ANALIZA SUPRAVIEȚUIRII

METODA KAPLAN-MEIER

COMPARAREA CURBELOR DE SUPRAVIEȚUIRE.

Conf. Dr. Mihaela Moscalu

 ANALIZA SUPRAVIEȚUIRII

 Suntem adesea interesaţi în studiul intervalului de timp până la apariţia unui eveniment de
interes.
 Supravieţuirea se referă la analiza în timp a probabilităţii de apariţie a unui anumit eveniment.
 Dacă considerăm „decesul” evenimentul urmărit, variabila ce caracterizează perioada de viaţă
este timpul scurs până la realizarea acestuia.
 În cadrul "analizei supravieţuirii" putem aborda orice analiză a timpului până la un efect
(eveniment),
 care nu este neapărat decesul (infarct miocardic, hemoragie digestivă, decompensare,
recidivă, etc.) şi
 rareori poate fi şi unul bun (vindecarea, o sarcina dorita etc.).

 În consecinţă, în baza de date a studiului vom avea:

 variabilele dependente (efect: deces, recidiva, aparitia unei complicatii, etc.)
 independente (factori de risc, factori de confuzie potenţiali etc.)
 şi o variabilă timp.
 ANALIZA SUPRAVIEȚUIRII

Exemple de evenimente (pozitive sau negative) care pot constitui

obiectul unei cercetări pe baza analizei supravieţuirii:

 Timpul scurs de la îmbolnăvire până la deces

 Timpul scurs până la apariţia recidivelor etc.
SAU
 Timpul scurs până la însănătoşire în cazul aplicării unui tratament
(intervenţie)
 Timpul scurs până la apariţia unei sarcini în urma aplicării unui
tratament (intervenţie) etc.

Cum putem examina acest interval de timp.

Cum extragem informaţii din datele culese.
Cum interpretăm rezultatele obţinute.
 ANALIZA SUPRAVIEȚUIRII
 Să presupunem că se doreşte studierea eficacităţii unui nou tratament pentru o afecţiune
severă, ce determină în general decesul pacientului. Putem spune că acest tratament este
eficient dacă la sfârşitul unei perioade cât mai mari de timp numărul de pacienţi care au
supravieţuit este cât mai mare.
 Primul pas pentru evaluarea noastră îl constituie, bineînţeles, înregistrarea datei la care se
începe aplicarea tratamentului. Astfel, putem afla cu uşurinţă numărul de zile (săptămâni,
luni, ani) care au trecut de atunci şi până la sfârşitul studiului.
 Initial avem nevoie de informaţii (date corespunzătoare fiecărui pacient în parte):
 variabila timp (o coloană de date – timp) şi
 o altă variabila ce defineşte realizarea sau nu a evenimentului urmărit.
 ANALIZA SUPRAVIEȚUIRII

Trebuie să răspundem la întrebarea:

Care este supraviețuirea în prima lună de tratament, sau care este supravieţuirea medie, sau în
cât timp am pierdut de exemplu 50% din pacienţi, dar 30% dintre aceştia?

 Evident toate întrebările sunt legate de conceptul de timp.

 Am putea în primă etapă să folosim noţiunile specifice din statistica descriptivă deci, am putea
caracteriza populaţia prin indicatorii statistici de:
 localizare: medie, mediana, modul;
 variatie: dispersia, amplitudinea, intervalul intercuartilic;
 distribuţie de frecvenţă,
 sau se pot realiza comparaţii între aceşti indicatori pentru diferite loturi studiate.
 ANALIZA SUPRAVIEȚUIRII
PROBLEME SPECIFICE:
 Pe parcursul studiului se pierd pacienţi din diferite motive (schimbare de adresă, abandon,
deces din alte cauze sau terminarea studiului şi neapariţia evenimentului analizat etc.). Astfel,
suntem nevoiţi să eliminăm datele incomplete pe perioada de analiză. Dacă pierdem cantităţi
importante de informaţie putem compromite întregul studiu.
 Datele pierdute se numesc date cenzurate. Acestea conţin informaţie parţială.
 De asemenea pot apărea cazuri noi care ar trebui incluse în lot. Dacă am transla toate
înregistrările la o origine de timp comună am putea ţine cont de informaţia chiar parţial
introdusă. Ar trebui să folosim într-un mod corect această informaţie care ne-ar aduce, evident,
un plus de informaţie care ajută la eliminarea indeciziilor existente.
 Nu putem, de exemplu, să calculăm durate medii de supravieţuire, pe de o parte pentru că
duratele de supravieţuire par a nu avea o distribuţie Gaussiană, iar pe de altă parte, pentru că
nu se poate calcula media dacă nu se ştiu toate duratele de supravieţuire, aşadar nu poţi
analiza datele până nu a decedat şi ultimul pacient. Ori asta nu se întâmplă de obicei în studii,
întotdeauna mai rămân pacienţi în viaţă la sfârşitul studiului.

Analiza de tip Kaplan-Meier permite exact acest tip de lucru cu date cenzurate şi/sau noi.

Practic profităm de toată informaţia pe care o avem pe parcursul intervalului de timp investit în
cercetare.
 ANALIZA SUPRAVIEȚUIRII

 Cenzurarea şi anormalitatea distribuţiei datelor de supravieţuire necesită metode statistice

adecvate pentru analizarea lor corectă.
 Datele de supravieţuire (sau evoluţia unei populaţii) se descriu grafic prin curbe de
supravieţuire.
 Curba Kaplan Meier reprezintă evoluţia probabilităţii de supravieţuire în timp.
 Ca metodă de calcul într-un mod vag exprimată, aceasta reprezintă: numărul de cazuri în
viaţă raportat la numărul total de cazuri de la începutul studiului.
 ANALIZA SUPRAVIEȚUIRII
 Analiza supravieţuirii trebuie interpretată în mod corect ca o analiză în timp a realizării
evenimentului.

 Funcţia de supraviețuire este descrisă de probabilitatea ca la momentul Ti pacienţii să se afle

în viaţă.
 Această probabilitate se deduce cunoscând numărul de decese şi numărul de cazuri cenzurate
în fiecare interval de studiu.

 Probabilitatea de supravieţuire este complementară probabilităţii decesului.

Cumulative Proportion Surviving (Kaplan-Meier)
AGE (value cut off for age - 65 years old)
Complete Censored

1.0

0.9
Cumulative Proportion Surviving

0.8

0.7

0.6

0.5

0.4
age<65
years old
0.3
age>=65
10 20 30 40 50 60 70 80 90 100 110
years old
Time
 ANALIZA SUPRAVIEȚUIRII
 În timp această probabilitate de supravietuire variază, scade şi astfel ea va capăta o tendinţă
descrescătoare. Cu cât timpul trece cu atât mai puţini pacienţi vor fi în viaţă.
 La diferite momente de timp Ti se produc evenimente ce reprezintă decesul sau cenzura. Acestea definesc
punctele în care probabilitatea de supravieţuire îşi schimbă valoarea.
 Reprezentarea timpului de apariţie a evenimentelor ce caracterizează starea pacienţilor (cenzura/deces) cât
şi a momentului înrolării de noi cazuri.
 Există un moment de start (romb) pentru fiecare pacient şi de asemenea momentul apariţiei evenimentului
(sfârșitul urmăririi - cerc).

Monitorizarea pacienților pe perioada de studiu

 ANALIZA SUPRAVIEȚUIRII

 Pentru o interpretare corectă trebuie să realizăm o translaţie în sensul aducerii tuturor

punctelor de start la un moment de referinţa comun, considerat reper 0 al axei timpului.
 Dacă pierdem pacienţi în perioada de studiu, atunci pe fiecare subinterval vom avea
probabilităţile diferite. Va trebui să calculăm probabilitatea pe subinterval şi vom face apel la
teoria probabilităţilor.
 Evenimentele au loc succesiv la momentele notate T1 < T2 < … < Ti < … < Tn.
 ANALIZA SUPRAVIEȚUIRII

 Momentul de start T0 este definit de scopul studiului.

 Aici trebuie să se acorde o atenţie deosebită deoarece, poate exista o mare relativitate în
stabilirea momentului de start (de ex.: în cancerul de sân, care este momentul de determinare
a prezenţei neoplaziei?).
 Toate cazurile luate în studiu trebuie să fie tratate uniform pentru a nu introduce erori.

Aducerea la reper zero în timp a pacienţilor din studiu

 ANALIZA SUPRAVIEȚUIRII

Există trei funcţii care descriu distribuţia de supravieţuire:

 Funcția de supravieţuire S(t)

 Funcţia densitate de probabilitate f(t) şi F(t) – funcţia de probabilitate

cumulată

 Funcţia hazard h(t) şi H(t) – funcţia hazard cumulată.

 ANALIZA SUPRAVIEȚUIRII - FUNCŢIA DE SUPRAVIEŢUIRE
 S(t) reprezintă probabilitatea ca un individ să supraviețuiască mai mult decât momentul t.
 Dacă nu avem elemente cenzurate, funcţia de supravieţuire este:
S(t)=număr de pacienţi in viaţă la momentul t/număr total de pacienţi luaţi în studiu
 Această formulă este corectă pentru un volum foarte mare a eşantionului.
 Pentru a caracteriza corect funcţia de supravieţuire se foloseşte mediana în locul mediei. Aceasta
exprimă corect valoarea centrală, deoarece distribuţia în general nu este de tip normal iar cazurile
extreme pot influenţa în mod eronat valoarea mediei.
 Sunt foarte utile şi cuartilele, cele trei valori ce împart distribuţia în 4 grupe de probabilităţi egale
cu 25% (cuartila 2 - Q50(Me) - este tocmai mediana).
 Mediana reprezintă timpul (luni, ani, săptămâni) pentru care probabilitatea de supravieţuire a
scăzut la jumătate, 50%.
 Se poate astfel determina curba de supravieţuire. În continuare se calculează cuartilele prin
metoda grafică prin trasarea de drepte paralele cu abscisa în punctele de probabilităţi egale cu
0.75, 0.50 respectiv 0.25.
 ANALIZA SUPRAVIEȚUIRII - FUNCŢIA HAZARD

 h(t) se defineşte ca fiind probabilitatea realizării evenimentului studiat într-un

timp foarte scurt (Δt) cunoscând că până la momentul t evenimentul nu s-a
realizat.

 Funcţia hazard exprimă riscul de a deceda în unitatea de timp la o anumită

vârstă, sau riscul general de a se realiza evenimentul la un moment t.

 Se mai numeşte şi rată condiţionată a mortalităţii, sau

rată instantanee de producere a evenimentului.

 Dacă nu avem evenimente cenzurate pentru h(t) aven formula:

h(t) = (numărul de evenimente realizate începând cu t)
[(nr. de pacienţi ajunşi în studiu în momentul t) x (Δt)]
 METODA KAPLAN MEIER
COMPARAREA CURBELOR DE SUPRAVIEȚUIRE.

 Analiza în timp a evenimentului.

 Metoda Kaplan Meier este o tehnică statistică neparametrică ce determină

probabilităţile de supravieţuire în timp, acceptă lucru cu date cenzurate şi
permite introducerea de noi cazuri în perioada de cercetare.

 Curba Kaplan Meier reprezintă evoluţia probabilităţii de supravieţuire în

timp.

 Ca metodă de calcul într-un mod vag exprimată, aceasta reprezintă:

numărul de cazuri în viaţă raportat la numărul total de cazuri de la începutul

studiului.
 METODA KAPLAN MEIER
 Curba de supravieţuire arată cum variază proporţia de pacienţi în viaţă (sau care nu au realizat
evenimentul predefinit (deces/vindecare, ...) în timp. Astfel, se porneşte de la 100%
supravieţuitori la începutul studiului şi acest număr scade pe măsură ce timpul trece.
 Pe axa absciselor (axa timpului) se consideră mai multe intervale corespunzătoare perioadelor
consecutive, momentul t = 0 fiind considerat, pentru toţi pacienţii, momentul începerii
tratamentului.
 La timpul t=0, toţi pacienţii sunt în viaţă, astfel că Y=100%. Apoi, decesul fiecărui pacient este
vizibil ca o treaptă în jos de-a lungul curbei. Dacă studiul (şi astfel axa X) se întinde destul, Y
poate atinge valoarea 0.

N=38 – total cazuri intrate in studiu

32 cazuri raman in viata dupa 1 luna

S(t) reprezinta estimarea probabilitatii de supravietuire

 METODA KAPLAN MEIER

 După trecerea a t intervale de timp se poate calcula (şi reprezenta grafic) proporţia pacienţilor
care au supravieţuit cel puţin durata t. Deci, variabila timp este o durată (perioadă) de timp şi
nu o dată calendaristică. Ea reprezintă numărul de perioade de timp de la data iniţială.
 Dacă datele analizate conţin două variabile de tip dată (ex. data de început, data decesului
pacientului) ele trebuie transformate în durate (perioade) de timp.
 METODA KAPLAN MEIER

 Variabila de stare trebuie să fie o variabilă categorială reprezentând evenimentul de interes. Ea poate fi o variabilă
numerică sau text (string) ce conţine codul pentru un anumit eveniment. Variabila de stare trebuie să definească
clar un anumit eveniment (ex. data la care pacientul a raportat primele simptome).
 Variabila de stratificare. Este o variabilă categorială ce reprezintă un efect de grupare. Într-o setare medicală, o
variabilă de stratificare poate fi tipul de boală. Dacă "type" este setată ca variabilă de stratificare, se pot obţine
grafice de supravieţuire pentru fiecare tip de boală. Apoi se pot compara indicii de supravieţuire dintre diversele
tipuri de boală.
 Variabila de factor. Este o variabilă categorială care reprezintă un efect cauzal (de ex., tratamentele). Într-o setare
medicală o variabilă de factor poate fi tipul de tratament aplicat (de ex. tipul de injecţie). Dacă tratamentul este
setat (ales) ca variabilă de factor, ieşirea (output-ul) va include grafice (curbe) de supravieţuire în cadrul fiecărui
strat (de ex. fiecare tip de gripă). Apoi se pot compara indicii de supravieţuire între grupele de tratament, aparte
pentru fiecare tip de gripă. Variabila de factor se poate considera ca fiind principala variabilă de grupare, iar
variabila de stratificare ca fiind o variabilă de subgrupare. Dar ambele sunt opţionale.
 METODA KAPLAN MEIER - EXEMPLU
 Avem următoarele date prezente în tabelul de mai jos. Acestea descriu evenimentele de tip deces respectiv
cenzură. Determinam prin metoda Kaplan Meier curba de supravieţuire şi calculam cuartilele. Numărul total
de pacienţi este 22+21=43.
Prob. Condiţionată
Pacienţi la risc Prob. de supravieţuire
An Cenzuri Eveniment urmărit pe interval
1 1 1 43 1-1/43=97.67% 97.67%
2 2 2 43-1-1=41 1-2/41=95.12% 0.97.67 x 95.12=92.91%
3 2 2 41-2-2=37 1-2/37=94.59% 92.91 x 94.59=87.89%
4 3 3 37-2-2=33 1-3/33=90.91% 87.89 x 90.91=79.90%
6 3 1
33-3-3=27 1-1/27=96.30% 79.90 x 96.30=76.94%
8 3 4
10 4 3 27-3-1=23 1-4/23=82.61% 76.94 x 82.61=63.56%
11 2 2 23-3-4=16 1-3/16=81.25% 63.56 x 81.25=51.64%
13 1 2 16-4-3=9 1-2/9=77.78% 51.64 x 77.78=40.17%
14 1 1
9-2-2=5 1-2/5=60.00% 40.17 x 60=24.10%
22 21
Total 5-1-2=2 1-1/2=50.00% 24.10 x 0.50=12.05%
43

1. Se va determina numarul pacientilor la risc pentru primul interval care este egal cu suma tuturor
pacienţilor luaţi în studiu. Pe celelalte intervale se scade în mod reperat atât numărul de cenzuri cât
şi numărul de evenimente urmărite realizate.

2. In etapa 2 se calculează probabilitatea condiţionată de supravieţuire. Aceasta are valoarea egala cu 1

din care se scade raportul dintre numărul de evenimente urmărite şi numărul de pacienţi la risc.
Aceasta probabilitate creşte sau descreşte pe fiecare interval în funcţie de numărul de evenimente.

3. Prin înmulţirea cumulată a probabilităţilor condiţionate se obţine probabilitatea de supravieţuire.

Aceasta descreşte şi poate ajunge uneori până la 0.
 METODA KAPLAN MEIER
 În continuare se poate reprezenta grafic curba de supravieţuire. Pentru aceasta vom folosi
graficul de tip scatter (XY).
 Valorile probabilităţii de supravieţuire.
An Supravieţuire
1 1
1 97.67%
2 97.67%
2 92.91%
3 92.91%
3 87.89%
4 87.89%
4 79.90%
6 79.90%
6 76.94%
8 76.94%
8 63.56%
10 63.56%
10 51.64%
11 51.64%
11 40.17%
13 40.17%
13 24.10%
14 24.10%
Citim din grafic cuartilele:
14 12.05% Supravieţuire de 75% avem la 8 ani.
Supravieţuire de 50% avem la 11 ani.
Supravieţuire de 25% avem la 13 ani.
 METODA KAPLAN MEIER
COMPARAŢII ÎNTRE FUNCŢII DE SUPRAVIEŢUIRE
 Dacă sunt mai multe grupuri de date care reprezintă funcţii diferite de supravieţuire, atunci
acestea pot fi comparate prin teste statistica ca:
 Log Rank (Mantel-Cox)
 Breslow (Generalized Wilcoxon) sau
 Tarone-Ware.
 Aceste teste reprezintă statistici de tip Chi-pătrat (χ2) pentru care se poate calcula nivelul de
semnificaţie (p), pentru un anumit interval de confidenţă.
Cumulative Proportion Surviving (Kaplan-Meier)
BMI
Complete Censored

1.0

Cumulative Proportion Surviving

0.9

0.8

0.7

0.6

0.5
BMI [18.5-24.9]
10 20 30 40 50 60 70 80 90 100 110
BMI >=25
Time

 În cazul studiului decesului panta echivalentă a curbei de supravieţuire este de dorit să fie cât mai
mică.
 Dacă se studiază timpul necesar însănătoşirii în urma unui tratament, atunci este de dorit ca panta
să fie cât mai mare, efectul să fie cat mai rapid.
 REGRESIE COX

 Modele timp - eveniment în prezența cazurilor cenzurate.

 Permite includerea variabilelor predictor (variabile concomitente). Acestea pot fi
categorice sau continue.
 Poate fi extins pentru a permite variabile concomitente dependente de timp (care nu sunt
acoperite aici).
 De asemenea, cunoscut sub numele de modelul Cox pentru estimarea riscului sau
regresia hazard-proporţională.
 REGRESIE COX

 Hazardul – la orice moment, reprezintă riscul decesului (producerii evenimentului prestabilit)

într-un interval de timp foarte scurt, pentru un subiect care a supravieţuit până la acel moment.

 După cum este de aşteptat, hazardul şi probabilitatea de supravieţuire sunt interconectate,

relaţia fiind complexă, dar suficientă pentru a se putea determina un parametru cu ajutorul
celuilalt.

 Dacă hazardul este constant pentru toată durata studiului, înseamnă că riscul de deces este
independent de durata de timp cat un individ a putut să supravieţuiască. Astfel un subiect care
a supravieţuit 3 luni ar avea acelaşi risc al morţii în momentul următor ca unul care a
supravieţuit 10 ani.

 Alternativa ar putea fi situaţia când hazardul creşte o dată cu creşterea timpului de

supravieţuire
 REGRESIE COX

 Abordarea cea mai realistă este de a nu face prezumţii asupra constanţei hazardului ci de a-l
determina din datele existente.


 Astfel, hazardul relativ pentru un pacient cu o combinare particulară a valorilor variabilelor cu

pondere prognostică la un anumit moment, este raportul dintre hazardul pentru combinarea
acelor variabile la momentul dat şi hazardul pentru acelaşi moment al unui pacient ipotetic al
cărui valori pentru variabilele prognostice (predictive) sunt toate egale cu 0.

 Acest numitor este cunoscut sub denumirea de “hazard de bază” şi este o noţiune virtuală (nu
trebuie presupus că un asemenea pacient ar exista).
 REGRESIE COX

 Din motive tehnice, este mai convenabil să se lucreze cu logaritmii hazardului relativ şi se acceptă
prezumţia că pentru orice combinaţie a valorilor variabilelor predictive (prognostice), logaritmul
hazardului relativ se poate scrie ca o sumă ponderată a acestor valori (exemplu: pondere pentru
vârstă, pentru dimensiunea unei tumori, pentru agresivitatea tipului celular al tumorii etc.).

 Suma ponderată a unui pacient se va calcula prin înmulţirea fiecăreia din aceste valori cu ponderea
sa (vârstă, dimensiune, agresivitate) şi însumarea acestor produse. În acest mod se determină
valoarea ponderilor şi hazardul bazal.

 O dată cu această etapă realizată, se poate construi o curbă de supravieţuire pentru orice combinaţie
a valorilor variabilelor predictive (prognostice).

 Dacă e necesar, se pot aplica transformări asupra oricăreia din variabilele predictive (exemplu: pentru
a reduce variabilitatea valorilor observate se poate aplica o transformare logaritmică).

 Coeficienţii regresiei Cox pot fi utilizaţi pentru determinarea riscului relativ pentru fiecare variabilă
independentă şi pentru o variabilă rezultantă, ajustată la efectul tuturor celorlalte variabile din ecuaţie
(riscul relative ajustat).
 ALEGEREA MODELULUI DE ANALIZĂ

 O importanţă deosebită prezintă alegerea modelului de analiză care să permită selectarea unui set de predictori având
maximum de putere de predicţie asupra variabilei criteriu. Scopul nu este acela de a aduna informaţie de la toate
variabilele disponibile ci doar de la acelea care aduc contribuţia cea mai consistentă.

 O primă recomandare, cu caracter preliminar, este aceea de a avea în vedere un anumit raport între numărul de subiecţi
şi numărul variabilelor independente. Acest raport este cifrat la valoarea 15/1, adică pentru un eşantion de 150 de
subiecţi se poate miza pe cel mult 10 variabile independente.

 După ce setul de variabile predictor a fost fixat, se va trece la adoptarea uneia dintre metodele de introducere a acestora
în ecuaţia de regresie:

 Regresia multipla standard. Toate variabilele predictor sunt incluse în ecuaţie, efectul fiecăreia fiind evaluat după şi
independent de efectul tuturor celorlalte variabile introduse anterior. Fiecare variabilă independentă este evaluată numai
prin prisma contribuţiei proprii la explicarea variabilei dependente.

 Regresia multiplă secvenţială (numită şi regresie ierarhică). Variabilele independente sunt introduse în ecuaţie într-o
anumită ordine, în funcţie de opţiunile analistului. Atunci când acesta are motive să creadă că o anumită variabilă are o
influenţă mai mare, o poate introduce în ecuaţie înaintea altora.

 Regresia multiplă pas cu pas. Este utilizată adesea în studii exploratorii, atunci când există un număr mare de predictori
despre care nu se ştie exact care este contribuţia fiecăreia la corelaţia de ansamblu cu variabila dependentă. Există trei
variante ale acetui tip de analiză:
 ALEGEREA MODELULUI DE ANALIZĂ

 Selecţia anterogradă. Toate variabilele independente sunt corelate cu variabila dependentă după care variabila care are
corelaţia cea mai mare este introdusă prima în ecuaţie. Următoarea variabilă introdusă în ecuaţie este cea care are corelaţia
cea mai mare, după ce a fost eliminat efectul variabilei anterioare. Procesul continuă până ce nivelul contribuţiei variabilelor
independente este prea mic pentru a mai fi luat în considerare. O variabilă, odată introdusă în ecuaţie rămâne acolo.

 Selecţia pas cu pas. Este o variantă a metodei anterioare. Diferenţa constă în faptul că la fiecare pas, fiecare variabilă deja
introdusă este retestată pentru a se evalua efectul lor ca şi cum ar fi fost introduse ultima. Cu alte cuvinte, dacă o variabilă
nou introdusă are o contribuţie mai consistentă asupra variabilei dependente va determina eliminarea unei variabile
anterioare dar care se dovedeşte mai puţin predictivă.

 Selecţia retrogradă. Pasul iniţial al acestei metode este acela de calculare a unei ecuaţii de regresie în care toate variabilele
predictor sunt incluse. Ulterior, pentru fiecare variabilă predictor este efectuat un test de semnificaţie „F”, pentru a se evalua
contribuţia fiecărui predictor la corelaţia de ansamblu. Valorile testului F sunt comparate cu o valoare limită prestabilită,
variabilele care nu trec acest prag fiind eliminate din ecuaţie. Pe măsură ce o variabilă este eliminată, o nouă ecuaţie este
calculată şi un nou test F este efectuat pentru variabilele rămase, urmat de eventuala eliminare a unei alte variabile. Procesul
continuă până când doar variabilele semnificative rămân în ecuaţie.

 Este evident că metoda „secvenţială” şi cea „pas cu pas” sunt superioare metodei „standard”. Între primele două diferenţa
constă în faptul că, în cazul metodei secvenţiale, decizia de selecţionare a variabilelor introduse în ecuaţie aparţine
cercetătorului în timp ce în cazul metodei pas cu pas, programul este cel care face în mod automat selecţia, în funcţie de
parametri fixaţi de analist.
REGRESIE COX

Analyze  Survival  Cox Regression…

REGRESIE COX
REGRESIE COX

* Cox regression adjusted for age .

COXREG
Time /STATUS=Status(1)
/CONTRAST (Group)=Indicator(1)
/METHOD=ENTER Age Group
/SAVE=PRESID
/CRITERIA=PIN(.05) POUT(.10) ITERATE(20) .
 REGRESIE COX

Interpretare: %  1-exp(B)

Raportul de risc pentru fiecare

creștere unitate în vârstă cu valoare
CI și p.

Variables in the Equation

95.0% CI for Exp(B)

B SE Wald df Sig. Exp(B) Lower Upper
Raportul de risc pentru
Age .576 .195 8.723 1 .003 1.779 1.214 2.607 a fi în Grupa B, în
Group 2.175 .961 5.120 1 .024 8.804 1.338 57.938
raport cu Grupa A (de
referință) cu CI și
Aici puteți vedea că pericolul este de 78% mai mare pentru fiecare an
valoare p.
suplimentar de vârstă și acest efect este foarte semnificativă (p = 0,003).
Cu toate acestea după ajustate pentru varsta se pare ca exista o diferenta
foarte clară între grupurile cu o rata a riscului de Grupa B raportate la
Grupa A de 8,80 (95% CI: 1.34-57.94) (p = 0,024). Observați că acest
interval de încredere este foarte larg și că limita inferioară sugerează că
raportul risc adevarat poate fi la nivelul 1.34.
REGRESIE COX

Dacă luăm Age din model atunci efectul a grupelor este redus,
grupa B având un risc relativ crescut în raport cu grupa A de 2,56
(95% CI: 0.74-8.82), dar care este acum nesemnificativ statistic la
5% eroare de estimare nivelul (p = 0,136).
REGRESIE COX
(EXEMPLU DE INTERPRETARE)
Sig. 95% CI for EXP(β)
Exp(β)
Pre-dialysis variables β S.E. Wald p-
HR Lower Upper
value
LVMI (gm/m2) 0.020 0.008 5.889 0.015 1.320 1.004 1.437
SCOR UCL pre-dialysis 0.975 0.049 4.939 0.026 2.651 1.122 6.262
Age (years) 0.048 0.035 1.949 0.163 1.049 0.981 1.123
CRP (mg/dl) 0.018 0.019 0.897 0.344 1.018 0.981 1.058
Hydration status - ΔHS 0.051 0.059 0.739 0.390 1.052 0.937 1.182
Albumin (g/dl) -1.047 0.091 0.630 0.427 0.351 0.026 4.657
Ejection fraction, % -0.017 0.046 0.135 0.713 0.983 0.899 1.076
Dialysis vintage (months) 0.002 0.007 0.099 0.754 1.002 0.989 1.015

Modelul Cox-proportional hazard regression a fost aplicat pentru evaluarea impactului factorilor independenţi
(predictori: age, dialysis vintage, male sex, hydratation status-ΔHS, LVMI, Fejectie, albumin, CRP, UCL) asupra
supravieţuirii pacienţilor supuşi tratamentului de hemodializă. A fost aplicată metoda Backward Stepwise (Wald) de
eliminare treptată a factorilor ce nu prezintă o influenţă semnificativă asupra supravieţuirii. S-a obţinut astfel cel mai
bun model multivariat (Hosmer-Lemeshow tests  χ2 = 6.51, df=8, p=0.59, 95%CI). Contribuția covariabilelor ce
explică variabila dependentă a fost evaluată prin intermediul testului Wald, cu p-value<0,05 considerată semnificativă.

Predictorii ce au menţinut o asociere semnificativă cu durata de supravieţuire în analiza

multifactorială au fost LVMI şi scorul UCL pre-dializă. Creşterea cu o unitate a scorului UCL determină
o creştere a riscului de deces de 2.65 ori (HR=2.65, p=0.026, 95%CI), iar creşterea LVMI cu 1 gm/m2
riscul de deces creşte de 1.32 ori (HR=1.32, p=0.015, 95%CI).

Analiza Hosmer-Lemeshow a demonstrat faptul că modelul obţinut prin aplicarea

metodei Backward Stepwise (Wald) este corect selectat.