Làm thế nào tốt nhất để phân tích thời gian lưu trữ dữ liệu trong RCT dựa trên bệnh viện?

Tôi muốn biết liệu có sự đồng thuận về cách tối ưu để phân tích dữ liệu thời gian nằm viện (LOS) của bệnh viện từ RCT hay không. Đây thường là một phân phối sai lệch rất đúng, theo đó hầu hết bệnh nhân được xuất viện trong vòng vài ngày đến một tuần, nhưng những bệnh nhân còn lại có thời gian lưu trú khá khó đoán (và đôi khi khá dài), tạo thành đuôi phải của phân phối.

Các tùy chọn để phân tích bao gồm:

• t test (giả định tính bình thường không có khả năng)
• Thử nghiệm Mann Whitney U
• kiểm tra logrank
• Cox tỷ lệ rủi ro mô hình điều hòa trên phân bổ nhóm

Có bất kỳ phương pháp nào trong số này có sức mạnh cao hơn?

Tôi thực sự bắt tay vào một dự án thực hiện chính xác điều này, mặc dù với dữ liệu quan sát, thay vì dữ liệu lâm sàng. Suy nghĩ của tôi là do hình dạng bất thường của hầu hết dữ liệu lưu trú và thang thời gian thực sự đặc trưng (bạn biết cả về nguồn gốc và thời gian thoát cơ bản là hoàn hảo), câu hỏi này thực sự phù hợp với phân tích sinh tồn. Ba lựa chọn để xem xét:

• Các mô hình mối nguy theo tỷ lệ Cox, như bạn đã đề xuất, để so sánh giữa điều trị và cánh tay bị phơi nhiễm.
• Đường cong Kaplan-Meyer thẳng, sử dụng thứ hạng log hoặc một trong các thử nghiệm khác để kiểm tra sự khác biệt giữa chúng. Miguel Hernan đã lập luận rằng đây thực sự là phương pháp thích hợp hơn để sử dụng trong nhiều trường hợp, vì nó không nhất thiết phải có tỷ lệ nguy hiểm không đổi. Khi bạn đã có một thử nghiệm lâm sàng, khó khăn trong việc tạo ra các đường cong Kaplan-Meyer được điều chỉnh đồng biến không phải là một vấn đề, nhưng ngay cả khi có một số biến còn lại bạn muốn kiểm soát, điều này có thể được thực hiện với xác suất nghịch đảo trọng lượng điều trị.
• Các mô hình sống sót tham số. Có, thừa nhận, ít được sử dụng, nhưng trong trường hợp của tôi, tôi cần một ước tính tham số về nguy cơ tiềm ẩn, vì vậy đây thực sự là cách duy nhất để đi. Tôi sẽ không đề xuất nhảy thẳng vào sử dụng mô hình Gamma tổng quát. Đó là một điều gì đó khó khăn để làm việc với - Tôi sẽ thử một hàm mũ đơn giản, Weibull và Log-Normal và xem liệu có bất kỳ thứ nào trong số đó phù hợp chấp nhận được không.

Tôi ủng hộ mô hình mối nguy theo tỷ lệ Cox, cũng sẽ xử lý thời gian lưu trú bị kiểm duyệt (tử vong trước khi xuất viện thành công). Một bản tin có liên quan có thể được tìm thấy tại http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf với mã ở đây: http://biostat.mc.vanderbilt.edu/wiki/pub/ Chính / FHHandouts / model.s

Tôi khuyên bạn nên kiểm tra logrank để kiểm tra sự khác biệt giữa các nhóm và cho từng biến độc lập. Có thể bạn sẽ cần điều chỉnh một vài biến số (ít nhất là đối với những biến có ý nghĩa trong thử nghiệm logrank) trong mô hình mối nguy theo tỷ lệ Cox. Mô hình tổng quát hóa Gamma (tham số) có thể thay thế cho Cox nếu bạn cần ước tính rủi ro cơ bản (nguy cơ).

cái chết là một sự kiện cạnh tranh với xả thải. Kiểm duyệt cái chết sẽ không kiểm duyệt dữ liệu bị thiếu một cách ngẫu nhiên. Kiểm tra tỷ lệ tích lũy của tử vong và xuất viện và so sánh các nguy cơ phân phối lại có thể phù hợp hơn.