Bagaimana cara terbaik untuk menganalisis lama tinggal di RCT berbasis rumah sakit?

11

Saya tertarik mengetahui apakah ada konsensus tentang cara optimal untuk menganalisis data lama tinggal di rumah sakit dari RCT. Ini biasanya distribusi yang sangat condong ke kanan, di mana sebagian besar pasien dipulangkan dalam beberapa hari hingga satu minggu, tetapi pasien lainnya memiliki masa inap yang tidak dapat diprediksi (dan terkadang cukup panjang), yang membentuk ekor kanan distribusi.

Pilihan untuk analisis meliputi:

  • uji t (mengasumsikan normalitas yang kemungkinan tidak ada)
  • Tes Mann Whitney U
  • uji logrank
  • Model bahaya proporsional Cox mengkondisikan alokasi kelompok

Apakah ada dari metode ini yang memiliki kekuatan lebih tinggi?

t-test power skewness cox-model logrank pmgjones
sumber
apakah Anda punya waktu untuk acara dalam jam: mm atau jam?
munozedg

Jawaban:

9

Saya sebenarnya memulai sebuah proyek yang melakukan hal ini, meskipun dengan pengamatan, bukan data klinis. Pikiranku telah bahwa karena bentuk yang tidak biasa dari yang paling panjang data tinggal, dan skala waktu yang sangat baik ditandai (Anda tahu kedua asal dan keluar waktu dasarnya sempurna), pertanyaannya cocok benar-benar baik untuk analisis survival dari beberapa macam. Tiga opsi untuk dipertimbangkan:

  • Model bahaya proporsional Cox, seperti yang Anda sarankan, untuk membandingkan antara perawatan dan lengan yang terpapar.
  • Kurva Straight Kaplan-Meyer, menggunakan log-rank atau salah satu tes lain untuk memeriksa perbedaan di antara mereka. Miguel Hernan berpendapat bahwa ini sebenarnya adalah metode yang lebih disukai untuk digunakan dalam banyak kasus, karena tidak selalu mengasumsikan rasio bahaya yang konstan. Karena Anda telah menjalani uji klinis, kesulitan memproduksi kurva Kaplan-Meyer yang disesuaikan dengan kovariat seharusnya tidak menjadi masalah, tetapi bahkan jika ada beberapa variabel residual yang ingin Anda kendalikan, ini dapat dilakukan dengan inverse-probability-of Berat -treatment.
  • Model kelangsungan hidup parametrik. Memang, memang, lebih jarang digunakan, tetapi dalam kasus saya, saya memerlukan perkiraan parametrik dari bahaya yang mendasarinya, jadi ini benar-benar satu-satunya cara untuk melangkah. Saya tidak akan menyarankan untuk langsung menggunakan model Generalized Gamma. Ini sesuatu yang menyebalkan untuk dikerjakan - Saya akan mencoba Eksponensial, Weibull dan Log-Normal yang sederhana dan melihat apakah ada yang cocok.
Fomite
sumber
4

Saya mendukung model bahaya proporsional Cox, yang juga akan menangani lama tinggal yang disensor (kematian sebelum pulang dari rumah sakit yang berhasil). Handout yang relevan dapat ditemukan di http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf dengan kode di sini: http://biostat.mc.vanderbilt.edu/wiki/pub/ Main / FHHandouts / model.s

Frank Harrell
sumber
Terima kasih Frank. Apakah tes logrank juga tidak menangani sensor? Jadi, apakah manfaat Cox adalah kemampuan untuk menyesuaikan diri dengan kovariat?
pmgjones
1
logrank adalah kasus khusus dari model Cox sehingga tidak perlu untuk itu, dan itu tidak akan memungkinkan Anda untuk menyesuaikan kovariat berkelanjutan seperti model Cox. Model Cox juga menyediakan beberapa cara untuk menangani ikatan.
Frank Harrell
2

Saya merekomendasikan uji logrank untuk menguji perbedaan antara kelompok dan untuk setiap variabel independen. Mungkin Anda perlu menyesuaikan beberapa variabel (setidaknya untuk yang signifikan dalam uji logrank) dalam model bahaya proporsional Cox. Model umum Gamma (parametrik) bisa menjadi alternatif untuk Cox jika Anda akan memerlukan estimasi risiko awal (bahaya).

munozedg
sumber
0

kematian adalah peristiwa yang bersaing dengan pemecatan. Menyensor kematian tidak akan menyensor data yang hilang secara acak. Memeriksa kejadian kumulatif kematian dan pemulangan dan membandingkan bahaya subdistribusi mungkin lebih tepat.

pengguna60368
sumber