La toma de decisiones durante la atención médica implica el conocimiento de la evolución clínica de la enfermedad. A su vez, el conocimiento de la evolución clínica permite estimar la posibilidad de ocurrencia de un fenómeno en un tiempo determinado o su tiempo de duración. Entre los modelos estadísticos con los que es posible obtener una medida de resumen para estimar el tiempo de ocurrencia de un fenómeno en una población determinada se encuentran la regresión lineal (variable dependiente continua y con distribución normal [tiempo a la ocurrencia del fenómeno]), la regresión logística (variable dependiente dicotómica, en un solo intervalo) y las curvas de supervivencia (variable dependiente dicotómica, en múltiples intervalos). La primera referencia que se tiene sobre este tipo de análisis es el trabajo publicado en 1693 por el astrónomo, físico y matemático inglés Edmundo Halley —famoso por el cálculo de la órbita y aparición del cometa reconocido como el primer cometa periódico (el 1P/cometa Halley)— quien contribuyó en el área de la salud con la estimación de la tasa de mortalidad para una población polaca. Las curvas de supervivencia permiten calcular la probabilidad de que ocurra un fenómeno a distintos intervalos y, de igual forma, permiten estimar la mediana de supervivencia de cualquier fenómeno de interés (aunque se utiliza el término supervivencia, el desenlace no necesariamente tiene que ser muerte, sino la ocurrencia de cualquier otro fenómeno).
Palacios-Cruz L, Pérez-Rodríguez M, Rivas-Ruiz R, Talavera JO. Investigación clínica XVIII. Del juicio clínico al modelo de regresión lineal. Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61.
Pérez-Rodríguez M, Palacios-Cruz L, Moreno J, Rivas-Ruiz R, Talavera JO. Investigación clínica XIX. Del juicio clínico al análisis de covarianza. Rev Med Inst Mex Seguro Soc. 2014;52(1):70-5.
Kleinbaum D. Survival analysis: A self-learning text. Second edition. Berlin: Springer Science Business Media; 2005.
Kaplan EL, Meier P. Nonparametric incomplete estimation from observations. J Am Statist Assoc. 1958; 53(282):457-481.
Rivas-Ruiz R, Moreno-Palacios J, Talavera JO. Investigación clínica XVI. Diferencias de medianas con la U de Mann-Whitney. Rev Med Inst Mex Seguro Soc. 2013;51(4):414-9
Feinstein AR. Principles of medical statistics. New York, NY: Chapman and Hall/CRC; 2002.
Lecturas recomendadas
Abd-ElHafeez S, Torino C, D’Arrigo G, Bolignano D, Provenzano F, Mattace-Raso F, Zoccali C, Tripepi G. An overview on standard statistical methods for assessing exposure-outcome link in survival analysis (Part II): The Kaplan-Meier analysis and the Cox regression method. Aging Clin Exp Res. 2012;24(3):203-6.
Benítez-Parejo N, Rodríguez-del Águila MM, Pérez-Vicente S. Survival analysis and Cox regression. Allergol Immunopathol (Madr). 2011;39(6):362-73.
Bland JM, Altman DG. Survival probabilities (the Kaplan-Meier method). BMJ. 1998;317(7172):1572.
Efron B. Logistic regression, survival analysis, and the Kaplan-Meier curve. J Am Stat Assoc. 1988; 83(402): 414-25.
Satagopan JM, Ben-Porat L, Berwick M, Robson M, Kutler D, Auerbach AD. A note on competing risks in survival data analysis. Br J Cancer. 2004;91(7):1229-35.
Xie J, Liu C. Adjusted Kaplan-Meier estimator and log-rank test with inverse probability of treatment weighting for survival data. Stat Med. 2005;24(20):3089-110.