Medicina Basada en la Evidencia

Regresión de riesgos proporcionales de Cox… – 649 – Anexo 1. Realización del modelo de regresión Cox 1. Lanzar RCommander 2. Seleccionar en la pestaña Statistics  fits models  Coxregression model 3. Se nos despliega una ventana emergente. En la pestaña data elegimos la variable tiempo trascurrido en ventana Time or start: LactDuracionHasta12m y en la ventana Event Indicator, la variable dependiente: LactanMenos12meses 4. En la pestaña Model, elegimos el nombre del modelo  Method for Ties: Efron  pestaña variables elegimos EdadMadre como variable independiente, se nos coloca en el cajón de model formula  pulsamos OK Anexo 2. Comprobación del supuesto de riesgos proporcionales. Prueba de hipótesis Seleccionar en la Pestaña models  Numerical diagnostics → test proportional hazards Anexo 3. Comprobación del supuesto de riesgos proporcionales. Método gráfico. Método manual. Comandos en R ■ Install.packages (“survminer”) ■ Library(“suvminer”) ■ test.ph< - cox.zph(CoxModel.2) ■ ggcoxzph (test.ph, df=2) Anexo 4. Supuesto de no linealidad En la pestaña models  graphs  Plot null Martingale residuals Anexo 5. Residuos DFBETA 1. En la pestaña models (modelos)  graphs (gráficos) 2. Se despliegan dos opciones: elegimos Plot survival- regression dfbeta RELACIÓN ENTRE HAZARD RATIO , RIESGO RELATIVO Y ODDS RATIO El riesgo relativo (RR) y la odds ratio (OR) nos dan una fotografía en un momento dado, son medidas estáticas de riesgo. La HR es dinámica, ya que tiene en cuenta el tiempo en que se producen los sucesos, nos ofrece una película a través del tiempo. Los tres estimadores ofrecen resultados diferentes, el RR siempre estará más cercano a la unidad, la OR será la más lejana y la HR es- tará en una posición intermedia. Cuanto más largo sea el seguimiento, mayor la incidencia de eventos y mayor el valor del RR, más divergencia habrá entre RR y HR. El mo- tivo es que la RC tiene en cuenta el momento concreto en que se produjo el evento y los datos censurados; de ahí que los denominadores a lo largo del tiempo vayan cambiando, siendo cada vez menores. Esto trae consigo un aumento de la HR. Tenemos que tener en cuenta que la equivalencia de los tres parámetros pierde sentido si los seguimientos de los pacientes no son homogéneos. Figura 4. Residuos DFBETA .dfbeta[,”EdadMadre”] Índice 0,0004 0,0002 0,0000 -0,0002 -0,0004 0 500 1000 1500 2000 Figura 3. Residuales de Martingala Residuos de Martingala para modelo nulo EdadMadre 0,5 -0,5 0,0 -1,0 -1,5 15 20 25 30 35 40 45 50 Figura 2. Comprobación de los supuestos de proporcionalidad. Método gráfico Test global de Schoenfield p: 0,4565 Test individual de Schoenfield p: 0,4565 Beta (t) para EdadMadre Tiempo 0,5 0,0 -0,5 0,21 0,44 0,66 0,88 2,2 4,6 7 9,7