Tema - 6 - Analisis de Supervivencia

Tema 6
Metodologías de Investigación Avanzada
Tema 6. Análisis de
supervivencia
Índice
Esquema
Ideas clave
6.1. Introducción y objetivos
6.2. Conceptos básicos
6.3. Análisis de los datos censurados
6.4. La variable tiempo
6.5. Función de supervivencia
6.6. Comparando la supervivencia de dos grupos
6.7. Regresión de Cox
6.8. Análisis de supervivencia aplicado a la psicología
6.9. Referencias bibliográficas
A fondo
Modelo de regresión de Cox
Análisis de supervivencia para variables dependientes del

tiempo
Test
Esquema
Tema 6. Esquema 4
© Universidad Internacional de La Rioja (UNIR)
Ideas clave
6.1. Introducción y objetivos
En este tema, vamos a ver un tipo de análisis cada vez más presente en la literatura
psicológica: el análisis de supervivencia. Tiene la peculiaridad de que tiene en
cuenta el número de sujetos que hay en estudio en cada instante para hacer sus
estimaciones, y, por lo tanto, una de las variables con las que trabaja es el tiempo.
Precisamente por trabajar con el tiempo, una variable no normal, las técnicas que
vamos a ver en este tema son no paramétricas o semiparamétricas.
Cuando finalice el tema, los estudiantes serán capaces de:
▸ Conocer y manejar los conceptos clave específicos del análisis de
supervivencia.
▸ Identificar la idoneidad de plantear un análisis de supervivencia con base en
una serie de datos.
▸ Realizar e interpretar un análisis de supervivencia con su curva de
supervivencia, comparación por grupos (logrank) y regresión de Cox (hazard
ratio).
▸ Aplicar los análisis de supervivencia a datos psicológicos

Tema 6. Ideas clave 5
Ideas clave
6.2. Conceptos básicos
El análisis de supervivencia se utiliza para estudiar el tiempo transcurrido
hasta que sucede un evento de interés. Es decir, una de las variables con las que
vamos a trabajar es el tiempo. Este tiene una característica fundamental, y es que
solamente se mueve hacia adelante, es decir, solamente avanza. Esta cualidad nos
va a llevar a trabajar con una serie de técnicas concretas y adaptadas a él, que
veremos más adelante.
El análisis de supervivencia nace y se desarrolla dentro del campo de la medicina
como continuación de las tablas de vida que se comenzaban a construir en el siglo
XVII, aunque hoy en día se aplican a numerosas áreas de la investigación como la
psicología, biología, economía y geología, entre otras.
En medicina y otras ciencias, los sujetos que entran al estudio no tienen por qué
hacerlo todos a la vez. Por ejemplo, si quiero hacer un estudio del tiempo que
transcurre entre el final de un tratamiento con personas con un TCA y una recaída,
las personas acabarán el tratamiento en diferentes momentos del tiempo, y es ahí
donde se empezará a medir. El evento de interés, en este caso, será la recaída. Una
vez que han acabado el tratamiento, empezaremos a hacer un seguimiento de
estas personas, y acabaremos el estudio dos años después de haberlo comenzado.
Como las personas han ido entrando al estudio en diferentes momentos, también
tendrán diferentes tiempos de seguimiento. Una vez que se produce el evento,
marcaremos el tiempo para ese sujeto. Sin embargo, no todos tienen por qué haber
recaído, es decir, no en todos tiene que haberse producido el evento. Habrá
personas que, al finalizar el tiempo de seguimiento, sigan sin recaer, y también habrá
personas de las que habremos perdido el seguimiento, bien porque hayan dejado de
ir a consulta, se hayan cambiado de ciudad o porque haya sucedido otro evento que
no nos permite estudiar el nuestro, por ejemplo, porque han fallecido por una causa

Ideas clave
distinta a nuestro objeto de estudio (riesgo competitivo).
Vamos ahora a definir una serie de conceptos (Rebasa, 2005), algunos los hemos
nombrado ya, y otros los veremos más adelante:
▸ Tiempo de seguimiento: es el tiempo durante el cual tenemos en observación a
una persona. Esa observación no tiene por qué ser necesariamente directa, puede
ser a través del teléfono; es el tiempo en el que seguimos recogiendo información de
una persona. Se puede obtener en días, semanas, meses o años. Es el tiempo
transcurrido desde que el sujeto entra en el estudio hasta su fecha de último
seguimiento.
▸ Fecha de inicio y fecha de cierre: nos referimos al tiempo en el que los
investigadores están llevando a cabo el estudio, es decir, la fecha de inicio de la

investigación y su cierre. En este caso, no hace referencia a los individuos
investigados, ya que ellos pueden tener fechas diferentes de entrada y salida del
estudio.
▸ Fecha de último seguimiento: es la fecha en la que recogemos la última
observación del sujeto sea por el motivo que sea, porque se ha producido el
evento de interés, porque hemos perdido su seguimiento o porque la investigación
ha terminado. Es importante recoger también el estado del sujeto, si se ha producido

el evento (1) o no (0).
▸ Evento o evento terminal: es la variable que estamos esperando que aparezca.
En los estudios clásicos de cáncer, en medicina, suele ser la muerte, pero puede
tratarse de cualquier otro evento, por ejemplo, una recaída. En modelos más
complejos de análisis de supervivencia, se pueden estudiar más de un evento, pero,
en este tema, solamente vamos a ver un modelo sencillo.
▸ Tiempo de supervivencia: si se ha producido el evento en un sujeto. El tiempo
desde que ingresa en el estudio hasta que se produce el evento se llama tiempo
de supervivencia (como hemos dicho, en medicina, el evento habitual es la muerte, y

Ideas clave
de ahí el nombre de «tiempo de supervivencia»). Estos tiempos son completos

porque somos capaces de evaluar el evento.
▸ Tiempos censurados o incompletos: en este caso, cuando se produce el final de
la investigación, no ha ocurrido el evento de interés. Esto puede deberse a que

realmente los sujetos han llegado al fin del estudio sin que aparezca el evento de
interés, o que hemos perdido su seguimiento antes de que sucediera este evento.
▸ Sujetos vivos: son aquellos en los que no se ha producido el evento de interés
una vez ha finalizado el estudio, y que han terminado el seguimiento en la fecha

de cierre.
▸ Sujetos perdidos: son aquellos sujetos de los que hemos perdido el seguimiento,
es decir, a partir de un determinado momento en el estudio ha sido imposible

contactar con ellos, sin haberse producido aún el evento de interés. También podría
deberse a que haya sucedido otro evento que no nos permita evaluar nuestro evento
de interés, por ejemplo, la muerte. Si un sujeto ha fallecido en un accidente de
tráfico, no podemos evaluar si ha recaído de su TCA, por lo tanto, también lo

consideraremos perdido.
Tanto los sujetos vivos como los que tienen pérdida de seguimiento los trataremos
de la misma manera, van a ser casos censurados por la derecha, es decir,
incompletos. Sin embargo, aunque los vayamos a tratar de igual manera, es
importante informar cuántos de nuestros casos censurados son vivos y cuántos son
pérdidas de seguimiento.

Ideas clave
Figura 1. Ejemplo de seguimiento de diferentes patrones de sujetos. Fuente: Pita, 1995.

Ideas clave
6.3. Análisis de los datos censurados
Los datos censurados son los que hacen que el análisis de supervivencia sea un
análisis especial. Los individuos de los que no disponemos datos completos, de lo
único que podemos estar seguros es de que el evento no ha sucedido en el tiempo
en el que ha durado su seguimiento, pero eso no quiere decir que el evento no vaya
a producirse en algún momento. Por lo tanto, el tiempo de supervivencia de los
sujetos con tiempo censurado es un tiempo desconocido.
Vamos a ver cómo podemos clasificar las tres formas que tenemos de producir datos
censurados:
▸ El tiempo de seguimiento finaliza, y el evento de interés (todavía) no ha
ocurrido, por lo tanto, el tiempo de supervivencia real del sujeto se desconoce.
▸ El sujeto objeto de estudio se pierde, es decir, dejamos de tener información
del sujeto, el sujeto puede haber dejado acudir a las revisiones o se puede
haber mudado de ciudad.
▸ El sujeto sufre un evento que impide que se desarrolle el evento objeto de
estudio.
Es importante que definamos bien el evento y cada uno de los tipos de censura
que sufren nuestros datos para que el lector de nuestra investigación pueda
interpretarlos correctamente. Por ejemplo, si nuestro evento es la muerte a causa
de un determinado tratamiento, un sujeto que ha fallecido a los tres meses por otra
causa distinta a la estudiada será un evento censurado, por lo tanto, no se podrá
tener en cuenta el evento. Como decimos, no es lo mismo un fallecimiento por una
causa concreta que cualquier fallecimiento, y esto hay que definirlo.

Ideas clave
6.4. La variable tiempo
La mayoría de las variables con las que solemos trabajar son variables que
encontramos en la naturaleza, y cuya distribución es normal, es decir, tiene unos
pocos valores muy pequeños con respecto a la media, otros muy grandes con
respecto a esta, y la mayoría de los valores se agrupan en torno a un valor central,
sin embargo, la variable tiempo no sigue esta distribución. Es por esto por lo que la
mayoría de las técnicas estadísticas que conocemos no podemos aplicarlas al
análisis de supervivencia, ya que son técnicas paramétricas que presuponen, al
menos, una distribución normal subyacente a las variables de estudio.
La variable tiempo es una variable asimétrica positiva, y su forma habitual es la que
aparece en la figura 2:
Figura 2. Forma típica de la función de tiempo de supervivencia. Fuente: Medell, 2016.
Además, como podemos ver en la figura de la función de supervivencia, la media no
es el mejor estimador de tendencia central para dar un valor representativo del

Ideas clave
conjunto de datos, ni tampoco la desviación típica como medida de dispersión. En
este caso, informaremos de la mediana y del rango como medidas de tendencia
central y de dispersión respectivamente.

Ideas clave
6.5. Función de supervivencia
La función de supervivencia representa la probabilidad de que un individuo
sobreviva (no se produzca el evento) a un tiempo determinado. Esta función se
actualiza a cada instante, y nos da probabilidades para todos ellos.
La variable t es el tiempo que pasa hasta que se produce un evento.
S(t) es la función de supervivencia en un tiempo t. La probabilidad de que un sujeto
sobreviva más de un tiempo t.
S (t)=P(T>T) ; t≥ 0
Para estimar la función de supervivencia, utilizamos la estimación de la curva de
supervivencia Kaplan-Meier. Para calcularla, necesitamos contar con:
▸ Los tiempos en los que se han producido cada uno de los eventos:
t1 < t2 < t3 < t4 … <tN
▸ El número de individuos en riesgo de sufrir un evento en el tiempo inmediatamente
anterior a tk → nk
▸ El número de eventos ocurridos en el instante tk → dk
P(T≤tk|T>tk−1)=dknk,k=1,…,N(t = )
Con esta fórmula, podemos calcular la probabilidad de que un sujeto que ha llegado
vivo al instante anterior al instante tk, llegue vivo también al instante tk.
Estimador de Kaplan-Meier
S^(t)=∏k=1i(1−dknk) si ti<t<ti+1 i=1,…,N
Vamos a verlo con un ejemplo:

Ideas clave
Tenemos el seguimiento de diez sujetos, algunos de ellos han presentado
el evento que estamos estudiando, y el tiempo de seguimiento será el
transcurrido desde que entran en la investigación hasta que aparece el
evento. También tenemos sujetos en los que el evento no ha ocurrido;
para ellos, el tiempo de seguimiento será el transcurrido desde que entran
en la investigación hasta que la investigación finaliza o hay pérdida de
seguimiento. En cualquiera de estos dos últimos casos se produce una
censura porque no llegamos a presenciar el evento. Los sujetos
censurados los representaremos con un asterisco (*).
Figura 3. Cálculo de la supervivencia. Fuente: adaptada de Gramatges, 2002.
Desde el inicio hasta el mes 1,3, la probabilidad de estar vivo es del 100
%. No hay ningún sujeto en el que se produzca el evento de interés, pero
justo en el mes 1,3 se produce el primer evento.

Ideas clave
En el momento justo anterior al evento, en la investigación hay 10 sujetos,
por lo que, para calcular la supervivencia, tenemos:
Es decir, la probabilidad de estar vivo en el instante 1,3 es del 90 %. A
partir de aquí, avanzamos ahora solamente con 9 sujetos hasta llegar al
mes 3. En este mes, se produce la pérdida de seguimiento de otro sujeto,
y volvemos a perder otros dos en el mes 5, por lo que, al llegar al
momento justo anterior a 5,3, el número de sujetos que tenemos en la
investigación es de 6 (1 al que le ocurrió el evento, y otros tres que no
llegaron porque su seguimiento era más corto). Por lo tanto, hacemos el
cálculo como sigue:
Y de la misma manera seguiríamos calculando el resto de los tiempos.
Nótese que solo se actualiza el tiempo de supervivencia cuando se
produce un evento. La supervivencia para el mes 4 es la misma que para
el mes 3 y para el mes 1,3→0,90. La supervivencia sigue siendo la misma
hasta que se produce un nuevo evento. La representación gráfica de este
ejemplo sería la siguiente:

Ideas clave
Figura 4. Curva de supervivencia Kaplan-Meier. Fuente: adaptada de Gramatges, 2002.
Cada una de las censuras está representada con una línea que corta la
curva, y cada uno de los eventos produce un «escalón» en ella.En el eje
vertical están representadas las probabilidades de estar vivo, que es del
100 % al principio. En el eje horizontal están representados los meses, y a
medida que pasa el tiempo, la probabilidad de estar vivo va disminuyendo.
Si trazamos una línea roja en la probabilidad igual a 0,5, en la figura 4,
podemos ver la mediana de supervivencia, el punto en el que la

supervivencia pasa de ser mayor que 0,5 a ser menor que 0,5. En nuestro
ejemplo, la mediana es 8,3 meses.
La lógica de este tratamiento de datos es que esperamos que los datos no completos

Ideas clave
o censurados vayan a comportarse de la misma manera que los datos completos.
En el siguiente vídeo, vamos a ver cómo realizar una curva de supervivencia con el
programa Jamovi.

Ideas clave
6.6. Comparando la supervivencia de dos grupos
Además de evaluar la supervivencia de una serie, es habitual que el objetivo incluya
comparar la supervivencia entre dos grupos para ver si la variable que genera
esos grupos influye en la supervivencia, por ejemplo, comparar un grupo de
personas que toman un fármaco X con las que toman un fármaco Y, comparar
hombres con mujeres o comparar diferentes variantes de una enfermedad. Para
realizar estas comparaciones, se utiliza la prueba no paramétrica logrank. En esta
prueba, lo que hacemos es comparar la hipótesis nula de que todos los grupos tienen
curvas de supervivencia similares, es decir, vamos a comparar las dos tasas de
supervivencia, suponiendo que la razón entre ambas es constante a lo largo del
tiempo.
En cuanto al tema de los riesgos proporcionales a lo largo del tiempo, debemos
comentar que la prueba logrank es bastante robusta a desviaciones de la
proporcionalidad, siempre que las curvas de supervivencia de Kaplan Meier no se
crucen. Si se cruzan, se está demostrando una no proporcionalidad de riesgos a lo
largo del tiempo, y la prueba logrank no se podrá utilizar. Debemos utilizar la prueba
de Breslow o la de Tarone Ware. Estas pruebas comparan el número de eventos en
cada uno de los grupos, y los compara con los que se esperarían en el caso de que
ambos grupos fuesen iguales. Al final, obtenemos un valor que puede compararse
con una X2.
Para estimar el riesgo de ocurrencia en el instante tk para ambos grupos, utilizamos
la siguiente fórmula:
número de eventos ocurridos en el instante tknúmero global de individuos en riesgo e
n tk
Si ambos grupos fuesen iguales, el número de eventos esperados para el grupo 1

Ideas clave
sería:
N.º de sujetos en riesgo del grupo1∗ (n.º de eventos ocurridos en el instante tkn.º gl
obal de individuos en riesgo en tk)
Y de la misma manera para el grupo 2:
N.º de sujetos en riesgo del grupo 2 ∗ (n.ºde eventos ocurridos en el instante tkn.ºgl
obal de individuos en riesgo en tk)
Por ejemplo, si tenemos dos grupos que en el tiempo 6 tienen los
siguientes datos:
▸ Grupo 1:
• N.º de sujetos en riesgo: 12 (n1)
• N.º de eventos: 3 (e1)
▸ Grupo 2:
• N.º de sujetos en riesgo: 14 (n2)
• N.º de eventos: 7 (e2)
El valor esperado para el grupo 1 será:
12 * 1026=4,61
Y para el grupo 2:
14 * 1026=5,38
De tal manera que, con esto, tendríamos los valores observados y
esperados para ambos grupos en el momento 6:

Ideas clave
Figura 5. Valores observados. Fuente: elaboración propia.
Es decir, en el grupo 1 se producen 3 eventos en el tiempo 6, pero si los
grupos fueran iguales, se esperarían 4,61 eventos. En el grupo 2 se
producen 7 eventos, y, si los grupos fueran iguales, se producirían 5,38.
Esto que hemos hecho para el tiempo 6, habría que hacerlo para cada uno
de los tiempos en los que se producen eventos, y una vez realizados todos
los cálculos, sumamos cada una de las columnas, de tal manera que
obtendremos el valor observado para el grupo 1, que son todos los
eventos que se producen en ese grupo en todos los tiempos, y el valor
esperado total para el grupo 1, que es la suma de todos los valores
esperados que hemos calculado para cada uno de los tiempos. Haremos
lo mismo para el grupo 2.
Con estos datos calcularíamos el estadístico X2:
χ2=(O1-E1)2E1+(O2-E2)2E2
Vamos a suponer que, en nuestro ejemplo, los datos calculados para
todos los momentos ya sumados son los siguientes:

Ideas clave
Figura 6. Valores observados. Fuente: elaboración propia.
Debemos comprobar que el total de eventos observados y esperados es el
mismo cuando realizamos el cálculo a mano para asegurarnos de no
haber cometido errores. En este caso:
▸ Totalidad de eventos observados: 12+19=31
▸ Totalidad de eventos esperados: 9,7+21,3=31
Y calculamos el estadístico X2:
Con este valor y un grado de libertad (el grado de libertad es el número de
grupos menos 1), buscamos en las tablas de X2.

Ideas clave
Figura 7. Distribución X 2 1 . Fuente: elaboración propia.
Y encontramos que el área que deja por encima de sí el estadístico de
contraste es el 93,57 % de la distribución, por lo que podemos decir que
ambos grupos son iguales.
En el caso de que tuviésemos más de dos grupos para comparar, la fórmula de
X2 sería:
χ2=∑i=1k(Oi−Ei)2Ei con k−1 grados de libertad, siendo k el número de grupos
Para utilizar la prueba logrank, debemos definir un intervalo temporal. Este
intervalo lo fijaremos acorde a la lógica del problema y no a los datos disponibles, ya

Ideas clave
que, en este caso, estaríamos falseando los resultados.
Cuando encontremos un análisis de comparación de curvas de supervivencia en un
programa estadístico, lo que encontraremos será, en primer lugar, la tabla de
supervivencia; en segundo lugar, una tabla con las medias y medianas de
supervivencia, así como sus intervalos de confianza; y, por último, la prueba de
longrank.
Tabla de supervivencia
Tabla 1. Tabla de supervivencia. Fuente: elaboración propia (programa IBM SPSS).
En la tabla de supervivencia para dos grupos, el primero es el de control (no) y el

Ideas clave
segundo, el experimental (sí). En este caso, el grupo experimental tiene una
mutación genética.
En la columna «time», encontramos el tiempo de seguimiento de los diferentes
sujetos. En la columna «estado», podemos observar si se ha producido el evento de
interés (sí) o si no se ha producido (no). En las siguientes dos columnas
encontramos la estimación de la proporción de supervivencia en cada uno de los
momentos. Fijémonos que solamente se calcula la probabilidad de supervivencia en
los momentos en los que se produce un evento. Si no se produce el evento en un
determinado momento, la probabilidad de supervivencia es la última que hayamos
calculado.
Para el tiempo 13, en el grupo control (No), la probabilidad de supervivencia es de 75
%, que es la que encontramos en la tabla. Desde el tiempo 13 hasta el tiempo 55 no
se produce ningún evento, y encontramos dos pérdidas de seguimiento en el tiempo
17 y en el tiempo 40. Desde el tiempo 13 hasta el inmediatamente anterior al tiempo
55, la probabilidad de supervivencia es la misma, el 75 %.
La siguiente columna es el error estándar, y lo utilizaremos para calcular el intervalo
de confianza de nuestra estimación de la supervivencia. El intervalo de confianza lo
calcularemos de forma habitual. A nuestra estimación, le sumaremos y restaremos el
valor del error estándar multiplicado por el valor de Z correspondiente. Lo más
habitual es utilizar el 1,96 para obtener intervalos de confianza del 95 %.
Para el tiempo 13, hemos dicho que la estimación puntual de supervivencia es del 75
%. Calcularemos su intervalo de supervivencia de la siguiente manera:
La supervivencia en el tiempo 13 será un valor entre el 50,5 % y el 99,5 %. En este
caso, tenemos pocos sujetos, y el intervalo de confianza es bastante grande.
Por último, las dos columnas siguientes nos muestran el número de eventos

Ideas clave
acumulados en cada tiempo, y la última columna, el número de sujetos restantes en
cada tiempo una vez eliminado el sujeto del evento correspondiente o la pérdida de
seguimiento.
Tabla con medias y medianas
Lo habitual es utilizar la mediana para informar de la supervivencia junto a su
intervalo. La información que nos da es la estimación de la mediana del tiempo que
sobreviven los sujetos, es decir, cuál es el tiempo al que sobreviven el 50 % de los
sujetos.
Si nos fijamos en la tabla anterior (1), en el grupo que sí tiene mutaciones, cuando la
probabilidad se supervivencia cambia de > del 50 % a < del 50 %, es el tiempo 12,
que es lo que nos indica la tabla siguiente. Vemos que nos da información de la
mediana para cada uno de los grupos, y también para el total, es decir, si no
separásemos a los sujetos por grupos.
Tabla 2. Tabla de medias y medianas. Fuente: elaboración propia (programa IBM SPSS).
Prueba de logrank
En la prueba de longrank, se halla el valor del estadístico chi cuadrado y su valor de
significación asociado. En este caso, el valor de significación es menor de 0,05, por
lo tanto, podemos afirmar que la probabilidad de supervivencia entre los grupos que
tienen y no tienen la mutación es distinto.

Ideas clave
Tabla 3. Prueba logrank. Fuente: elaboración propia (programa IBM SPSS).
Para ver cuál de los dos grupos tiene mayor probabilidad de supervivencia, podemos
fijarnos en las tablas anteriores, pero también podemos observar la representación
gráfica de las curvas de supervivencia:
Figura 8. Curvas de supervivencia para dos grupos. Fuente: elaboración propia (programa IBM SPSS).
En este caso, vemos representados a ambos grupos en el mismo gráfico, y podrían
representarse tantos grupos como fuese necesario. El grupo que no tiene
mutaciones está representado en color azul, y el que sí las tiene, en color rojo.
Podemos observar que el descenso de la supervivencia es muy rápido en los

Ideas clave
primeros meses para el grupo con mutaciones, y mucho más lento para el grupo que
no las tiene. Y que, además, la curva de los no mutados va siempre por encima de
los mutados, por lo tanto, a lo largo del tiempo, su supervivencia es siempre mayor.
Con estos dos últimos datos, podemos concluir que la supervivencia del grupo con
mutaciones es menor que en el grupo sin ellas, y que estas diferencias en la
supervivencia son estadísticamente significativas.
Además de toda esta información que hemos aportado hasta ahora, existe otra
prueba estadística que nos va a permitir conocer cuál es la magnitud de esas
diferencias una vez que las hemos encontrado. La prueba es la regresión de Cox, y
nos va a dar como resultado estadístico el valor del hazard ratio (HR), que nos va a
informar de cuánto más probable es que se produzca el evento en un grupo que en
otro.
Vamos a ver a continuación cómo realizar un análisis logrank con un programa
estadístico.

Ideas clave
6.7. Regresión de Cox
El modelo de regresión de Cox es el más utilizado como modelo de regresión dentro
del análisis de supervivencia, entre otras cosas, porque la interpretación de sus
coeficientes es menos compleja que la de otros modelos de regresión. Su objetivo
es, como en cualquier tipo de modelo de regresión que conocemos, detectar y tratar
de cuantificar las relaciones existentes entre una o un grupo de variables explicativas
o predictoras (independientes) y una variable que tratamos de explicar
(dependiente). En este caso concreto, lo que vamos a tratar de predecir es el riesgo
que le supone a un individuo contar, o no, con valores positivos (es decir, presencia
de una mutación como en nuestro ejemplo, siendo el valor nulo la ausencia) de esas
variables explicativas. Por lo tanto, la función con la que vamos a trabajar en nuestro
modelo de regresión de Cox es la función de riesgo h(t):
h(tj)=P(T=tj|T≥tj),j=1,2,…
Es decir, determina la tasa de fallo instantáneo en el tiempo t, dado que el individuo
ha sobrevivido hasta el instante anterior a t. De tal manera que el modelo de Cox de
riesgos proporcionales quedará expresado de la siguiente manera para el modelo
más sencillo (solo de un parámetro):
hi(t)=eβxih (t)
Donde X1=1 si el sujeto pertenece al grupo en evaluación; y X1=0 si el sujeto
pertenece al grupo estándar. β es el parámetro por determinar que no depende del
tiempo. Con esto, podemos calcular el HR, es decir, el número de veces que está
más en riesgo un grupo que el otro:
HR=eβXh (t)h (t)=eβX
Los datos que nos va a reportar cualquier programa estadístico sobre la regresión de

Ideas clave
Cox son los siguientes:
Tabla 4. Tabla regresión de Cox. Fuente: elaboración propia (programa IBM SPSS).
Los datos para tener en cuenta son la significación del modelo, en este caso,
0,020 menor que 0,05, y, por lo tanto, significativo, y el valor del Exp. ( B ) —del
exponente beta—, que nos está indicando el HR, como acabamos de ver en la
fórmula anterior. En este caso, diremos que, pertenecer al grupo con la mutación,
hace que tengamos un riesgo de evento 3,435 veces superior que si no lo
tuviésemos.

Ideas clave
6.8. Análisis de supervivencia aplicado a la

psicología
En psicología, el análisis de supervivencia es cada vez más utilizado. Como hemos
expuesto a lo largo del tema, este tipo de análisis nace en el área de la medicina
para estudiar el riesgo de muerte de uno o varios grupos y poder compararlos,
sin embargo, lo que en medicina el evento estudiado es la muerte, no tiene por qué
serlo, incluso en este ámbito, ya que puede tratarse de una recaída o cualquier otro
evento de interés. De la misma manera, en el ámbito de la psicología, nuestro evento
puede ser también una recaída si, por ejemplo, estamos estudiando adicciones,
repetición de un curso, rendimiento académico o el evento que nos interese.

Ideas clave
6.9. Referencias bibliográficas
Gramatges, A. (2002). Aplicación y técnicas del análisis de supervivencia en las
investigaciones clínicas. Revista Cubana de Hematología, Inmunología y
Hemoterapia, 18(2).
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864-02892002000200004
Medell, E. A. (2016). Análisis de supervivencia. Sociedad colombiana de cardiología
y cirugía cardiovascular, 81-116.
https://scc.org.co/wp-content/uploads/2017/10/Supervivencia.pdf
Pita, S. (1995). Análisis de supervivencia. Cadernos de Atención Primaria 2(3), 130-
135.
Rebasa, P. (2005). Conceptos básicos del análisis de supervivencia. Cirugía
Española, 78(4), 222–230.
https://doi.org/10.1016/S0009-739X(05)70923-4

A fondo
Modelo de regresión de Cox
Boj del Val, E. (2017). Modelo de regresión de Cox. Universidad de Barcelona.

http://diposit.ub.edu/dspace/bitstream/2445/49070/6/El%20modelo%20de%20Cox%2
0de%20riesgos%20proporcionales.pdf
En este documento, perteneciente a la Dra. Eva Boj del Val, podrás encontrar un
análisis mucho más profundo del que hemos visto hasta ahora sobre la regresión de
Cox.

Tema 6. A fondo 32
A fondo
Análisis de supervivencia para variables

dependientes del tiempo
Subirama, I. (2020). Análisis de datos longitudinales (cap. 6, apdo. 6.4.2.) Variables
tiempo- dependientes en R. Bookdown.
https://bookdown.org/isubirana/longitudinal_data_analyses/TimeDepsurvival.html
En este documento, podrás profundizar en el análisis de supervivencia para las
variables dependientes del tiempo. En este caso, el software para llevarlo a cabo es
R.

Tema 6. A fondo 33
Test
1. Llamamos tiempo de seguimiento al:
A. Tiempo en el que los investigadores están llevando a cabo el estudio.
B. Tiempo durante el que tenemos en observación a una persona.
C. Tiempo que dura el estudio.
D. Tiempo desde que ingresa en el estudio hasta que se produce el evento.
2. Los datos censurados son los que hacen que el análisis de supervivencia sea:
A. Difícil.
B. Desconocido.
C. Especial.
D. Ninguna es correcta.
3. Para que el lector de nuestra investigación pueda interpretar los datos
correctamente:
A. Estos tienen que estar claros.
B. Hay que definir cada uno de los tipos de censura que sufren nuestros
datos.
C. Es importante que definamos bien el evento.
D. La B y la C son correctas.
4. La variable tiempo es:
A. Asimétrica positiva.
B. Simétrica negativa.
C. Simétrica positiva.
D. Asimétrica negativa.

Tema 6. Test 34
Test
5. En la regresión de Cox:
A. El objetivo es detectar y cuantificar las relaciones existentes entre un grupo
de variables.
B. La interpretación de sus coeficientes es menos compleja que la de otros
modelos de regresión.
C. Es el modelo de regresión más utilizado dentro del análisis de
supervivencia.
D. Todas son correctas.
6. Los datos censurados se pueden producir desde:
A. La muerte del sujeto.
B. El sujeto ha cambiado de ciudad.
C. El tiempo de seguimiento finaliza.
D. La B y la C son correctas.
7. Comparar la supervivencia entre dos grupos requiere del uso de:
A. La prueba no paramétrica logrank.
B. La curva de supervivencia Kaplan-Meier.
C. La prueba de valor Z.
D. Ninguna es correcta.
8. La fecha de último seguimiento es:
A. En la que muere el sujeto.
B. En la que recogemos la última observación del sujeto.

C. La fecha del fin de la investigación.
D. La fecha de la última recaída del sujeto.

Tema 6. Test 35
Test
9. El evento en la medicina clásica significa:
A. Cualquier cambio significativo en el paciente.
B. Un traslado de domicilio.
C. Una recaída.
D. La muerte.
10. Si varias personas entran en un estudio en diferentes momentos:
A. Tendrán tiempos de seguimiento similares.
B. Tendrán diferentes tiempos de seguimiento.
C. Tendrán tiempos de seguimientos idénticos.
D. No podemos saber si sus tiempos de seguimiento serán iguales o distintos.

Tema 6. Test 36

Tema - 6 - Analisis de Supervivencia

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema - 6 - Analisis de Supervivencia

Cargado por

Copyright:

Formatos disponibles

Tema 6

Metodologías de Investigación Avanzada

6.1. Introducción y objetivos

6.2. Conceptos básicos

6.3. Análisis de los datos censurados

6.4. La variable tiempo

6.5. Función de supervivencia

6.6. Comparando la supervivencia de dos grupos

6.7. Regresión de Cox

6.8. Análisis de supervivencia aplicado a la psicología

6.9. Referencias bibliográficas

Modelo de regresión de Cox

Análisis de supervivencia para variables dependientes del

6.1. Introducción y objetivos

psicológica: el análisis de supervivencia. Tiene la peculiaridad de que tiene en

vamos a ver en este tema son no paramétricas o semiparamétricas.

Cuando finalice el tema, los estudiantes serán capaces de:

▸ Conocer y manejar los conceptos clave especíﬁcos del análisis de

▸ Identiﬁcar la idoneidad de plantear un análisis de supervivencia con base en

una serie de datos.

▸ Realizar e interpretar un análisis de supervivencia con su curva de

supervivencia, comparación por grupos (logrank) y regresión de Cox (hazard

▸ Aplicar los análisis de supervivencia a datos psicológicos

Metodologías de Investigación Avanzada

6.2. Conceptos básicos

El análisis de supervivencia se utiliza para estudiar el tiempo transcurrido

vamos a trabajar es el tiempo. Este tiene una característica fundamental, y es que

veremos más adelante.

El análisis de supervivencia nace y se desarrolla dentro del campo de la medicina

como continuación de las tablas de vida que se comenzaban a construir en el siglo

XVII, aunque hoy en día se aplican a numerosas áreas de la investigación como la

psicología, biología, economía y geología, entre otras.

las personas acabarán el tratamiento en diferentes momentos del tiempo, y es ahí

vez que han acabado el tratamiento, empezaremos a hacer un seguimiento de

estas personas, y acabaremos el estudio dos años después de haberlo comenzado.

recaído, es decir, no en todos tiene que haberse producido el evento. Habrá

Metodologías de Investigación Avanzada

distinta a nuestro objeto de estudio (riesgo competitivo).

nombrado ya, y otros los veremos más adelante:

▸ Tiempo de seguimiento: es el tiempo durante el cual tenemos en observación a

▸ Fecha de inicio y fecha de cierre: nos referimos al tiempo en el que los

investigadores están llevando a cabo el estudio, es decir, la fecha de inicio de la

▸ Fecha de último seguimiento: es la fecha en la que recogemos la última

ha terminado. Es importante recoger también el estado del sujeto, si se ha producido

▸ Evento o evento terminal: es la variable que estamos esperando que aparezca.

▸ Tiempo de supervivencia: si se ha producido el evento en un sujeto. El tiempo

de supervivencia (como hemos dicho, en medicina, el evento habitual es la muerte, y

Metodologías de Investigación Avanzada

de ahí el nombre de «tiempo de supervivencia»). Estos tiempos son completos

▸ Tiempos censurados o incompletos: en este caso, cuando se produce el final de

la investigación, no ha ocurrido el evento de interés. Esto puede deberse a que

▸ Sujetos vivos: son aquellos en los que no se ha producido el evento de interés

una vez ha finalizado el estudio, y que han terminado el seguimiento en la fecha

es decir, a partir de un determinado momento en el estudio ha sido imposible

tráfico, no podemos evaluar si ha recaído de su TCA, por lo tanto, también lo

de la misma manera, van a ser casos censurados por la derecha, es decir,

incompletos. Sin embargo, aunque los vayamos a tratar de igual manera, es

Metodologías de Investigación Avanzada

Figura 1. Ejemplo de seguimiento de diferentes patrones de sujetos. Fuente: Pita, 1995.

Metodologías de Investigación Avanzada

6.3. Análisis de los datos censurados

análisis especial. Los individuos de los que no disponemos datos completos, de lo

único que podemos estar seguros es de que el evento no ha sucedido en el tiempo