¿Cuál es la mejor forma de analizar los datos de duración de la estadía en un ECA hospitalario?

Estoy interesado en saber si existe o no un consenso sobre la forma óptima de analizar los datos de duración de la estadía hospitalaria (LOS) de un ECA. Por lo general, esta es una distribución muy sesgada a la derecha, por la cual la mayoría de los pacientes son dados de alta en unos pocos días a una semana, pero el resto de los pacientes tienen estancias bastante impredecibles (y a veces bastante largas), que forman la cola derecha de la distribución.

Las opciones de análisis incluyen:

• prueba t (supone una normalidad que probablemente no esté presente)
• Prueba U de Mann Whitney
• prueba logrank
• Condicionamiento del modelo de riesgos proporcionales de Cox en la asignación grupal

¿Alguno de estos métodos tiene un poder demostrablemente mayor?

De hecho, me estoy embarcando en un proyecto que hace exactamente esto, aunque con datos de observación, en lugar de datos clínicos. Mis pensamientos han sido que debido a la forma inusual de la mayoría de los datos de la duración de la estadía, y la escala de tiempo realmente bien caracterizada (conoce tanto el tiempo de origen como el de salida esencialmente perfectamente), la pregunta se presta realmente bien al análisis de supervivencia de algún tipo. Tres opciones a considerar:

• Modelos de riesgos proporcionales de Cox, como ha sugerido, para comparar entre el tratamiento y los brazos expuestos.
• Curvas rectas de Kaplan-Meyer, usando un log-rank o una de las otras pruebas para examinar las diferencias entre ellas. Miguel Hernan ha argumentado que este es realmente el método preferible de usar en muchos casos, ya que no necesariamente supone una relación de riesgo constante. Como tiene un ensayo clínico, la dificultad de producir curvas de Kaplan-Meyer ajustadas por covariable no debería ser un problema, pero incluso si hay algunas variables residuales que desea controlar, esto puede hacerse con probabilidad inversa de -tratamiento de pesas.
• Modelos de supervivencia paramétrica. Hay, sin duda, menos utilizados, pero en mi caso necesito una estimación paramétrica del peligro subyacente, por lo que este es realmente el único camino a seguir. No sugeriría saltar directamente al uso del modelo Gamma generalizado. Es algo difícil trabajar con él: probaría un simple Exponencial, Weibull y Log-Normal y vería si alguno de ellos produce ajustes aceptables.

Estoy a favor del modelo de riesgos proporcionales de Cox, que también manejará la duración censurada de la estadía (muerte antes del alta hospitalaria exitosa). Puede encontrar un folleto relevante en http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf con el código aquí: http://biostat.mc.vanderbilt.edu/wiki/pub/ Main / FHHandouts / model.s

Recomiendo la prueba logrank para probar las diferencias entre grupos y para cada variable independiente. Quizás deba ajustar varias variables (al menos para aquellas significativas en la prueba logrank) en un modelo de riesgos proporcionales de Cox. El modelo generalizado gamma (paramétrico) podría ser una alternativa a Cox si necesita una estimación de riesgo de referencia (riesgo).

la muerte es un evento competitivo con el alta. Censurar las muertes no sería censurar los datos faltantes al azar. Examinar la incidencia acumulada de muerte y alta y comparar los riesgos de subdistribución podría ser más apropiado.