys, se presenta la funcin de supervivencia acumulada, de manera que partiendo del tiempo 0, donde todos los pacientes estn vivos, es decir tienen una probabilidad 1 de sobrevivir, a medida que pasa el tiempo y hay xitus en el estudio, la probabilidad de sobrevivir disminuye, tendiendo a 0. Por ejemplo, la funcin que corresponde a los pacientes que recibieron la terapia A, permanecen ms tiempo en el valor 1, y se mantiene hasta casi las 25 meses, donde empieza a bajar la supervivencia de forma escalonada. Por el contrario, la funcin de los pacientes tratados con la terapia B, poco despus de los 10 meses del implante la supervivencia baja considerablemente, observando que a los 30 meses, slo existe un 50% de probabilidades de sobrevivir, mientras que en la terapia anterior, la probabilidad de sobrevivir se situa entorno al 80%.
16-CAP 16
234
3/12/06, 12:27
En trminos generales, comparando funciones dentro de un mismo grfico, puede afirmarse que con la terapia A disminuye ms rpidamente la probabilidad de sobrevivir que con la obtenida con la terapia B. Cabe decir que en ausencia de datos censurados, la prueba no paramtrica de Wilcoxon sera adecuada para comparar los tiempos de supervivencia entre grupos de estudio.
16.3.2. Kaplan-Meier
El mtodo de Kaplan-Meier se conoce por ser el mtodo en el que la proporcin acumulada que sobrevive o funcin de supervivencia se calcula para el tiempo de supervivencia individual de cada paciente y no para la agrupacin de los tiempos en intervalos. Por esta razn es especialmente til para estudios que utilizan un nmero pequeo de pacientes. La validez de este mtodo descansa en dos suposiciones: Las personas que se retiran del estudio tienen un destino parecido a las que quedan y el perodo de tiempo durante el cual una persona entra en el estudio no tiene efecto independiente en la respuesta. Para ilustrar el proceso de estimacin de la funcin de supervivencia por el mtodo de Kaplan-Meier consideraremos el mismo ejemplo de pacientes con IRT transplantados con distintas terapias paliativas. La tabla de clculo para estimar la funcin de supervivencia por el mtodo de Kaplan- Meier se solicita tal como aparece en la siguiente figura:
16-CAP 16
235
3/12/06, 12:27
16.3.2.1. Descripcin de la informacin obtenida por el mtodo Kaplan-Meier La tabla de clculo contiene un listado con una lnea por cada paciente observado (Figura 74). Las lneas se disponen ordenadas, de menor a mayor valor, en funcin del tiempo de observacin del paciente correspondiente. Los distintos tiempos observados en el grupo objeto de anlisis (en la columna Time) son: 11,15, 18, y se proporciona la siguiente informacin: o Estado del paciente. Si ha habido un xitus, en la columna Status aparecer el valor (1); en caso contrario, aparecer 0. o Valor estimado de la funcin de supervivencia (Cumulative Survival). o Error estndar de la estimacin del valor correspondiente de la funcin de supervivencia (Standard Error). o Nmero de pacientes que han fallecido en un perodo de tiempo inferior o igual a tk (Cumulative events). o Nmero de pacientes para los que el tiempo de observacin ha sido supe-rior a tk (Number Remaining). El valor de la funcin de supervivencia en el instante tk, probabilidad de sobrevivir hasta, al menos, el instante tk (Cumulative Survival), se estima como la proporcin o porcentaje de supervivencia acumulada hasta tk.
236
16-CAP 16
236
3/12/06, 12:27
Survival Analysis for TIEMPO Tiempo de supervivencia post-transplante Factor TRATAM = 1,00 Time 11 15 18 20 20 24 25 26 30 30 33 37 43 45 45 47 48 53 55 Status ,00 ,00 1,00 1,00 ,00 ,00 ,00 1,00 ,00 ,00 ,00 ,00 1,00 1,00 ,00 ,00 ,00 ,00 1,00 Cumulative Survival Standard Error Cumulative Events 0 0 1 2 2 2 2 3 3 3 3 3 4 5 5 5 5 5 6 Number Remaining 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
,9412 ,8824
,0571 ,0781
,8088
,1004
,6933 ,5777
,1373 ,1556
,0000
,0000 Censored: 13
( 68,42%) Events: 6
237
16-CAP 16
237
3/12/06, 12:27
Survival Analysis for TIEMPO Tiempo de supervivencia post-transplante Factor TRATAM = 2,00 Time 9 11 14 14 15 15 16 18 19 21 25 26 33 38 38 40 42 Status ,00 1,00 ,00 ,00 1,00 ,00 1,00 ,00 1,00 1,00 ,00 1,00 ,00 1,00 ,00 ,00 ,00 Cumulative Survival ,9375 Standard Error ,0605 Cumulative Events 0 1 1 1 2 2 3 3 4 5 5 6 6 7 7 7 7 Number Remaining 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
Censored: 10
( 58,82%) Events: 7
Por ejemplo, la probabilidad estimada de que los pacientes con terapia B(2) sobrevivan hasta pasado un plazo de tiempo superior o igual a t1 = 11, a t3 = 16 o a t6= 26 meses desde el transplante renal es igual a: 0,94, 0,79 y 0,51, respectivamente. La estimacin de la mediana del tiempo de reaparicin de la sintomatologa (Median Survival Time), tiempo en el que se espera que hayan fallecido
238
16-CAP 16
238
3/12/06, 12:27
por lo menos la mitad de los pacientes es igual a 38 meses, frente a los 55 meses de la terapia A. Los lmites inferior y superior del intervalo de confianza al 95 por 100 para la mediana vienen dados por los tiempos 15 y 61 meses, respectivamente. Por otro lado, la estimacin del tiempo medio de supervivencia (Mean Survival Time) es igual a 30 meses, y su intervalo de confianza al 95 por 100 es de 24 y 37 meses. 16.3.2.2. Comparacin de la supervivencia en distintos grupos de individuos por el mtodo de Kaplan-Meier Para evaluar por este mtodo si la terapia recibida influye en el tiempo de supervivencia de los pacientes transplantados, observamos el resultado obtenido en el anlisis Kaplan-Meier, tal como se observa en la siguiente figura. En primer lugar, para la terapia A (Tratam =1) el 68,42% de los casos estaban vivos al finalizarse el estudio. Mientras que este porcentaje desciende al 58,82% en el caso de la terapia B.
Survival Analysis for TIEMPO Tiempo de supervivencia post-transplante Total Number Events 6 7 13 Number Censored 13 10 23 Percent Censored 68,42 58,82 63,89
1,00 2,00
19 17 36
Test Statistics for Equality of Survival Distributions for TRATAM Statistic Log Rank Breslow Tarone-Ware 4,66 4,33 4,51 df 1 1 1 Significance ,0308 ,0375 ,0338
Si el anlisis se realiza considerando ms de un grupo de individuos, para contrastar la hiptesis nula de que la distribucin de la supervivencia en los diferentes grupos es la misma, podemos utilizar tres pruebas: Mantel-Cox, Breslow y Tarone-Ware. Las diferencias entre ellas radican en las ponderaciones asignadas en la construccin del estadstico correspondiente. Si el p-valor aso239
16-CAP 16
239
3/12/06, 12:27
ciado al estadstico de contraste es menor que se rechazar la hiptesis nula al nivel de significacin = 0,05. Los resultados de las pruebas de Mantel-Cox, de Breslow y de Tarone-Ware para comparar las dos funciones de supervivencia correspondientes a las distintas terapias post-transplante, confirman lo que se sospechaba anteriormente: en los tres casos el p-valor asociado al estadstico de contraste es menor que 0,05, tanto en Log Rank (Significance = 0,0308), Breslow (Significance = 0,0375) como Tarone-Ware (Significance = 0,0338), luego, al nivel de significacin 0,05, se rechaza la hiptesis nula de igualdad de las dos funciones. Por otro lado, al igual que en el mtodo Actuarial, podra haberse realizado una representacin grfica de las funciones de supervivencia, a partir de la que podra interpretarse en qu consisten las diferencias entre ellas (Figura 72).
16-CAP 16
240
3/12/06, 12:27
parmetros del modelo, adems de la estimacin de la funcin de riesgo se obtendr la estimacin del valor de la funcin de supervivencia para cada instante t. En nuestro ejemplo, tenemos las siguientes variables: TRATAM 1=Terapia A, 2=Terapia B TABACO 0=El paciente no ha fumado durante los 3 aos previos al transplante y 1=El paciente ha fumado durante los 3 aos previos al transplante. EXITUS 0=Paciente Vivo, 1=xitus. TIEMPO Tiempo transcurrido desde el transplante renal y el ltimo dato conocido antes del cierre del estudio (meses). Se trata de obtener una combinacin lineal de las variables independientes TRATAM y TABACO a partir de la que se pueda estimar, para cada t, la probabilidad de que sobrevivir hasta pasado un perodo de tiempo superior o igual a t, siendo t los posibles valores que puede tomar la variable TIEMPO. La siguiente figura, muestra como realizar los pasos para obtener el anlisis del tiempo de supervivencia con regresin de Cox.
241
16-CAP 16
241
3/12/06, 12:27
Figura 77. Cuadro de dilogo para obtener una regresin de Cox en SPSS
En el desarrollo del captulo dedicado a la regresin logstica, la situacin planteada en el ejemplo para ilustrar la tcnica era prcticamente la misma que la actual. Tanto el mtodo Forward como los criterios basados en la Puntuacin eficiente de Rao y en el estadstico de Wald para la seleccin y eliminacin de variables, utilizados en la construccin de la ecuacin de regresin logstica, estn disponibles en el caso de la regresin de Cox. Por ello, en la construccin
242
16-CAP 16
242
3/12/06, 12:27
de la funcin Z para el modelo de regresin de Cox, tanto el mtodo como los criterios para la seleccin y eliminacin de variables sern los anteriormente citados en el captulo 14 de regresin logstica. Aunque en este ejemplo utilizaremos el mtodo enter puesto que slo existen dos covariables y no requiere de ms complejidad, se describen los estadsticos ms utilizados en la determinacin de parmetros. 16.4.2.1. Estadstico de Wald El estadstico de Wald, para las variables incluidas en la ecuacin de regresin de Cox, juega exactamente el mismo papel que en la regresin logstica. Es decir, para cualquier variable independiente X seleccionada, si es el parmetro asociado en la ecuacin de regresin, el estadstico de Wald permite contrastar la hiptesis nula de que =0: La interpretacin de dicha hiptesis es que la informacin que se perdera al eliminar la variable X no es significativa. Si el p-valor asociado al estadstico de Wald es menor que se rechazar la hiptesis nula al nivel de significacin . Bajo este punto de vista, en cada etapa del proceso de seleccin de variables, la candidata a ser eliminada ser la que presente el mximo p-valor asociado al estadstico de Wald. Ser eliminada si dicho mximo es mayor que un determinado valor crtico prefijado (si no se indica lo contrario, 0.1). 16.4.2.2. Puntuacin eficiente de Rao Si el estadstico de Wald en la regresin de Cox juega el mismo papel que en la regresin logstica para las variables incluidas en la ecuacin, la Puntuacin eficiente de Rao juega exactamente el mismo papel que en la regresin logstica para las variables no incluidas en la ecuacin de regresin de Cox. Supongamos que , es el parmetro asociado a la variable Xi supuesto que entrar en la ecuacin de regresin en el siguiente paso. El estadstico Puntuacin eficiente de Rao permite contrastar la hiptesis nula de que =0. La interpretacin de dicha hiptesis es que, si la variable Xi fuera seleccionada en el siguiente paso, la informacin que aportara no sera significativa. Si el pvalor asociado al estadstico Puntuacin eficiente de Rao es menor que se rechazar la hiptesis nula al nivel de significacin a. Bajo este punto de vista, en cada etapa del proceso de seleccin de variables, la candidata a ser seleccionada ser la que presente el mnimo p-valor asociado al estadstico Puntuacin eficiente de Rao. Ser seleccionada si dicho mnimo es menor que un determinado valor crtico prefijado (si no se indica lo contrario, 0,05).
243
16-CAP 16
243
3/12/06, 12:27
TRATAM
FUMADOR
36 Total cases read 0 Cases with missing values 0 Valid cases with non-positive times 1 Censored cases before the earliest event in a stratum 1 Total cases dropped 35 Cases available for the analysis Dependent Variable: TIEMPO Tiempo de supervivencia post-transplante
244
16-CAP 16
244
3/12/06, 12:27
Events 13
Censored 22 (62,9%)
Beginning Block Number 0. Initial Log Likelihood Function -2 Log Likelihood 70,043
Beginning Block Number 1. Method: Enter Variable(s) Entered at Step Number 1.. FUMADOR Tabaco TRATAM Tratamiento Coefficients converged after 4 iterations. -2 Log Likelihood 50,841 df 2 2 2 Sig ,0000 ,0001 ,0001
Chi-Square Overall (score) 21,477 Change (-2LL) from Previous Block 19,203 Previous Step 19,203
--------------- Variables in the Equation ---------------Variable FUMADOR TRATAM B 2,4608 1,5761 S.E. Wald df Sig R
95% CI for Exp(B) Variable FUMADOR TRATAM Exp(B) 11,7144 4,8363 Lower Upper
Covariate Means and Pattern Values Variable FUMADOR TRATAM Mean ,3714 ,4571 Pattern 1 mean ,0000 Pattern 2 mean 1,0000
16-CAP 16
245
3/12/06, 12:27
obtenidos se denomina verosimilitud. Cuanto ms prximo a cero sea el valor del estadstico -2LL, ms prxima a 1 ser la verosimilitud y mejor ser el modelo. Para comprobar si la verosimilitud difiere de 1 (que el modelo se ajusta perfectamente a los datos) se utiliza el estadstico: -2LL = -2 x Logaritmo de la verosimilitud
246
16-CAP 16
246
3/12/06, 12:27