Análisis de riesgos competitivos

El análisis de riesgos competitivos se utiliza cuando una persona puede experimentar distintos eventos mutuamente excluyentes y uno de ellos impide que el evento de interés ocurra más adelante. Estima la probabilidad de cada evento a lo largo del tiempo sin tratar los demás eventos como una censura ordinaria.

¿Qué son los riesgos competitivos?

Un evento competitivo es un resultado observado que cambia la posibilidad de observar el evento de interés. En el análisis del primer evento, los eventos son mutuamente excluyentes: una vez que ocurre un evento, la persona deja de estar en riesgo de experimentar primero otro evento.

Esto difiere de la censura por la derecha. Una persona censurada no ha experimentado ningún evento conocido hasta el último momento observado, mientras que una persona con un evento competitivo ha experimentado un resultado conocido que impide el evento de interés.

¿Por qué no usar Kaplan-Meier?

Una curva de Kaplan-Meier trata como censuradas las observaciones que no experimentan el evento de interés. Si los eventos competitivos se censuran de la misma manera, el método asume en la práctica que esas personas todavía podrían experimentar el evento más adelante. Como el evento competitivo lo ha hecho imposible, la probabilidad de fallo resultante puede ser demasiado alta.

Cuando hay eventos competitivos, la función de incidencia acumulada suele ser la estimación descriptiva adecuada para la probabilidad de un evento determinado.

Función de incidencia acumulada

La función de incidencia acumulada, abreviada CIF, estima la probabilidad de experimentar un evento determinado hasta el momento t, teniendo en cuenta todos los demás tipos de evento. Se calcula una CIF separada para cada tipo de evento.

Por ejemplo, una CIF de recaída de 0.20 a los 24 meses significa que la probabilidad estimada de recaída a los 24 meses es del 20%, considerando que algunos pacientes pueden haber experimentado primero el evento competitivo. Los intervalos de confianza describen la incertidumbre de esta estimación. En cualquier momento, las CIF de todos los tipos de evento más la probabilidad de permanecer libre de eventos suman uno.

Prueba de Gray

La prueba de Gray compara funciones de incidencia acumulada entre grupos independientes. La hipótesis nula es que los grupos tienen la misma función de incidencia acumulada para el evento analizado. Un valor p pequeño aporta evidencia de que al menos un grupo difiere.

La prueba de Gray es el equivalente de la prueba de rango logarítmico en el contexto de los riesgos competitivos, pero ambas pruebas responden a preguntas distintas. Cuando los demás tipos de evento se tratan como censurados, la prueba de rango logarítmico se refiere al hazard causa-específico, mientras que la prueba de Gray compara directamente la incidencia acumulada en presencia de eventos competitivos.

Regresión de Fine-Gray

La regresión de Fine-Gray examina cómo se asocian los predictores con la incidencia acumulada del evento de interés. Modela el hazard de subdistribución y proporciona un hazard ratio de subdistribución, a menudo abreviado SHR.

Un SHR superior a 1 indica un mayor hazard de subdistribución y, en el marco del modelo, por lo general una mayor incidencia acumulada del evento de interés a lo largo del tiempo. Un SHR inferior a 1 indica un menor hazard de subdistribución. El SHR no es una probabilidad, ni una razón de riesgo, ni un hazard ratio de Cox ordinario, por lo que debería comunicarse con su intervalo de confianza del 95% e interpretarse en términos de incidencia acumulada.

Los predictores categóricos se interpretan en relación con la categoría de referencia mostrada. Los predictores métricos se interpretan por cada aumento de una unidad, salvo que se hayan reescalado antes del análisis.

Diagnóstico del modelo

El modelo de Fine-Gray asume hazards de subdistribución proporcionales: el efecto modelado del predictor es constante en el tiempo. numiqo representa los residuos de score en los momentos del evento de interés. Un patrón aproximadamente horizontal en torno a cero respalda un efecto constante, mientras que una tendencia sistemática o una curvatura puede indicar un efecto que varía con el tiempo.

La media móvil del gráfico es una guía visual, no una prueba de hipótesis formal. La salida de la regresión también informa sobre la convergencia. Los coeficientes y los SHR no deberían interpretarse cuando el modelo no ha convergido.

Ejemplo de riesgos competitivos

Suponga que un estudio oncológico registra el tiempo desde el tratamiento hasta el primer resultado observado. La recaída se codifica como evento 1, la muerte sin recaída previa como evento 2 y el último seguimiento sin ninguno de los dos eventos como 0. El análisis puede responder entonces a tres preguntas relacionadas:

• ¿Cuál es la probabilidad estimada de recaída o muerte a lo largo del tiempo?
• ¿Difiere la incidencia de recaída entre los grupos de tratamiento?
• ¿Qué predictores se asocian con la incidencia de recaída tras el ajuste?

Los métodos correspondientes son las dos CIF, la prueba de Gray para la recaída y la regresión de Fine-Gray con la recaída como evento de interés. Los resultados del evento 1 no sustituyen a la CIF del evento 2; ambas curvas ayudan a describir cómo se acumulan los resultados durante el seguimiento.

Calcular riesgos competitivos en línea

Abra la calculadora de riesgos competitivos, pegue sus datos y seleccione las variables de tiempo y de estado. Utilice el estado 0 para la censura, 1 para el evento de interés y 2 para el evento competitivo. Añada un grupo para obtener la prueba de Gray o añada predictores para la regresión de Fine-Gray.

numiqo muestra las curvas CIF de ambos tipos de evento, bandas de confianza puntuales, el número en riesgo, estimaciones en los puntos de tiempo seleccionados, tablas completas de incidencia, la prueba de Gray, los coeficientes de Fine-Gray y los SHR, información sobre la convergencia y el diagnóstico de residuos.

Notas metodológicas

La varianza de la CIF sigue el estimador de Aalen utilizado por el software establecido de riesgos competitivos, y los intervalos de confianza emplean una transformación log-log. Los pesos de censura de Fine-Gray se estiman a partir de la muestra agrupada de casos completos sin estratos de censura. Estas decisiones se indican en la salida de la calculadora, porque otras elecciones de ponderación o estratificación pueden producir resultados diferentes.

Pruebas de referencia automatizadas comparan las estimaciones y varianzas de la CIF, la prueba de Gray, los coeficientes de Fine-Gray y los residuos de score con la salida reproducible del paquete cmprsk de R.