Как лучше всего анализировать данные о продолжительности пребывания в РКИ в больнице?

11

Мне интересно знать, существует ли консенсус относительно оптимального способа анализа данных о продолжительности пребывания в больнице (LOS) из РКИ. Это, как правило, распределение с очень правильным перекосом, при котором большинство пациентов выписывается в течение нескольких дней или недели, но у остальных пациентов остаются довольно непредсказуемые (а иногда и довольно продолжительные) периоды, которые образуют правый хвост распределения.

Варианты для анализа включают в себя:

  • t-тест (предполагает нормальность, которая вряд ли присутствует)
  • U-тест Манна Уитни
  • тест логранка
  • Условная модель пропорциональных рисков Кокса при распределении по группам

У любого из этих методов есть очевидно более высокая власть?

t-test power skewness cox-model logrank pmgjones
источник
у вас есть время на событие в чч: мм или часах?
munozedg

Ответы:

9

Я на самом деле начинаю проект, который делает именно это, хотя и с наблюдательными, а не клиническими данными. Я думал, что из-за необычной формы большинства данных о продолжительности пребывания и действительно хорошо охарактеризованной временной шкалы (вы знаете, как время начала, так и время выхода в основном отлично), вопрос действительно хорошо подходит для анализа выживания. Три варианта для рассмотрения:

  • Модели пропорциональных рисков Кокса, как вы предложили, для сравнения между лечением и открытыми руками.
  • Прямые кривые Каплана-Мейера с использованием лог-ранга или одного из других тестов для изучения различий между ними. Мигель Эрнан утверждал, что это действительно предпочтительный метод для использования во многих случаях, так как он не обязательно предполагает постоянное соотношение рисков. Поскольку у вас есть клиническое испытание, сложность получения ковариат-скорректированных кривых Каплана-Мейера не должна быть проблемой, но даже если есть некоторые остаточные переменные, которые вы хотите контролировать, это можно сделать с обратной вероятностью масса тела.
  • Параметрические модели выживания. По общему признанию, они используются реже, но в моем случае мне нужна параметрическая оценка основной опасности, так что это действительно единственный путь. Я бы не советовал сразу перейти к использованию модели обобщенной гаммы. Работать с этим сложно - я бы попробовал простые экспоненциальные, вейбулловские и логарифмические нормальные значения и посмотрел, дают ли какие-нибудь из них приемлемые соответствия.
фомиты
источник
4

Я предпочитаю модель пропорциональных рисков Кокса, которая также будет обрабатывать цензурированную продолжительность пребывания (смерть до успешной выписки из больницы). Соответствующий раздаточный материал можно найти по адресу http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf с кодом здесь: http://biostat.mc.vanderbilt.edu/wiki/pub/ Главная / FHHandouts / model.s

Фрэнк Харрелл
источник
Спасибо, Фрэнк. Разве тест на логранк также не справится с цензурой? Итак, является ли выгода Кокса способностью приспосабливаться к ковариатам?
pmgjones
1
logrank - это особый случай модели Кокса, поэтому в этом нет необходимости, и он не позволит вам настроить непрерывные ковариаты, как это делает модель Кокса. Модель Кокса также предоставляет несколько способов обработки связей.
Фрэнк Харрелл
2

Я рекомендую тест logrank для проверки различий между группами и для каждой независимой переменной. Возможно, вам нужно будет скорректировать несколько переменных (по крайней мере, значимых в тесте логранка) в модели пропорциональных рисков Кокса. Гамма-обобщенная модель (параметрическая) может быть альтернативой Коксу, если вам потребуется оценка базового (опасного) риска.

munozedg
источник
0

смерть - соревновательное событие с разгрузкой. Цензура смерти не будет цензурировать пропущенные данные наугад. Изучение кумулятивных случаев смерти и выписки и сравнение опасностей перераспределения может быть более уместным.

user60368
источник