Análisis de supervivencia(1)
Artículos de referencia y bibliografías
¿Qué son la supervivencia libre de progresión, la supervivencia global y la mediana de supervivencia?
Conceptos básicos del análisis de supervivencia
La supervivencia global es el tiempo desde que a un paciente se le diagnostica una enfermedad hasta que muere por cualquier causa. Este indicador suele considerarse el mejor criterio de valoración del tratamiento en los ensayos clínicos de oncología. A menudo es casi imposible confirmar la fecha en que un paciente murió debido a una enfermedad u otros factores, y el momento de la muerte tiene su propia relación causal independiente. Un pequeño aumento en el tiempo de supervivencia podría considerarse evidencia de un beneficio clínico significativo.
La denominada supervivencia libre de enfermedad (SLP) suele definirse como la supervivencia global del paciente tras el tratamiento, que se selecciona aleatoriamente en un momento determinado hasta la recurrencia del tumor o la muerte por diversas causas.
La SLP tiene la ventaja de reflejar el crecimiento del tumor (un fenómeno que puede reflejar una relación causal entre la enfermedad relacionada con el tumor o la muerte), puede evaluarse antes de confirmar el beneficio de supervivencia y no está sujeta a tratamiento posterior. el impacto de indicadores o síntomas potencialmente confusos. Además, los resultados de PFS aparecen antes que los resultados de supervivencia. Durante el proceso de tratamiento, una vez que el paciente desarrolla síntomas y el tumor reaparece, se deben tomar otras medidas de tratamiento activo después del período de supervivencia libre de enfermedad para mejorar aún más los síntomas del paciente y prolongar el tiempo de supervivencia.
La supervivencia libre de recaída se refiere al tiempo transcurrido desde el tratamiento hasta la recurrencia de la enfermedad. También llamado tiempo de supervivencia libre de enfermedad y tiempo de supervivencia libre de eventos.
Los conceptos de probabilidad de supervivencia y probabilidad de peligro se utilizan para describir datos de supervivencia.
La función de supervivencia está representada por S(t), que se refiere a la probabilidad de que el tiempo de supervivencia t del objeto observado sea mayor que un cierto tiempo t.
En problemas concretos, el valor de la función en el tiempo t se puede estimar mediante la siguiente fórmula.
Obviamente, S(t) es una función que disminuye con el tiempo, lo que indica la tasa de supervivencia acumulada del objeto observado después del seguimiento hasta el tiempo t.
La función de riesgo está representada por h(t), h(t) se refiere a la probabilidad de que ocurra un evento para el individuo observado en ese momento.
Con el tiempo, la función de riesgo puede aumentar, disminuir o fluctuar de otro modo. Si la función de riesgo permanece sin cambios, significa que la tasa de mortalidad no se acelera con el tiempo; si la función de riesgo aumenta con el tiempo, significa que la tasa de mortalidad se acelera con el tiempo; cuando la función de riesgo disminuye con el tiempo, significa que la tasa de mortalidad se acelera con el tiempo; La tasa de mortalidad está disminuyendo con el tiempo.
El análisis de supervivencia de Kaplan-Meier, el método del límite multiplicativo, es un método no paramétrico para estimar la probabilidad de supervivencia basándose en los tiempos de supervivencia observados (Kaplan y Meier, 1958).
La probabilidad de supervivencia en cualquier momento se calcula de la siguiente manera:
=Probabilidad de supervivencia
=Número de pacientes que estaban vivos antes.
Se refiere a la bibliografía de hechos ocurridos en cualquier momento.
=0,
La probabilidad estimada (S(t)) es una función escalonada que solo cambia de valor cuando ocurre cada evento. También se pueden calcular intervalos de confianza para las probabilidades de supervivencia.
La curva de supervivencia de KM es un gráfico de la probabilidad de supervivencia de KM versus el tiempo, que proporciona datos que pueden usarse para estimar mediciones como el tiempo medio de supervivencia.
El modelo de Cox es actualmente el mejor método estadístico en la evaluación pronóstica multivariante del análisis de supervivencia. El modelo propuesto por Cox es un modelo semiparamétrico adecuado para el análisis multivariado de muchos datos con distribución desconocida. En presencia de múltiples factores, se puede eliminar la influencia de los factores de confusión, se puede mejorar la calidad del análisis de pronóstico y se pueden procesar los datos censurados.
El Cox mencionado anteriormente es un modelo semiparamétrico. ¿Qué es un modelo semiparamétrico?
Solo escribiendo esto primero podrás dominar realmente el método y luego usar R para analizar la supervivencia y visualizar los resultados.