Jak najlepiej analizować dane dotyczące długości pobytu w szpitalnym RCT?

11

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?

t-test power skewness cox-model logrank pmgjones
źródło
czy masz czas na wydarzenie w gg: mm lub godzinach?
munozedg

Odpowiedzi:

9

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:

  • Modele proporcjonalnych zagrożeń Coxa, jak zasugerowałeś, do porównania leczenia i odsłoniętych ramion.
  • Proste krzywe Kaplana-Meyera, wykorzystujące log-rank lub jeden z innych testów, aby zbadać różnice między nimi. Miguel Hernan argumentował, że jest to w rzeczywistości najlepsza metoda do zastosowania w wielu przypadkach, ponieważ niekoniecznie zakłada ona stały współczynnik ryzyka. Ponieważ masz badanie kliniczne, trudność w tworzeniu krzywych Kaplana-Meyera skorygowanych współzmiennie nie powinna stanowić problemu, ale nawet jeśli istnieją pewne zmienne resztkowe, nad którymi chcesz kontrolować, można to zrobić z odwrotnym prawdopodobieństwem -wagi leczenia.
  • Parametryczne modele przeżycia. Są, co prawda, rzadziej stosowane, ale w moim przypadku potrzebuję oszacowania parametrycznego związanego z nimi zagrożenia, więc to naprawdę jedyna droga. Nie sugerowałbym przejścia od razu do korzystania z modelu Uogólnionej Gammy. Praca z nim jest trochę trudna - spróbowałbym prostej wykładniczej, Weibulla i log-normalnej i sprawdziłbym, czy którekolwiek z nich dają akceptowalne pasowania.
Fomite
źródło
4

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

Frank Harrell
źródło
Dzięki, Frank. Czy test logrank również nie poradziłby sobie z cenzurą? Czy więc zaletą Coxa jest możliwość dostosowania się do zmiennych towarzyszących?
pmgjones
1
logrank jest specjalnym przypadkiem modelu Coxa, więc nie ma takiej potrzeby i nie pozwoli ci dostosować się do ciągłych zmiennych towarzyszących, tak jak robi to model Coxa. Model Coxa oferuje również kilka sposobów obsługi więzi.
Frank Harrell,
2

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.

Munozedg
źródło
0

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.

użytkownik60368
źródło