adjustedCurves: Estimating Confounder-Adjusted Survival Curves in R
El artículo presenta el paquete de R `adjustedCurves`, el cual proporciona un marco unificado para estimar y visualizar curvas de supervivencia ajustadas por confusión, tiempos de supervivencia media restringida y cuantiles en estudios observacionales con datos de tiempo hasta el evento censurados por la derecha.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de la investigación médica, comprender cuánto tiempo podría vivir un paciente tras un tratamiento específico es una pregunta fundamental. Cuando los científicos estudian esto, suelen observar datos de tiempo hasta el evento, que rastrean la duración desde un punto de partida, como una cirugía, hasta que ocurre un resultado específico, como la muerte o la reaparición de una enfermedad. Para visualizar estas líneas de tiempo, los investigadores dibujan tradicionalmente curvas de supervivencia. Estas líneas muestran el porcentaje de personas que siguen vivas o libres de un evento a medida que pasa el tiempo. Si un estudio es un experimento perfectamente controlado donde los pacientes son asignados aleatoriamente a diferentes tratamientos, estas curvas ofrecen una imagen clara y honesta de causa y efecto. Sin embargo, la mayor parte de la investigación médica ocurre en el mundo real, donde los pacientes no son asignados aleatoriamente. En su lugar, los médicos eligen los tratamientos basándose en la edad del paciente, la gravedad de la enfermedad u otros factores. Esto crea una trampa oculta: si un grupo de tratamiento resulta ser más enfermo desde el principio, su curva de supervivencia se verá peor, no porque el tratamiento haya fallado, sino porque los pacientes ya presentaban un mayor riesgo. Esta distorsión se llama confusión (o sesgo de confusión), y puede hacer que un tratamiento útil parezca mortal o uno perjudicial parezca beneficioso.
Para resolver este problema, Robin Denz y Nina Timmesfeld, de la Universidad Ruhr de Bochum, han desarrollado una nueva herramienta para el lenguaje de programación R, un entorno de software ampliamente utilizado por estadísticos. Su trabajo, empaquetado como adjustedCurves, ofrece una forma de redibujar esas líneas de supervivencia para que reflejen lo que habría sucedido si los grupos de tratamiento hubieran estado perfectamente equilibrados, como si los pacientes hubieran sido asignados aleatoriamente. Los investigadores no inventaron las fórmulas matemáticas para este ajuste; en su lugar, recopilaron muchos métodos existentes de la literatura científica y los integraron en un sistema único y fácil de usar. Antes de que existiera esta herramienta, un investigador podría haber tenido que aprender cinco paquetes de software diferentes, cada uno con su propio conjunto confuso de reglas, solo para probar un método. El nuevo paquete unifica estos enfoques, permitiendo a los científicos calcular curvas ajustadas, estimar intervalos de confianza y generar gráficos listos para publicación con un solo comando.
El equipo probó su software utilizando datos reales del banco de tumores de Rotterdam, que contiene registros de 2.982 mujeres con cáncer de mama primario. En este conjunto de datos, algunas pacientes recibieron terapia hormonal mientras que otras no. Cuando los investigadores trazaron primero las curvas de supervivencia crudas, no ajustadas, los resultados fueron sorprendentes y engañosos. Las mujeres que recibieron terapia hormonal parecían tener una probabilidad de supervivencia mucho menor que las que no la recibieron, con la brecha entre los dos grupos ampliándose significativamente con el tiempo. Esto parecía sugerir que la terapia era perjudicial. Sin embargo, los investigadores sabían que esto era una ilusión causada por la confusión. En realidad, los médicos tendían a prescribir la terapia hormonal a pacientes que ya estaban más enfermas o tenían tumores más agresivos. Los datos brutos simplemente reflejaban la mala salud del grupo tratado, no el efecto del fármaco.
Al aplicar los métodos dentro del paquete adjustedCurves, los investigadores eliminaron la influencia de estas diferencias preexistentes. Utilizaron técnicas estadísticas para reponderar los datos, creando efectivamente un escenario hipotético donde los grupos tratados y no tratados eran idénticos en términos de edad, tamaño del tumor y otros factores de riesgo. Cuando redibujaron las curvas de supervivencia utilizando estos datos ajustados, la diferencia dramática desapareció. Las dos líneas, que representan a los grupos tratados y no tratados, corrían casi paralelas entre sí, mostrando que no había una diferencia significativa en los resultados de supervivencia. Este resultado coincidía con lo que otros estudios rigurosos habían sugerido: la terapia no era la causa de la mala supervivencia observada en los datos brutos. El paquete también permitió al equipo calcular números específicos, como la diferencia en la probabilidad de supervivencia después de cinco, seis o siete años, y el tiempo de mediana que los pacientes podrían esperar vivir. En cada caso, los números ajustados mostraron que el tratamiento no suponía una diferencia sustancial para el tiempo de supervivencia general en este grupo específico de pacientes.
El artículo enfatiza que, si bien las matemáticas detrás de estos ajustes son complejas, el objetivo es hacer que el proceso sea accesible para los investigadores que no son expertos en estadística avanzada. El software realiza el trabajo pesado, verificando que las curvas se comporten lógicamente y proporcionando herramientas para visualizar los resultados claramente. Incluye funciones para mostrar cuántos pacientes seguían siendo seguidos en cada punto en el tiempo y para mostrar el rango de incertidumbre alrededor de las estimaciones. Los autores señalan que, aunque su herramienta funciona bien para muchos escenarios comunes, no es una solución mágica para todos los problemas de investigación posibles. Actualmente maneja tratamientos que no cambian a lo largo del tiempo y depende de la suposición de que todos los factores de riesgo importantes han sido medidos. Si un factor crucial fue omitido o si el tratamiento cambia durante el estudio, la herramienta no puede corregir el sesgo resultante.
En última instancia, este trabajo trata sobre la claridad y la honestidad en la comunicación médica. Al proporcionar una forma de visualizar el verdadero efecto de un tratamiento, libre del ruido de las diferencias preexistentes entre los grupos de pacientes, el paquete adjustedCurves ayuda a prevenir conclusiones erróneas. Asegura que cuando un médico o un paciente observa un gráfico de tasas de supervivencia, esté viendo el efecto del tratamiento en sí, no el efecto de la enfermedad que llevó a la elección del tratamiento en primer lugar. Los investigadores esperan que, al hacer que estos métodos sofisticados sean más fáciles de usar, más estudios vayan más allá de los simples gráficos no ajustados y proporcionen una imagen más precisa de cómo las intervenciones médicas afectan realmente las vidas humanas.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.