Preparado por:

Hugo Grisales Romero

Profesor Titular Universidad de Antioquia
Supervivencia
Epidemiologa
Estudios analticos
Estudios de cohorte
Datos longitudinales
Controlar mltiples variables de confusin
Predecir/Explicar los factores que inciden en una
variable dependiente que refiere el tiempo de
supervivencia.
Estimar los peligros instantneos (Probabilidad
Instantnea de falla en un punto en el tiempo).
Datos Censurados
Evaluar
Interaccin
Confusin
Covariables
SUPUESTOS
FUNCIN DE PELIGRO
) ( /
) ( ) (
lim
0
) ( t s
t
t t s t s
t
t h
A
A +
A
=
Probabilidad instantnea condicional de presentar el evento
CONSTRUCCIN DEL MODELO
) (t
hi
) (
0
t
h
} ... exp
) (
) (
2
2
1
1
0
{ | | | |
ki k
i i
i
X X
h
h
t
t
+ + + =
| | | |
ki k
i i
i
e
X X
t
h
t
h
Log + + + = ... }
) (
) (
{
2
2
1
1
0
Xij
k
i
i
i Y

=
=
1
|
MODELO MLTIPLE
ESTANDAR
h
0
(t) e
i=1
iXi
Lnea de base Exponencial
Compromete el tiempo
pero no a la X
`
s
Compromete las X
`
s
pero no al tiempo (las
X
`
s son independientes
del tiempo)
Las X
`
s comprometidas con el tiempo, son
dependientes del tiempo, Requieren el modelo de
Cox extendido (no PH)

Si X
1
= X
2
= =X
k
= 0

h(t,X) = h
0
(t)e
i=1
BiXi

=

h
0
(t)e
0

= h
0
(t)

Lnea de base
El modelo de Cox es preferible al
modelo logstico
Modelo de Cox Modelo logstico
Utiliza los tiempos de
supervivencia y
censuras
La variable resultado es
(0,1), pero ignora el
tiempo de supervivencia
y censuras
Medidas de resumen y grficos
de Y con cada Xi
Problema de investigacin
Seleccionar objetivo (s)
- Prediccin
- Explicacin
Seleccionar variables dep. e indep.
Primer paso
Segundo paso
Anlisis descriptivo de las
variables
Eleccin de candidatas a
integrar el modelo
Anlisis estadstico de Y con cada Xi (Use criterio de Hosmer
Lemeshow): Log Rank Tests (Kaplan Meier)
Tercer paso
Cuarto paso
Determinacin del modelo de regresin va algn mtodo de
seleccin
Forward
Stepwise
Backward Enter
Valoracin de los coeficientes individuales
Wald
Mtodo de mxima verosimilitud (MLE)
Proceso
Iterativo
SIGNIFICADO
DE LOS |
i

X
i
Aumenta el
tiempo de
supervivenciar
X
i
es irrelevante
X
i
Disminuye
el
tiempo de
supervivencia
|
i
~ 0
Maximiza la probabilidad de ocurrencia
|
i
>0
|
i
<0
H
0
:|
i
=0
H
0
:
La variable independiente Xi
no influye sobre la variable
dependiente Y
H
a
:
La variable independiente Xi
Influye sobre la variable
dependiente Y
H
a
:|
i
=0
Evaluacin Estadstica de Wald



=
cualitativa Si xi 1 - k
cuantitativa Si xi 1
gl donde
0 : H
0 : H
i a
i 0
=
=
|
|
Wald =
b
i
2

EEb
i
2

~
x
2
o, gl

Decida con p value
Quinto paso
Clculo de los HR (Hazard Rate) y sus
respectivos intervalos de confianza

Los HR heredan la significacin obtenida con el
estadstico de Wald
Modelo final
Prediccin Explicacin
15
Evaluacin de la suposicin de Riesgos
Proporcionales en el modelo de Cox
Sexto paso
ANTECEDENTES
COX PROPORTIONAL HAZARDS MODEL
h(t;X) = h
0
(t) exp( |
1
X
1
+ |
2
X
2
+ )
h
0
(t): Peligro base (Involucra a t pero no a Xs)


exp( ): Involucra a Xs pero no a t. Son variables independientes del
tiempo.

=
|
p
1 j
i
X
i

16
QU SIGNIFICA RIESGOS PROPORCIONALES?
El peligro para un individuo es proporcional al
peligro para cualquier otro individuo donde la
proporcionalidad constante es independiente del
tiempo.

Diferentes individuos tienen funciones de peligro
proporcionales.

Las funciones de la razn de peligro con
covariables no vara con el tiempo t
17


Por ejemplo:
Sea X v.a: X = 1 Tratado y X = 0 control

h(t;X) = h
0
(t) exp(X|)

El riesgo de morir entre los sujetos en el grupo tratado es
exp(|) veces el riesgo de muerte entre los sujetos en el
grupo control en todo el tiempo.

h(t;X = 1) = h
0
(t) exp(|)
h(t;X = 0) = h
0
(t) exp(0)

Hazard ratio = h(t;X = 1)/h(t;X = 0) = exp(|)
18

EN GENERAL

Si X* y X representan dos perfiles diferentes,







Hazard ratio = h(t;X*)= h(t;X) u
u =
) , (
*) , (
X t h
X t h
19
PROCEDIMIENTOS DE CHEQUEO DE LA SUPOSICIN DE RIESGOS
PROPORCIONALES
APROXIMACIONES GRFICAS
Estimacin de curvas de supervivencia ln(-ln)

Comparar curvas de supervivencia observadas y predichas.

APROXIMACIONES CONFIRMATORIAS
Prueba de bondad de ajuste para cada variable en el modelo

Creacin de variables dependientes del tiempo: Crear
interacciones
20

log{ log[ ( , )]} S t X

Transformacin de una curva de supervivencia
estimada que resulta de tomar el logaritmo natural de
una probabilidad de supervivencia estimada dos veces
LOS ESCALONES DE LAS FUNCIONES
ESCALONADAS DEBEN SER PARALELOS
APROXIMACIN GRFICA 1: GRFICOS -LOG-LOG
21
PROBLEMAS
Qu tan paralelas son las curvas?
Cmo es n?
- Asuma estrategia conservadora: Evidencia


Cmo categorizar una variable continua?
Muchas categoras, menos densidad de los datos.

Diferentes categorizaciones pueden dar diferentes curvas.

Tome un nmero de categoras pequeo.

Trate de balancear razonablemente los ns de cada grupo
por medio de terciles

22



ESTRATEGIA GENERAL
Categorice las variables separadamente
Forme combinaciones de categoras
Compare curvas log-log sobre el mismo grfico (muy afectado por n).


ESTRATEGIA ALTERNATIVA
Ajuste modelo de Cox con predictores que satisfacen la suposicin de PH,
ajustando por el que no satisface: Curvas log-logS ajustadas.



PROBLEMA
Densidad de las categoras
Cules variables realmente contribuyen al no paralelismo?
La decisin es muy subjetiva si n es pequea
CMO EVALUAR LA SUPOSICIN DE PH PARA VARIAS VARIABLES
SIMULTNEAMENTE?
23
Estudio sobre depresin con base en el seguimiento de 232 pacientes
con esta patologa durante 24 meses. El objetivo central del estudio era
evaluar los factores asociados con la recurrencia de la depresin. Se
presentaron 132 eventos y 100 censuras

Variables
Month: Meses hasta la ocurrencia de la depresin
Depress: 1: Recurrencia de la depresin 0: No recurrencia
Gender: 1: Mujer 0: Hombre
Age60: 1: 60 y ms 0: <60
Marital: 1: Casado 0: Soltero
Dysthmia: 1: Presente 0: No presente
Trt: 1:Con medicacin 0: Sin medicacin
Ss: 1: Buen soporte social 0: Pobre soporte
social

Datos: Cortesa profesora Mara Nelcy Rodrguez
Aplicacin 1
24
Variables in the Equation
-.776 .188 16.977 .000 .460 .318 .666
-.432 .178 5.895 .015 .649 .458 .920
-.482 .177 7.440 .006 .618 .437 .873
AGE60
TRT
SS
B SE Wal d Si g. Exp(B) Lower Upper
95.0% CI for Exp(B)
MODELO DE RIESGOS PROPORCIONALES DE COX
SE CUMPLIR EL SUPUESTO DE RIESGOS PROPORCIONALES
DE COX?
25
Meses
30 20 10 0
L
o
g

m
i
n
u
s

l
o
g
.5
0.0
-.5
-1.0
-1.5
-2.0
-2.5
-3.0
Tratamiento
Con medicacin
Sin medicacin
CURVA DE SUPERVIVENCIA LOG-LOG PARA EL TRATAMIENTO
-
1
0
1
2
3
-
l
n
[
-
l
n
(
S
u
r
v
i
v
a
l

P
r
o
b
a
b
i
l
i
t
y
)
]
0 1 2 3
ln(analysis time)
trt = 0 trt = 1
26
Meses
30 20 10 0
L
o
g

m
i
n
u
s

l
o
g
.5
0.0
-.5
-1.0
-1.5
-2.0
-2.5
-3.0
-3.5
Edad
60+
<60
CURVA DE SUPERVIVENCIA LOG-LOG PARA LA EDAD Y PARA EL
SOPORTE SOCIAL
Meses
30 20 10 0
L
o
g

m
i
n
u
s

l
o
g
.5
0.0
-.5
-1.0
-1.5
-2.0
-2.5
-3.0
Soporte social
Buen soporte social
Pobre soporte social
27
IV. APROXIMACIN 2: SUPERVIVENCIA OBSERVADA VS PREDICHA
DOS ESTRATEGIAS
Una a una a la vez: Usar curvas de KM para obtener
grficos observados.
- Estratificar datos por categoras del predictor
- Obtener curvas de KM para cada categora

Ajustar por otras variables: Usa el Modelo de Riesgos
proporcionales de Cox para obtener grficos observados.
28

PRIMERA ESTRATEGIA
Obtener grficos observados derivados de las curvas de KM
separadamente para cada categora.

Obtener grficos esperados: Ajustar modelo de Cox PH que
contenga el predictor que est siendo estimado.

Obtener grficos esperados por separado sustituyendo el valor
para cada categora del predictor en la formula de la curva de
supervivencia estimada.

Para comparar observados con esperados, se colocan ambos
grficos en uno solo
29
COMENTARIOS
Usa los insumos de la prueba de Bondad de Ajuste.
No aceptar supuesto si hay discrepancias fuertes.
Qu es buen ajuste?
Qu tan cercanas son?
o Decisin sujetiva
o Se cruzan en extremos?
o Son fluctuantes?

Covariables continuas?. Formar estratos y observar
curvas de KM
30
VALORES OBSERVADOS VS PREDICHAS PARA TRATAMIENTO, EDAD Y
SOPORTE SOCIAL
0
.
2
0
0
.
4
0
0
.
6
0
0
.
8
0
1
.
0
0
S
u
r
v
i
v
a
l

P
r
o
b
a
b
i
l
i
t
y
0 5 10 15 20 25
analysis time
Observed: trt = 0 Observed: trt = 1
Predicted: trt = 0 Predicted: trt = 1
0
.
2
0
0
.
4
0
0
.
6
0
0
.
8
0
1
.
0
0
S
u
r
v
i
v
a
l

P
r
o
b
a
b
i
l
i
t
y
0 5 10 15 20 25
analysis time
Observed: age60 = 0 Observed: age60 = 1
Predicted: age60 = 0 Predicted: age60 = 1
stcoxkm, by (tratamiento)
(edad)
(ss)
0
.
2
0
0
.
4
0
0
.
6
0
0
.
8
0
1
.
0
0
S
u
r
v
i
v
a
l

P
r
o
b
a
b
i
l
i
t
y
0 5 10 15 20 25
analysis time
Observed: ss = 0 Observed: ss = 1
Predicted: ss = 0 Predicted: ss = 1
31
V. PRUEBA DE BONDAD DE AJUSTE
Decisin menos sujetiva.
Ji-cuadrado con 1 gl.
Se basa en probabilidades de supervivencia observadas y
esperadas


exp(|
j
(t)) representa la razn de peligro que compara X
j
=
1 con X
j
= 0 en el tiempo t, controlando por otras variables
predictoras en el modelo.



Residual de Schoenfeld
: ( )
0
: ( ) has a trend in time
1
H t
j j
H t
j
| |
|
=
( )exp( ( ) (1) ) ( , 1, )
0 1 2 2 1 2 2
( , 0, ) ( )exp( ( ) (0) )
1 2 2 0 1 2 2
exp( ( ))
1
? exp( )
1
h t t x h t X X x
h t X X x h t t x
t
| |
| |
|
|
+ = =
=
= = +
=
32
Atractivo

La prueba global puede no detectar desviaciones especficas.

Se calcula estadstico para cada variable en el modelo ajustado
por las otras.

Las aproximaciones grficas en muchos casos son ms especficas
para detectar desviaciones de la suposicin de PH

RECOMENDACIN
Use grficos y pruebas

Ninguna estrategia debe ser preferida: Los investigadores deben
usar ms de una estrategia


COMENTARIOS
33
Variable rho chi2 df Prob>Chi2
Tratamiento 0.01433 0.03 1 0.8698
Edad 0.05566 0.40 1 05280
Soporte social -0.02364 0.07 1 0.7859
Global test 0.57 3 0.9032
stcox trt age60 ss, nohr scaledsch (scaled*) schoenfeld (sresid*)
stphtest, detail
TEST OF PROPORTIONAL HAZARDS ASSUMPTION
SOLO FALTA EL ANLISIS DE RESIDUALES PARA DARLE LA
BENDICIN AL MODELO
34
Informacin obtenida en un estudio multicntrico, en Alicante, sobre
pacientes con cncer gstrico. Se observ la evolucin de 394
pacientes entre lo que hay 207 censuras, intervenidos por un tumor
gstrico, observndose tambin las covariables:

Variables
Meses: Tiempo de supervivencia en meses
Censura: 0:Censurado 1: Observado
Localizacin tumoral: 1:Cardias 2:Cuerpo 3:Antro 4:Stoma
5: Generalizado

Tamao del tumor: 1:<2 2:2-5 3:5.1-8 4:>8
Tipo macrosc del tumor: 1:Polipoide 2:Infiltrativo 3:Ulcerativo
4:Infiltrativo y ulcerativo
Estado: 1: IA 2:IB 3:II 4:IIA 5:IIIB 6:IV
Intencin de ciruga: 1:Curativa 2:Paliativa
Estado simplificado: 1:Estado IA 2:Estado IB-II 3:Estado IIIA-
IIIB IV
Loc tumoral simplificada: 1:Cardias 2:Cuerpo o antro 3:Genralizado

Fuente: htpp://www.a3.san.gva.es/superv1/T_SAGUN!.htm
Aplicacin 2
35
Variables in the Equation
. 687 . 161 18. 264 . 000 1. 987 1. 450 2. 723
35. 651 . 000
1. 900 . 733 6. 717 . 010 6. 685 1. 589 28. 125
2. 920 . 716 16. 647 . 000 18. 550 4. 561 75. 445
12. 037 . 006
-. 084 . 238 . 123 . 725 . 920 . 577 1. 467
. 705 . 299 5. 564 . 018 2. 024 1. 127 3. 635
CIRUGIA
ESTADIO
ESTADIO(1)
ESTADIO(2)
DONDE
DONDE(1)
DONDE(2)
B SE Wal d Si g. Exp(B) Lower Upper
95.0% CI for Exp(B)
MODELO DE RIESGOS PROPORCIONALES DE COX
36
Meses
50 40 30 20 10 0
L
o
g

m
i
n
u
s

l
o
g
2
0
-2
-4
-6
-8
Estadio simplificado
Estadio IIIA - IIIB
Estadio IB - II
Estadio IA
CURVA DE SUPERVIVENCIA LOG-LOG PARA EL ESTADO SIMPLIFICADO
0
1
2
3
4
5
-
l
n
[
-
l
n
(
S
u
r
v
i
v
a
l

P
r
o
b
a
b
i
l
i
t
y
)
]
0 1 2 3 4
ln(analysis time)
estadio1 = 1 estadio1 = 2
estadio1 = 3
37
0
2
4
6
-
l
n
[
-
l
n
(
S
u
r
v
i
v
a
l

P
r
o
b
a
b
i
l
i
t
y
)
]
0 1 2 3 4
ln(analysis time)
cirugia = 1 cirugia = 2
CURVA DE SUPERVIVENCIA LOG-LOG PARA LA CIRUGA
38
0
.
0
0
0
.
2
0
0
.
4
0
0
.
6
0
0
.
8
0
1
.
0
0
S
u
r
v
i
v
a
l

P
r
o
b
a
b
i
l
i
t
y
0 20 40 60
analysis time
Observed: cirugia = 1 Observed: cirugia = 2
Predicted: cirugia = 1 Predicted: cirugia = 2
0
.
2
0
0
.
4
0
0
.
6
0
0
.
8
0
1
.
0
0
S
u
r
v
i
v
a
l

P
r
o
b
a
b
i
l
i
t
y
0 20 40 60
analysis time
Observed: estadio1 = 1 Observed: estadio1 = 2
Observed: estadio1 = 3 Predicted: estadio1 = 1
Predicted: estadio1 = 2 Predicted: estadio1 = 3
0
.
2
0
0
.
4
0
0
.
6
0
0
.
8
0
1
.
0
0
S
u
r
v
i
v
a
l

P
r
o
b
a
b
i
l
i
t
y
0 20 40 60
analysis time
Observed: donde1 = 1 Observed: donde1 = 2
Observed: donde1 = 5 Predicted: donde1 = 1
Predicted: donde1 = 2 Predicted: donde1 = 5
VALORES OBSERVADOS VS PREDICHOS PARA CIRUGA, ESTADO Y
LUGAR DEL TUMOR
39
Variable rho chi2 df Prob>Chi2
Ciruga -0.18809 5.84 1 0.0156
Estado1 -0.12331 2.32 1 0.1278
Donde1 -0.04605 0.42 1 0.5163
Global test 10.92 3 0.0122
stcox cirugia estadio1donde1, nohr scaledsch (scaled*) schoenfeld (sresid*)
stphtest, detail
TEST OF PROPORTIONAL HAZARDS ASSUMPTION
Y CIRUGA NO CUMPLE EL SUPUESTO PHQU HACER?
Estimadores mximo verosmiles
del modelo de Cox
Nombre de la variable Coeficiente Sterr Valor p HR
Rx 1,294 0,422 0,002 3,648
log leucocitos 1.604 0,329 0,000 4,975
n: 42 %Cen: 28,571
Modelo 2
-2logL: 144,559
h(t,X) = h
0
(t)e

1
Rx +
2
log leucocitos

Modelo estimado
h(t,X) = h
0
(t)e
1.294Rx + 1.604 log leucocitos

Clculo de la razn de peligro
R = (t,X
*
)
(t,X)
Donde
X
* = (X
1
*
, X
2
*
,,X
P
*
)
y
X
= (X
1
, X
2
,,X
P
)
Este es el conjunto de X`s para dos individuos
Tipicamente X
*
son los no expuestos y X son el grupo
expuesto
X
* = (X
1
*
= 1, X
2
*
,,X
P
*
) donde
X
1
*
= 1 y el
grupo es placebo
X
= (X
1
= 0, X
2
,,X
P
) donde
X
1
= 0 denota que
es del grupo tratamiento

R = (t,X*) =
0
(t)e

i
X
i
*

(t,X)
o
(t)e
iXi
R = e

i
(x
1
* - x
i
)

X = (X
1
, X
2
,,X
p
) = (X
1
); donde X
1
denota
(0,1) para el estado de exposicin

X
1
*
= 1, X
1
= 0

R = e

1
(X
1
* - X
1
)
= e

1
(1-0)
= e

1


Nombre de la variable Coeficiente Sterr Valor p HR
Rx 1,294 0,422 0,002 3,648
log leucocitos 1.604 0,329 0,000 4,975
n: 42 %Cen: 28,571
Modelo 2
-2logL: 144,559
X
*
= (1, log leucocitos) X = (0, log leucocitos)
HR para el efecto de RX ajustado por el log leucocitos
R = e (

1
(X*
1
-
X
1
)
+

2
(X*
2
-
X
2
)
)
= e
(1.294(1-0) + 1.604(log leucos

log leucos)

= e
(1,294(1) + 1,604(0))
= e
1,294



Nombre de la variable Coeficiente Sterr Valor p HR
Rx 2,355 1,681 0,161 10,537
log leucocitos 1,803 0,447 0,000 6,067
Rx * log de leucocitos -0,342 0,520 0,510 0,71
n: 42 %Cen: 28,571
Modelo 3
-2logL: 144,131
Cuando HR para el efecto de Rx ajustado por log leucocitos
Sujetos del grupo placebo
X* = (X*
1
= 1, X*
2
= log leucos, X*
3
= 1*log leucos)
Sujetos del grupo tratamiento
X = (X
1
= 1, X
2
= log leucos, X
3
= 0*log leucos)

R = e

1
(X*
1
-X
1
)

= e
2,355(1-0)+1,803(log leucos-log leucos) +-0,342(1*log leucos-0*log leucos)

= e
(2,355-0,342log leucos)

Funcin de peligro en el modelo de Cox
h(t,X) = h
0
(t)e
i=1
BiXi

Funcin de sobrevida en el modelo de Cox
S(t,X) = S
0
(t)e
i=1
BiXi

Funcin estimada de supervivencia en el modelo
de Cox
(S)(t,X) = (S
0
)(t)e
i=1
BiXi

(S
0
)(t) y son suministrados por el programa y
X
i
deben ser especificados por el investigador
h(t,X) = h
0
(t)e
1,294Rx + 1,604 log Leucos

S(t,X) = S
0
(t) e
1,294Rx + 1,604 log Leucos

Si se le dan valores especficos a los X =
(Rx, log leucos):
Rx= 1, log leucos = 2,93
S(t,X) = S
0
(t) e
1,294(1) + 1,604 (2,93)
=
S
0
(t) e
5,99
= S
0
(t)
400,9
Rx= 0, log leucos = 2,93
S(t,X) = S
0
(t)
109,9





Formula general para la curva ajustada de
supervivencia comparando dos grupos
Sujetos expuestos
S(t,X
1
) = S
0
(t)e

1
(1) +


1
x
1

Sujetos no expuestos
S(t,X
0
) = S
0
(t)e

1
(0) +


1
x
1


Formula general para todas las variables
del modelo
S(t,X) = S
0
(t)e

i

x
i


El significado de los riesgos proporcionales
El supuesto de PH requiere que el HR sea
constante en el tiempo o por otro lado, el peligro
para un individuo es proporcional al peligro de
otro individuo donde el riesgo proporcional es
constante en el tiempo.
Reconsideremos la expresin:
R = (t,X*) =
0
(t)e

i
X
i
*

(t,X)
o
(t)e
iXi
R = (t,X*) = e

i
(x
1
* - x
i
)

(t,X)
R = (t,X*) = e

i
(x
1
* - x
i
)

(t,X)

No se compromete el tiempo

= e

i
(x
1
* - x
i
),
entonces
(t,X*) =
(t,X*)
t(semanas) Log del leucograma t(semanas) Log del leucograma
6 2,31 1 2,80
6 4,06 1 5,00
6 3,28 2 4,91
7 4,43 2 4,48
10 2,96 3 4,01
13 2,88 4 4,36
16 3,60 4 2,42
22 2,32 5 3,49
23 2,57 5 3,97
6+ 3,20 8 3,52
9+ 2,80 8 3,05
10+ 2,70 8 2,32
11+ 2,60 8 3,26
17+ 2,16 11 3,49
19+ 2,05 11 2,12
20+ 2,01 12 1,50
25+ 1,78 12 3,06
32+ 2,20 15 2,30
32+ 2,53 17 2,95
34+ 1,47 22 2,73
35+ 1,45 23 1,97
(+ son las Censuras)
Grupo 1(n: 21) Grupo 2(n: 21)
Recada de pacientes con leucemia

T = semanas hasta que se produce la recada
X
1
= Estado del grupo = E
X
2
= log del recuento de leucocitos (confusor?)
Interaccin?
X
3
= X
1
*X
2
Estado del grupo * log leucocitos
Nombre de la variable Coeficiente Sterr Valor p HR
Rx 1,294 0,422 0,002 3,648
log leucocitos 1.604 0,329 0,000 4,975
n: 42 %Cen: 28,571
Modelo 2
-2logL: 144,559
Nombre de la variable Coeficiente Sterr Valor p HR
Rx 1,509 0,41 0,000 4,523
n: 42 %Cen: 28,571
Modelo 1
-2logL: 172,759
Nombre de la variable Coeficiente Sterr Valor p HR
Rx 2,355 1,681 0,161 10,537
log leucocitos 1,803 0,447 0,000 6,067
Rx * log de leucocitos -0,342 0,520 0,510 0,71
n: 42 %Cen: 28,571
Modelo 3
-2logL: 144,131
Modelo 3
Nombre de
la variable
Coefi. St Err Valor de p HR
Rx 2.355 1.681 0.161 10.537
Log
leucocitos
1.803 0.447 0.000 6.067
Rx por
Log
leucocitos
-0.342 0.520 0.510 0.710
n: 42 % Cens: 28.57 -2log L: 144.131







Modelo 2
Nombre de
la variable
Coefi. St Err Valor de p HR
Rx 1.294 0.422 0.002 3.648
Log
leucocitos
1.604 0.329 0.000 4.975
n: 42 % Cens: 28.57 -2log L: 144.559
Nombre
de la
variable
Coefi. St Err Valor
de p
HR IC
95%
P(PH)
Rx 1.294 0.422 0.002 3.648 1.505 8.343 0.944
Log
leucocitos
1.604 0.329 0.000 4.975 2.609 9.486 0.917
n: 42 % Cens: 28.571 -2log L: 144.559
P(PH): Supuestos de riesgos proporcionales
Nombre de la variable Coeficiente Sterr Valor p HR
Rx 1,509 0,41 0,000 4,523
n: 42 %Cen: 28,571
Modelo 1
-2logL: 172,759
Nombre de la variable Coeficiente Sterr Valor p HR
Rx 1,294 0,422 0,002 3,648
log leucocitos 1.604 0,329 0,000 4,975
n: 42 %Cen: 28,571
Modelo 2
-2logL: 144,559
El HR para el modelo 1 (4.523) es ms alto que para el modelo 2 (3.648)
Confusin: el HR crudo versus el ajustado son significativamente diferentes
Confusin es debida al logaritmo de leucocitos
Se debe controlar por el logaritmo de leucocitos, es preferible el modelo 2 al
modelo 1
Si no hay confusin, entonces considere la precisin.
Curva de sobrevida ajustada por logaritmo de leucocitos
Tiempo de supervivencia
40 30 20 10 0 -10
C
u
m

S
u
r
v
i
v
a
l
1,2
1,0
,8
,6
,4
,2
0,0
-,2
Tipo de tratamiento
Tratamiento standard
Nuevo tratamiento
Modelo 2
Nombre de la variable P(PH)
Rx 0.944
Log de leucocitos 0.917
P(PH): Se obtiene un valor que evala PH,
para cada variable, se deriva de N(O,1)
P(PH) es grande PH se satisface
Valor de p > 0.1
P(PH) es pequeo PH no se
satisface
Valor de p < 0.05