“Los riesgos competitivos (RC o CR) son eventos cuya ocurrencia excluye o altera la probabilidad de la ocurrencia de otro evento.”

Las situaciones de riesgos competitivos se dan frecuentemente cuando:

• Estudiamos una cohorte a lo largo del tiempo.
• La cohorte puede estar sometida a un evento terminal (fallecimiento).
• Queremos estudiar otros eventos intermedios (caída en diálisis, trasplante, infarto de micardio).

• Estudian los factores que influyen en el tiempo que transcurre desde el inicio de un estudio hasta 1 evento.

• Cuando hay más de 1 evento, y hay riesgo de que se influyan entre sí, debemos usar CR.

• Por lo general, el riesgo de un evento aumenta con el paso del tiempo.

• El tiempo de seguimiento generalmente varía entre individuos:

  • Puede sesgar las estimaciones de riesgo.
  • A menos que usemos modelos adecuados para datos censurados.

• Cuando un individuo se pierde durante el seguimiento
• Puede experimentar el evento de interés fuera de su período de seguimiento.

Paquetes de R

• Modelos de Cox – survival.

• Modelos Fine-Gray – cmprsk.

• Otros (AFT…)

Pueden predecir el riesgo de un evento de un individuo por unidad de tiempo (hazard ratio, HR)

Tiempo que pasa hasta que un grupo de pacientes necesitan diálisis

• Evento de interés: hemodiálisis (=0, =1).
• Tiempo hasta evento.
• Covariables.

library(survival)

fit <- coxph(
  Surv(Tiempo_dias, Hemodialisis_SI_NO) ~ Edad + Creatinina, 
  data = hemodialisis_datos
)

Si el paciente es:

• 1- perdido durante el seguimiento,
• 2- inicia diálisis peritoneal,
• 3- recibe un riñón trasplantado,
• 4- si muere.

Esos eventos pueden sesgar nuestra estimación de riesgo.

• Los modelos de Cox clásicos representan el 1.
• ¿números 2-4?: CR

Paquetes de R

• Modelos de Cox – survival.

  • De causa específica, cause-specific hazard (CSH)

• Modelos Fine-Gray – cmprsk.

  • Calculan la incidencia acumulada (cumulative incidence function, CIF)

• El ‘riesgo de causa específica’ se define por el riesgo instantáneo del evento por unidad de tiempo debido a un riesgo, como si no hubiera eventos compitiendo.

• Los hazard ratio (HR) obtenidos no están directamente relacionados con la predicción de la incidencia acumulada del evento:

  • No son adecuados para predecir el riesgo de un paciente determinado.

• La ‘Hazard Ratio de la subdistribución’: probabilidad de observar un evento en el siguiente intervalo de tiempo, sabiendo que el evento de interés no ha ocurrido, o que se observó un evento competitivo.

• Los valores absolutos de los coeficientes no tienen interpretación directa.

• Denotan la dirección, pero no proporcionan directamente la magnitud del efecto de la covariable sobre la CIF.

• Cox CSH:

  • Bueno para evaluar el efecto de variables de forma aislada.

• Fine-Gray CIF:

  • Bueno para evaluar y predecir el riesgo global de un individuo.

Variable de censura (numérica, 0, 1, …)

• Individuo con varios eventos

• Asignamos:

  • 0 = individuo no ha sufrido ningún evento
  • 1 = individuo fallecido
  • 2 = individuo ha necesitado hemodiálisis
  • 3 = individuo se ha sometido a trasplante renal

• El fallecimiento nunca tiene precedencia

Variable de censura (numérica, 0, 1, …)

• Construimos una variable equivalente pero en forma de texto

• data$cencode:

  • “Censored”
  • “Mortality”
  • “Hemodyalisis”
  • “Transplant”

Variable tiempo de supervivencia data$dias_evento

• Fecha de inicio del seguimiento (FI).
• Fecha en la que ha ocurrido cada uno de los eventos.

Asignamos el tiempo según el evento, sustrayendo fechas:

• Si fallecido (1): fecha fallecimiento-FI.
• Si hemodiálisis (2): fecha hemodiálisis-FI.
• Si trasplante (3): fecha trasplante-FI.

Covariables

• Escogerlas de antemano
• Retirar todas las filas con valores NA
• model.matrix para construir matriz de covariables.

y <- cmprsk::crr(
  ftime = data$dias_evento, # vector of failure/censoring times
  fstatus  = data$censor, # vector with a unique code for each failure type and censoring
  cov1 = matriz_covariables, #  matrix (nobs x ncovs) of fixed covariates
  failcode = data$cencode, # code of fstatus that denotes the failure type of interest
  cencode  = "Censored" # code of fstatus that denotes censored observations
)

library(survival)

fit <- coxph(
  Surv(dias_evento, cencode != "Mortality") ~ Edad + Creatinina, 
  data = hemodialisis_datos
)

Muchas gracias!