Documente Academic
Documente Profesional
Documente Cultură
En presencia de riesgos
competitivos
La función de riesgo, que es una función del tiempo, describe la tasa instantánea de
ocurrencia del evento de interés en los sujetos que aún están en riesgo del evento.
En un entorno en el que el resultado fue la mortalidad por todas las causas, la
función de riesgo en un momento dado describiría la tasa instantánea de muerte en
sujetos que estaban vivos en ese momento. El modelo de regresión de riesgos
proporcionales de Cox relaciona la función de riesgo con un conjunto de covariables.
El modelo de Cox relaciona las covariables con la función de riesgo del resultado
de interés (y no directamente con los tiempos de supervivencia en sí mismos). Las
covariables tienen un efecto relativo en la función de riesgo debido al uso de la
transformación logarítmica. Los coeficientes de regresión se interpretan como
razones de riesgo logarítmico. La relación de riesgo es igual a la exponencial del
coeficiente de regresión asociado. La relación de riesgo denota el cambio relativo
en la función de riesgo asociado con un aumento de 1 unidad en la variable
predictiva. Aunque los coeficientes de regresión del modelo de Cox describen el
efecto relativo de las covariables sobre el riesgo de ocurrencia del resultado, la
siguiente relación también se mantiene en ausencia de riesgos en competencia: S
(t) = S (t) exp (X) 0? , donde S (t) denota la función de supervivencia para un
individuo cuyo conjunto de covariables es igual a X, y S t 0 () denota la función de
supervivencia básica (es decir, la función de supervivencia para un sujeto cuyas
covariables son todos iguales a cero) . Por lo tanto, el efecto relativo de una
covariada dada sobre el peligro del resultado es igual al efecto relativo de esa
covariable sobre el logaritmo de la función de supervivencia. Por lo tanto, en
ausencia de riesgos competitivos, hacer inferencias sobre el efecto de una
covariable en la función de riesgo permite hacer inferencias equivalentes sobre el
efecto de esa covariable en el pronóstico o la supervivencia. Esta correspondencia
directa entre la función de riesgo y la incidencia en ausencia de riesgos en
competencia ha permitido a los autores ser imprecisos en su idioma al interpretar el
modelo de regresión de Cox ajustado. Los autores han podido concluir que un
determinado factor de riesgo o variable incrementó el riesgo de un evento, sin
especificar si el riesgo denota el peligro de un evento (es decir, la tasa de ocurrencia
del evento en aquellos que aún están en riesgo del evento) o la incidencia del evento
(es decir, la probabilidad de la ocurrencia del evento). Los riesgos en competencia
implican que un sujeto puede experimentar uno de un conjunto de diferentes
eventos o resultados. En este caso, hay 2 tipos diferentes de funciones de riesgo
que son de interés: la función de riesgo de causa específica y la función de riesgo
de subdistribución. La función anterior: se define como:
Denota el riesgo instantáneo de falla del evento kth en sujetos que aún no han
experimentado un evento de tipo k. Tenga en cuenta que este conjunto de riesgos
incluye a aquellos que actualmente están libres de eventos, así como aquellos que
han experimentado previamente un evento competitivo. Esto difiere del riesgo
establecido para la de riesgo del peligro de causa específica, que solo incluye a
aquellos que actualmente están libres de eventos. Usando el mismo ejemplo
anterior, el riesgo de subdistribución de la muerte cardiovascular denota la tasa
instantánea de muerte cardiovascular en sujetos que aún están vivos (es decir, que
aún no han experimentado ninguno de los eventos) o que han muerto previamente
por causas no cardiovasculares. Hay una función de riesgo específica para cada
causa distinta para cada uno de los distintos tipos de eventos y una función de
peligro de subdistribución distinta para cada uno de los distintos tipos de eventos.
En los entornos en los que existen riesgos que compiten entre sí, hay disponibles 2
modelos diferentes de regresión de riesgo: modelar el peligro de causa específica y
modelar la función de peligro de subdistribución. Ambos modelos dan cuenta de
riesgos competitivos, pero lo hacen modelando el efecto de las covariables en
diferentes funciones de riesgo. En consecuencia, cada modelo tiene su
interpretación única. Nos referimos a estos 2 modelos como modelos de riesgo de
causa específica y modelos de riesgo de subdistribución. El segundo modelo
también se ha descrito como un modelo de regresión CIF. El último nombre hace
explícito el vínculo entre el riesgo de subdistribución y el efecto sobre la incidencia
de un evento. Es decir, uno puede predecir directamente la incidencia acumulada
para un evento de interés utilizando la relación habitual entre el riesgo y la función
de incidencia según el modelo de riesgos proporcionales. Por lo tanto, el modelo de
riesgo de subdistribución permite estimar el efecto de las covariables en la función
de incidencia acumulada para el evento de interés.
Lau et al sugieren que los modelos de riesgo de causa específica son "más
adecuados para estudiar la etiología de las enfermedades, donde el [modelo de
riesgo de subdistribución] sirve para predecir el riesgo de un individuo". 9 (p245) Del
mismo modo, Koller y colegas15 sugirieron que el riesgo de subdistribución Los
métodos basados en la tecnología son preferibles cuando el enfoque está en la
estimación de los riesgos reales y el pronóstico. Esto refleja la distinción anterior
hecha entre la interpretación de la tasa de incidencia y la tasa de riesgo. Además,
el peligro de subdistribución puede ser de mayor interés si uno está interesado en
el impacto general de las covariables en la incidencia del resultado de interés,
incluso cuando las predicciones de incidencia no son de interés directo. Estos
argumentos sugieren que los modelos de riesgo de subdistribución se deben usar
para desarrollar modelos de predicción clínica y sistemas de calificación de riesgo
para los resultados de supervivencia, mientras que los modelos de riesgo de causa
específica pueden ser más apropiados para abordar las cuestiones epidemiológicas
de etiología. El fundamento de esta sugerencia es que la función de riesgo de causa
específica denota la tasa instantánea del resultado primario en aquellos sujetos que
actualmente están libres de eventos. Por lo tanto, un coeficiente de regresión de un
modelo de riesgo de causa específica puede interpretarse como el efecto relativo
de la covariable correspondiente sobre el aumento relativo en la tasa de ocurrencia
del evento primario en sujetos que actualmente no tienen eventos. En contraste con
esto, los modelos de predicción clínica y los sistemas de puntuación de riesgo están
interesados en estimar la incidencia absoluta del evento de interés. Como el modelo
de riesgo de subdistribución permite modelar directamente el efecto de las
covariables en la incidencia del evento primario después de contabilizar los eventos
en competencia, se presta naturalmente a la predicción de riesgos. La necesidad
de considerar cuidadosamente qué modelo es apropiado para abordar la pregunta
de investigación se ilustra en el siguiente estudio de caso, en el que se muestra que
el efecto del cáncer tiene un efecto diferente sobre el riesgo de subdistribución de
la muerte cardíaca en comparación con su efecto sobre las causas específicas.
Peligro de muerte cardíaca. El cáncer se asoció con una disminución sustancial en
la incidencia de muerte cardíaca (índice de riesgo de subdistribución, 0,82),
mientras que no tuvo asociación con el índice de muerte cardíaca en sujetos que
aún estaban vivos (índice de riesgo de causa específica, 0,96). Un punto importante
a comprender es que ante la presencia de riesgos competitivos, el modelo de Cox
simple de 1 causa es inadecuado. En su lugar, los investigadores deben estar
conscientes de las diferentes funciones de riesgo que están disponibles en
presencia de riesgos competitivos y decidir cuál es la más adecuada para sus
objetivos de investigación.
Fuentes de Datos
Los sujetos se vincularon mediante el uso de una versión codificada del número de
seguro de salud de Ontario del paciente a la base de datos de estadísticas vitales
mantenida por la Oficina del Registrador General de Ontario. Esta base de datos
contiene información sobre la fecha de la muerte y la causa de la muerte de los
residentes de Ontario. Cada sujeto fue seguido durante 5 años a partir de la fecha
de ingreso al hospital por la ocurrencia de la muerte. Para aquellos sujetos que
murieron dentro de los 5 años del alta hospitalaria, la causa de la muerte se anotó
en la base de datos de Estadísticas Vitales. Se categorizó la causa de muerte como
cardiovascular versus no cardiovascular: 10 215 (63%) pacientes murieron durante
los 5 años de seguimiento. De estos, 5970 (58%) murieron por causas
cardiovasculares y 4245 (42%) murieron por causas no cardiovasculares.
Al examinar los índices de riesgo estimados para los diferentes resultados y los
diferentes tipos de modelos de riesgo, se observa que algunas variables tienen un
efecto cualitativamente similar en la incidencia de muerte cardíaca que en la
incidencia de muerte no cardíaca. Sin embargo, otras variables tienen un efecto
cualitativamente diferente sobre la incidencia de muerte cardíaca en comparación
con el efecto sobre la incidencia de muerte no cardíaca. Además, algunas variables
tienen un efecto cualitativamente similar en la incidencia de un tipo dado de muerte
que en el riesgo específico de la causa para el mismo tipo de muerte. Como se
describe en otra parte, la interpretación de estos resultados requiere una
consideración cuidadosa de los efectos de las variables en las causas competitivas
de la muerte. Como ejemplo, un efecto fuerte y opuesto de una variable en el riesgo
de causa específica de un evento competitivo puede llevar a una Efecto indirecto
sobre la incidencia acumulada del evento de interés. En concreto, un factor
pronóstico fuerte para el riesgo de causa específica de muerte cardiovascular podría
conducir a una disminución aparente en la incidencia acumulada de muerte no
cardiovascular cuando dicho factor no tiene efecto sobre el riesgo específico de
causa para muerte no cardiovascular. Este efecto indirecto del factor pronóstico
para la muerte cardiovascular se produce porque la muerte no cardiovascular no
puede ocurrir en aquellos que mueren por causas cardiovasculares y, por lo tanto,
tienen un menor riesgo de ese evento.
Discusión
Use el modelo de riesgo de causa específica cuando el foco está en abordar las
cuestiones etiológicas.
Es importante presentar resultados para todas las causas y para las funciones de
riesgo de causa específica y las funciones de subdistribución de riesgos.Esta
práctica permite una comprensión más completa no solo de los efectos de los
factores pronósticos, sino también de los riesgos absolutos de los diferentes
resultados. En la muestra de estudio. Esto es crítico para los tomadores de
decisiones, quienes pueden necesitar considerar los riesgos de todos los eventos
al tomar decisiones clínicas. Alguien con un alto riesgo de mortalidad no
cardiovascular, pero con un bajo riesgo de mortalidad cardiovascular puede ser
tratado de manera diferente que alguien con un bajo riesgo de mortalidad no
cardiovascular y un alto riesgo de mortalidad cardiovascular. Por ejemplo, el último
paciente puede ser un excelente candidato para los procedimientos de
revascularización cardiovascular temprana, mientras que el primer paciente puede
no ser un candidato adecuado para la revascularización temprana.
Existe una creciente conciencia del impacto de los riesgos en competencia cuando
se desarrollan modelos de pronóstico. Wolbers et al20 compararon el rendimiento
de un modelo estándar de supervivencia de Cox con el de un modelo Fine-Gray
para predecir la incidencia de enfermedad coronaria en mujeres mayores.
Encontraron que el modelo estándar de Cox sobreestimó el riesgo de 10 años de
enfermedad coronaria en comparación con la estimación del modelo Fine-Gray.
Clasificaron el 18% de los sujetos como de alto riesgo según el modelo convencional
de Cox, mientras que solo el 8% de los sujetos presentaron un alto riesgo al usar el
modelo Fine Grey. Ellos atribuyeron esta discrepancia al mayor riesgo de muerte
atribuible a los riesgos competitivos en esta población anciana. Este ejemplo sirve
como una advertencia constructiva sobre el uso de métodos estadísticos
inapropiados al estimar el pronóstico del paciente. Recomendamos que los
analistas utilicen el modelo de peligro de subdistribución de Fine-Gray cuando el
enfoque está en estimar la incidencia o predecir el pronóstico en presencia de
riesgos en competencia.
En nuestro estudio de caso, demostramos que una variable puede tener un efecto
en la incidencia de un resultado que difiere de su efecto en la causa del peligro
específico del resultado. Tal observación ha sido hecha previamente por Lau et al9.
Esto resalta la necesidad de examinar el efecto de las covariables tanto en la
incidencia como en las funciones de peligro de causa específica de todos los tipos
de eventos para desarrollar una comprensión completa de las relaciones entre las
covariables y los diferentes eventos en competencia. Los riesgos en competencia
implican eventos que impiden la ocurrencia del resultado de interés. En algunos
casos, puede requerirse mayor claridad al decidir qué constituye un riesgo
competitivo antes de iniciar el análisis. Por ejemplo, si un sujeto desarrolla 1 forma
de enfermedad cardiaca, ¿puede él o ella desarrollar posteriormente una segunda
forma de enfermedad cardiaca, o las 2 condiciones son mutuamente excluyentes,
lo que excluye la segunda enfermedad? Dichas preguntas clínicas requieren una
resolución en la fase de diseño antes de realizar el análisis estadístico.