Análisis de supervivencia y outcomes clínicos

El análisis de supervivencia es necesario cuando lo que importa no es solo si un evento ocurre, sino cuánto tiempo tarda en ocurrir, y cuando no todos los pacientes se siguen durante el mismo periodo. Aplica a estudios observacionales, registros clínicos y ensayos en los que el desenlace es un tiempo hasta evento: supervivencia, tiempo libre de recurrencia, un endpoint clínico u otro outcome temporal. Comparar proporciones de eventos ignora dos cosas que el análisis de supervivencia sí maneja: la censura, es decir, los pacientes que terminan el seguimiento sin haber tenido el evento, y el momento en que cada evento sucede. Reducir un desenlace temporal a un porcentaje a fecha fija desaprovecha información y puede producir comparaciones poco defendibles si los seguimientos son desiguales o si la censura no se trata correctamente. El tiempo hasta el evento es la pregunta, no un detalle.

Se necesita, para cada paciente, una fecha de origen bien definida, una fecha de evento o de última observación, y el indicador de si el evento ocurrió o el seguimiento se censuró, además de las covariables clínicas de interés. El cliente recoge y aporta estos datos, ya sea de un registro o de un ensayo; el servicio los prepara, modela e interpreta. Una verificación clave antes de analizar es la definición del evento y de la fecha de origen: un evento ambiguo o un origen mal fijado comprometen todo el análisis posterior, por correcto que sea el modelo. Además, las covariables deben estar fechadas o claramente situadas respecto al origen del seguimiento para evitar usar información posterior al inicio del riesgo. También se examina la estructura de la censura y la posible presencia de riesgos competitivos. No es imprescindible que la base llegue depurada, pero sí que el evento, su fecha, la fecha de origen y la regla de censura estén definidos sin ambigüedad, porque son el esqueleto del análisis.

No se aplica una regresión de Cox por defecto: primero se evalúa si los datos cumplen sus supuestos y, si no, se usa otro método. Aplica a cualquier análisis de tiempo hasta evento, porque el modelo de Cox descansa sobre el supuesto de riesgos proporcionales, esto es, que el efecto de una variable sobre el riesgo se mantiene constante en el tiempo, y ese supuesto no siempre se sostiene. El trabajo incluye verificarlo y, cuando falla, recurrir a modelos alternativos: modelos con efectos dependientes del tiempo, estratificación u otras aproximaciones según el caso. Cuando el supuesto de riesgos proporcionales no se sostiene, también puede considerarse la supervivencia media restringida (RMST) si encaja con la pregunta clínica. Asumir riesgos proporcionales sin comprobarlo es uno de los errores más frecuentes en supervivencia, y produce hazard ratios difíciles de interpretar como efecto constante en el tiempo. La elección del método se adapta a la estructura de los datos, no al revés.

Cuando un paciente puede experimentar varios tipos de evento mutuamente excluyentes, se emplean métodos de riesgos competitivos, no un análisis de supervivencia estándar. Aplica, por ejemplo, cuando el evento de interés es el fallo de un dispositivo o una recurrencia, pero el paciente puede fallecer antes por otra causa: esa muerte no es una censura inocua, porque impide que el evento de interés llegue a ocurrir. Si el objetivo es estimar la incidencia acumulada del evento de interés, tratar el evento competitivo como censura puede sobreestimarla. Según el objetivo, puede interesar modelar la incidencia acumulada con Fine-Gray (subdistribution hazard) o el hazard específico de causa con modelos cause-specific, además de comparaciones con el test de Gray. La elección entre ambos enfoques depende de la pregunta, ya sea predicción de riesgo o efecto etiológico, no es automática. Ignorar los riesgos competitivos, cuando existen, es un error metodológico con consecuencias sobre la estimación, no un matiz menor.

En un estudio observacional, los tratamientos se comparan controlando la confusión, porque los grupos no se formaron al azar y difieren en características que afectan al desenlace. Aplica cuando se quiere estimar la efectividad de tratamientos en condiciones de práctica real, sin la asignación aleatoria que equilibra los grupos en un ensayo. Para ello se emplean técnicas como el propensity score matching, el weighting o el ajuste multivariante, según la estructura de los datos y la pregunta, y se acompañan de análisis de sensibilidad frente a confusión no medida. La validez de la comparación depende de que las variables que explican la indicación del tratamiento estén medidas con suficiente calidad. Conviene precisar el alcance: estas técnicas estiman una efectividad ajustada por los factores observados y reducen el sesgo, pero no equivalen a la evidencia de un ensayo aleatorizado ni demuestran causalidad por sí solas. Lo que se entrega es una comparación más defendible, con sus supuestos explícitos, no una prueba causal.

Sí. El servicio analiza tiempo hasta evento tanto si el outcome es un endpoint primario de un ensayo como si es un evento clínico de un registro, adaptando el método al diseño. Aplica a los dos perfiles que comparten este servicio: el equipo que necesita analizar un endpoint de eficacia o seguridad de un ensayo académico o pragmático, y el que explota los eventos de un registro o cohorte observacional. En ambos pueden entregarse curvas de Kaplan-Meier, hazard ratios con su interpretación clínica, modelos ajustados y análisis de sensibilidad, con la sección de métodos redactada conforme a las guías aplicables al diseño, como STROBE en observacionales o la guía correspondiente en ensayos académicos. Conviene marcar un límite: el servicio cubre el análisis estadístico de endpoints en ensayos académicos y pragmáticos, no la documentación regulatoria formal de una submission a una agencia, que es un ámbito distinto. El método de supervivencia es común; el alcance se mantiene en el terreno académico y de publicación.

El análisis de supervivencia se centra en el tiempo hasta que ocurre un evento concreto, como muerte, recurrencia o fallo, y en los factores que aceleran o retrasan ese plazo, controlando la censura. El análisis de datos longitudinales se centra en la trayectoria: cómo evoluciona en el tiempo una variable medida repetidamente sobre las mismas unidades, como un biomarcador, una escala o un parámetro clínico. No responden a la misma pregunta: supervivencia responde "cuándo y con qué riesgo ocurre este evento"; el longitudinal, "cómo evoluciona esta medida repetida en el tiempo". Se combinan con frecuencia, ya que un seguimiento longitudinal suele incluir supervivencia entre sus métodos y los eventos recurrentes están en la frontera de ambos, pero uno modela el tiempo hasta un desenlace y el otro, la evolución de una medida. La fuente de datos (registro, cohorte, ensayo) no decide cuál es el tuyo: lo decide si tu pregunta es sobre el plazo de un evento o sobre la trayectoria de una variable.

Se entregan los resultados del análisis interpretados y preparados para integrarse en el manuscrito: curvas de Kaplan-Meier, forest plots de hazard ratios, tablas de regresión, análisis de sensibilidad y la sección de métodos redactada conforme a las guías aplicables. Aplica a quien va a publicar en revistas de impacto o a presentar resultados ante un comité, y necesita que el análisis llegue en formato publicable, no como una salida de software que haya que reinterpretar. El servicio incluye preparar la argumentación técnica y los análisis de sensibilidad adicionales que los revisores pueden pedir cuando cuestionan una elección metodológica. Si el análisis procede de un ensayo, la guía de reporte o estructura metodológica se adapta al diseño; STROBE aplica a estudios observacionales, no a todos los contextos. El reparto se mantiene: el equipo investigador firma y dirige la publicación; el servicio aporta el análisis, su interpretación y la defensa metodológica. Lo que se entrega es material preparado para el manuscrito o el informe, con su justificación metodológica documentada.