Distribuição Log-Normal e Log-Normal com fração de cura para dados de sobrevivência

Damião Flávio dos Santos, Pablo Lourenço Ribeiro de Almeida, Tiago Almeida de Oliveira

Resumo


A análise de sobrevivência pode ser caracterizada por um conjunto de técnicas estatísticas que têm como objetivo principal a análise de tempos até a ocorrência de um determinado evento de interesse, onde as observações são acompanhadas ao longo de períodos de tempo. Tais técnicas são embasadas em modelos probabilísticos, como os modelos Log-Normal e de mistura com fração de cura. Entende-se como fração de cura, os indivíduos no estudo que são acompanhados por um período longo de tempo e observa-se que uma fração razoável deles não irá experimentar o evento de interesse, sendo denominados de curados ou imunes ao evento. Nesse estudo, foi utilizado técnicas de análise de sobrevivência aplicado a dados de pacientes portadores de Mieloma Múltiplo, no intuito de modelar o tempo de vida dos pacientes, através de técnicas não-paramétricas e paramétricas. Como critério de decisão, é utilizado análise descritiva, com o uso da diferença máxima entre o modelo ajustado e o modelo empírico estimado por Kaplan-Meier, além dos critérios de Akaike (AIC), Akaike corrigido (AICc), Informação Bayesiano (BIC) e Teste de Razão de Verossimilhança (TRV). Na análise descritiva observou-se que o modelo Log-Normal com fração de cura se ajusta melhor do que o modelo Log-Normal. No entanto, ao realizar os critérios de informação, assim como o TRV, permitiu selecionar o modelo mais parcimonioso, sendo esse o modelo Log-Normal, que se adequa melhor ao tempo de vida de pacientes portadores da doença Mieloma Múltiplo.

Palavras-chave


Análise de Sobrevivência; Estimador Kaplan-Meier, Log-Normal; Log-Normal com Fração de Cura; Mieloma Múltiplo.

Texto completo:

PDF

Referências


ALLISSON, P. D. Survival Analysis Using SAS: A Pratical Guide, Second Edition. 2. ed. SAS Institute Inc., Cary, NC, USA, 2010.

BERKSON, J.; GAGE, R. P. Survival curve for cancer patients following treatment. Journal of the American Statistical Association, v. 47, n. 259, p. 501-515, 1952.

COLOSIMO, E. A.; GIOLO, S. R. Análise de Sobrevivência Aplicada. São Paulo: Edgard Blücher, 2006.

noindent SANTOS, D. F. {it Modelo de Regressão Log-Logístico discreto com fração de cura para dados de sobrevivência}. Dissertação (Mestrado) - Universidade de Brasília, 2017.

KAPLAN, E. L.; MEIER, P. Nonparametric estimation from incomplete observations}, Journal of the American Statistical Association, v.53, n.282, p.457-481, 1958.

NAKANO, E. Y.; CARRASCO, C. G. Uma avaliação do uso de um modelo contínuo na análise de dados discretos de sobrevivência. Trends in Applied and Computational Mathematics, v. 7, n. 1, p. 91-100, 2006.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2012. ISBN 3-900051-07-0, http://www.R-project.org/