¿Cuánto tarda en producirse un evento? (Kaplan-Meier)

En resumen

Quieres saber cuánto tiempo pasa hasta que ocurre algo (por ejemplo, el abandono de los estudios o alcanzar un objetivo de aprendizaje) y si los grupos se diferencian en esto. Al terminar la observación, no todas las personas han experimentado el evento: están censuradas. Kaplan-Meier también las usa y muestra, como una curva escalonada, qué proporción todavía no ha experimentado el evento en cada momento.

Así se ve la tabla

Una fila por persona. Hace falta la columna con el tiempo (un número: semestres, días, semanas, hasta el evento o hasta el final de la observación) y una columna que indique si ocurrió el evento (dos valores, como 0 y 1). Opcional: una columna con los grupos (de 2 a 8). Statable sugiere qué valor es el evento; puedes cambiarlo.

Si la columna del evento tiene un solo valor, la lista de comprobación indica cómo lo interpreta Statable. Si todas las personas experimentaron el evento (por ejemplo, solo 1), es un caso válido sin censura: Statable calcula la curva, la mediana y el intervalo como survfit de R. Si todas están censuradas (por ejemplo, solo 0), no ocurrió nada para nadie: la curva se quedaría en el 100 % y no hay nada que estimar.

Cómo leer el resultado

• La curva empieza en 1 y baja en cada evento. Las marcas verticales son personas censuradas. Bajo el gráfico está el número en riesgo; donde es pequeño, la curva es incierta.
• El tiempo mediano es el punto en el que la curva cae al 50 %. Si nunca cae por debajo, se muestra «no alcanzada»; en ese caso ayudan las proporciones en tiempos fijos.
• La prueba de log-rank comprueba si las curvas de los grupos son iguales. Dice si se observa una diferencia, no lo grande que es.

Requisitos y límites

• La salida de la observación no debe estar relacionada con el riesgo (censura no informativa). Statable no puede comprobarlo.
• Regla general: al menos 10 eventos por grupo. Con menos, Statable muestra una nota.
• Si las curvas se cruzan, la prueba de log-rank puede pasar por alto con facilidad una diferencia. Statable lo indica.
• Todas las personas tienen el mismo punto de partida (por ejemplo, el inicio de los estudios). Aquí no son posibles varios eventos por persona ni eventos competitivos.

Si varias características deben actuar a la vez sobre el tiempo hasta el evento (grupo, edad, rendimiento previo), «Más opciones» ofrece la regresión de Cox con hazard ratios. Se calcula con R y se describe en el artículo «Regresión de Cox».

Log-rank: χ²(1) = 3,40, p = ,065; Mdn (con mantenimiento) = 31, IC del 95 % [18; -]; Mdn (sin mantenimiento) = 23, IC del 95 % [8; -]; 23 personas, 18 eventos; - = no alcanzada

Para especialistas

Código propio, comprobado con R (survival 3.8: survfit con conf.type = "log", summary con times, survdiff con rho = 0; datos aml y lung). Estimador producto-límite, error típico de Greenwood, intervalo en escala logarítmica (limitado a 1). Mediana y límites como en print(survfit): el primer instante en que la curva queda por debajo del 50 %; si queda exactamente en el 50 %, el punto medio hasta el siguiente escalón. Log-rank según Mantel-Cox con la covarianza de la distribución hipergeométrica, df = grupos − 1; por pares, una prueba cada vez con df = 1, Holm. Statable no ofrece las variantes ponderadas (Breslow, Tarone-Ware, Peto-Peto) ni la regresión de Cox.

Ejemplos típicos

• Tiempo hasta el abandono de los estudios; quienes siguen estudiando están censurados.
• Tiempo hasta la reincorporación al trabajo tras una enfermedad.