Interesuje mnie wiedza, czy istnieje konsensus w sprawie optymalnego sposobu analizy danych dotyczących długości pobytu w szpitalu (LOS) z RCT. Jest to zwykle rozkład bardzo skośny, w którym większość pacjentów zostaje wypisana w ciągu kilku dni do tygodnia, ale reszta pacjentów ma dość nieprzewidywalne (a czasem dość długie) pobyty, które tworzą prawy ogon rozkładu.
Opcje analizy obejmują:
- test t (zakłada normalność, która prawdopodobnie nie występuje)
- Test U Manna Whitneya
- test logrank
- Model proporcjonalnych zagrożeń Coxa uzależniony od przydziału grupy
Czy którakolwiek z tych metod ma wyraźnie wyższą moc?
Odpowiedzi:
W rzeczywistości biorę udział w projekcie, który robi dokładnie to, chociaż z danymi obserwacyjnymi, a nie klinicznymi. Myślałem, że z powodu niezwykłego kształtu większości danych dotyczących długości pobytu oraz naprawdę dobrze scharakteryzowanej skali czasowej (znasz doskonale zarówno czas początkowy, jak i wyjściowy), pytanie to nadaje się bardzo dobrze do analizy przeżycia. Trzy opcje do rozważenia:
źródło
Preferuję proporcjonalny model zagrożeń Coxa, który będzie również obsługiwał cenzurowaną długość pobytu (śmierć przed udanym wypisem ze szpitala). Odpowiednie materiały informacyjne można znaleźć na stronie http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf z kodem tutaj: http://biostat.mc.vanderbilt.edu/wiki/pub/ Main / FHHouts / model.s
źródło
Polecam test logrank do testowania różnic między grupami i dla każdej niezależnej zmiennej. Być może trzeba będzie dostosować kilka zmiennych (przynajmniej tych istotnych w teście logrank) w modelu proporcjonalnych zagrożeń Coxa. Uogólniony model gamma (parametryczny) może być alternatywą dla Coxa, jeśli będziesz potrzebować bazowego (ryzyka) oszacowania ryzyka.
źródło
śmierć jest konkurującym wydarzeniem z absolutorium. Cenzura śmierci nie byłaby cenzurą przypadkowych brakujących danych. Bardziej odpowiednie może być zbadanie łącznej liczby przypadków śmierci i wypisu oraz porównanie zagrożeń związanych z podziałem.
źródło