El nuevo método mejora el poder de análisis de supervivencia en el estudio de la clínica y la epidemiología

En entornos clínicos, RMST es útil, ya que es una forma directa de comprender el tiempo de la existencia promedio: los pacientes de la duración del tiempo permanecen después del diagnóstico o el tratamiento y los factores que afectan ese tiempo, dentro de un marco de tiempo específico.

Además, a diferencia de los modelos de la región coxy y otros modelos populares, las estimaciones y la comparación hechas con RMST no dependen de la percepción de la amenaza proporcional de que la posibilidad del evento a lo largo del tiempo sea estable.

“Pero hay un agarre: RMST puede probar la diferencia en el efecto de un tratamiento entre la línea de base hasta un punto de tiempo, umbral, pero es difícil identificar el límite ideal en el estudio de la clínica y la epidemiología”, dijo Gang Han, PhD, profesor de bioestadística en la Escuela de Salud Pública de la Universidad de Texas A&M. “Conduce a los resultados que son menos estadísticamente poderosos que pueden ser”.

Para abordar este desafío, Hannas y Co -Workers en la industria han desarrollado un nuevo método que utiliza un dispositivo matemático existente, modelos de exponentes de Tukade Bajo Piezas, para determinar el tiempo límite ideal u óptimo en el análisis medio restringido al estudiar dos grupos.

“Esto es especialmente importante en los estudios médicos, como un comportamiento de salud en la Escuela de Salud Pública de Texas A&M, como un fenómeno específico puede cambiar en diferentes etapas de tratamiento”, dijo el profesor de comportamiento de salud Matthew Lee Smith en la Escuela de Salud Pública de Texas A&M, que participó en esta investigación.

Para determinar el rango óptimo, el equipo calculó un límite para los puntos de cambio significativos en las tasas peligrosas y comparó lo que encontraron con el tiempo.

Publicado en su artículo de investigación, Revista epidémicaVarios estudios de simulación y dos ejemplos reales mostraron los beneficios del método propuesto en un estudio clínico y un estudio epidémico.

Utilizó un nuevo método para medir la tasa de error del tipo 1 y el poder estadístico en la simulación en la que la velocidad de peligro para un grupo era estable y fue reemplazada por otro grupo. Comparó grupos utilizando pruebas lógicas estándar y sus nuevos modelos.

“Nuestro modelo funcionó mejor”, Marsia Ji. El icónico profesor de Eurie, PhD, Regents y School of Public Health, dijo, la OMS investiga métodos de prevención basados ​​en evidencia. “Este fue también el caso cuando lo aplicamos a dos escenarios reales del mundo”.

Para ambos escenarios, los métodos de análisis estadístico tradicionales no mostraron ninguna diferencia notable entre los dos tratamientos. Sin embargo, cuando se implementó el nuevo modelo, los resultados de cada paisaje encontraron que un tratamiento era claramente mejor.

El primer escenario comparó dos remedios en siete meses para pacientes con cáncer de pulmón de células no libres, que tenía un nivel más bajo de un biomarcador importante. El otro utilizó una evaluación estándar para medir el tiempo del declive de las personas con demencia leve, que vivían con cuidadores en comparación con los cuidadores que no vivían con los cuidadores.

“Estos resultados son prometedores, y más investigaciones requieren que comparen más de dos grupos y que utilicen muchas cooperativas, como la edad, la etnia y el estado socioeconómico de los participantes”, dijo Han. “Sin embargo, en base a estos resultados iniciales, creemos que este método puede ser más poderoso que todas las comparaciones actuales para dos grupos en el análisis de resultados de tiempo hasta el evento”.

Otros involucrados en el estudio Epidemiología y Bioestadística Estudiantes de Doctorados Laura Hopkins, Raymond Carol, PhD, profesor reputado en el Departamento de Texas A&M y Ellie Lily & Co. y H. Lee fue un prestigioso profesor entre el Centro de Cáncer MOFIT y los Asuntos Exteriores del Instituto de Investigación.