C. Martínez et al / Revista Ingeniería UC, Vol. 16, No. 3, diciembre 2009, 58-71 591. IntroducciónEn el análisis <strong>de</strong> <strong>supervivencia</strong> (AS) se dispone <strong>de</strong>un conjunto <strong>de</strong> herramientas estadísticas <strong>para</strong> estudiarla aparición <strong>de</strong> eventos en el tiempo. Este lapso <strong>de</strong>tiempo se mi<strong>de</strong> <strong>de</strong>s<strong>de</strong> un momento inicial, (inicio <strong>de</strong> untratamiento, diagnóstico, operación, entre otros) hastael momento <strong>de</strong> la ocurrencia <strong>de</strong> un evento terminalpre<strong>de</strong>finido (evento que pue<strong>de</strong> representar muerte, falla,aparición <strong>de</strong> tumores, mejoras, entre otras). Los datos<strong>de</strong>l AS esta formada; a<strong>de</strong>más, <strong>de</strong> una serie <strong>de</strong> variablesmedidas en las unida<strong>de</strong>s bajo estudio, <strong>de</strong> tiempos<strong>de</strong> <strong>supervivencia</strong> completos (unida<strong>de</strong>s con eventosterminales ocurridos en el tiempo <strong>de</strong> observación) y<strong>de</strong> tiempos <strong>de</strong> <strong>supervivencia</strong> censurados (con eventosterminales <strong>no</strong> ocurridos en el tiempo <strong>de</strong> observación).Cuando el AS es aplicado al estudio <strong>de</strong> eventos <strong>de</strong>tipo biológico asociados con la ocurrencia <strong>de</strong> eventosque provienen <strong>de</strong> plantas, animales o seres huma<strong>no</strong>s, esllamado análisis <strong>de</strong> <strong>supervivencia</strong> y cuando el análisises dirigido a las industrias o seres inanimados, se leco<strong>no</strong>ce como análisis <strong>de</strong> confiabilidad.El uso <strong>de</strong>l AS se ha extendido a otras áreas<strong>de</strong> investigación como: la sicología, bioingeniería,medicina, física, astro<strong>no</strong>mía, estudio <strong>de</strong> eventos <strong>de</strong>vida, entre otras. Tradicionalmente los estudios <strong>de</strong><strong>supervivencia</strong> se orientaron al análisis <strong>de</strong> una únicaocurrencia <strong>de</strong> un evento por unidad bajo estudio (ASclásico). Sin embargo, <strong>de</strong>s<strong>de</strong> hace cuatro décadas losestudios se han extendido a la aparición <strong>de</strong> eventosrecurrentes (AS recurrente). Los eventos recurrentesson sucesos que pue<strong>de</strong>n presentarse en muchas áreas,cabe mencionar: fallas en maquinarias y equipos,reaparición <strong>de</strong> tumores en personas enfermas concáncer, ataques <strong>de</strong> epilepsia, fiebre provocada porenfermeda<strong>de</strong>s infecciosas, acci<strong>de</strong>ntes automovilísticos,acci<strong>de</strong>ntes laborales, <strong>de</strong>litos, matrimonios, divorcios,nacimientos, entre otros. En el AS se pue<strong>de</strong>n enumerardos conjuntos <strong>de</strong> mo<strong>de</strong>los, los mo<strong>de</strong>los tradicionalesy los mo<strong>de</strong>los <strong>para</strong> eventos recurrentes. En los mo<strong>de</strong>losrecurrentes; se incluyen, tanto los trabajos <strong>de</strong>Prentice et al [1] que son mo<strong>de</strong>los <strong>de</strong> regresióntipo Cox adaptados al caso recurrente; como losmo<strong>de</strong>los propuesto por Peña et al [2]. Los mo<strong>de</strong>los<strong>de</strong> regresión tipo Cox son mo<strong>de</strong>los que consi<strong>de</strong>raan elefecto <strong>de</strong> covariables y son co<strong>no</strong>cidos como mo<strong>de</strong>lossemi<strong>para</strong>métricos, mientras que los mo<strong>de</strong>los que <strong>no</strong>∗ Autor <strong>para</strong> correspon<strong>de</strong>nciaCorreo-e:cmartinez@uc.edu.ve (Carlos Martínez)consi<strong>de</strong>ran los efectos <strong>de</strong> covariables son co<strong>no</strong>cidoscomo mo<strong>de</strong>los <strong>no</strong> <strong>para</strong>métricos. En los mo<strong>de</strong>los tipoCox se asume que los tiempos entre ocurrencias <strong>de</strong>levento son in<strong>de</strong>pendientes e idénticamente distribuidose in<strong>de</strong>pendientes <strong>de</strong> los tiempos <strong>de</strong> censura, conexcepción <strong>de</strong>l mo<strong>de</strong>lo <strong>de</strong> Wang–Chang [3] y el mo<strong>de</strong>los<strong>de</strong> fragilidad <strong>de</strong> Peña et al [2], don<strong>de</strong> estos datos pue<strong>de</strong><strong>no</strong> <strong>no</strong> estar correlacionados.2. Metodología2.1. Notación básica <strong>de</strong>l análisis <strong>de</strong> <strong>supervivencia</strong>La variable aleatoria principal <strong>de</strong> un estudio en elAS es el tiempo (T). Esta variable se utiliza <strong>para</strong>medir el lapso <strong>de</strong> tiempo que transcurre <strong>de</strong>s<strong>de</strong> unmomento inicial <strong>de</strong>finido hasta la aparición <strong>de</strong>l evento,la cual tiene asociada una serie <strong>de</strong> funciones; entrelas que se encuentran: La función <strong>de</strong> <strong>de</strong>nsidad <strong>de</strong>probabilida<strong>de</strong>s (fdp o f ), la función (F) o función <strong>de</strong>distribución acumulada (fda), la función (S ) o función<strong>de</strong> <strong>supervivencia</strong>, la función <strong>de</strong> riesgo instantáneo,(h o λ) y la función <strong>de</strong> riesgos acumulados, (Ho ∧). Funciones que <strong>de</strong>finimos a continuación: Si,T la variable aleatoria que representa el tiempo <strong>de</strong>ocurrencia <strong>de</strong>l evento <strong>de</strong> estudio y F es la fda <strong>de</strong>la variable T, entonces: F(t) = P(T ≤ t); y enconsecuencia, S (t)=1− F(t), (Ec. 1 y 2)F(t)=F(t)=∫ t0∫ ∞tf (s)ds (1)f (s)ds (2)<strong>para</strong> funciones discretas (Ec. 3 y 4)∑F(t)= f (s)∆t (3)s≤t∑F(t)=1− f (s)∆t (4)Sea, h la razón instantánea <strong>de</strong> ocurrencia <strong>de</strong> un evento<strong>de</strong> estudio, <strong>de</strong>finida como en (Ec. 5):Asís≤tP(t≤T< t+∆t/T≥ t)lím∆t→0 th(t)= f (t)S (t)Y si, H la función <strong>de</strong> riesgo acumulado (Ec. 7):H(t)=∫ t0(5)(6)h(s)ds (7)Revista Ingeniería UC
60 C. Martínez et al / Revista Ingeniería UC, Vol. 16, No. 3, diciembre 2009, 58-71Entonces, <strong>para</strong> funciones continuas (Ec. 8):H(t)=∫ t0dF(s)S (s)y <strong>para</strong> funciones discretas (Ec. 9):∑H(t)=s≤t∆F(s)S (s)2.2. Mo<strong>de</strong>los clásicos <strong>de</strong> <strong>supervivencia</strong>(8)(9)Los mo<strong>de</strong>los <strong>de</strong>l AS clásicos más co<strong>no</strong>cidos, son: losmo<strong>de</strong>los actuariales, el mo<strong>de</strong>lo <strong>de</strong> Kaplan–Meier [4] yel mo<strong>de</strong>lo <strong>de</strong> riesgos proporcionales <strong>de</strong> Cox [5]. Entrelos mo<strong>de</strong>los actuariales más utilizados, se encuentran:Bhomer [6], Berkson–Gage [7] y Cutler–E<strong>de</strong>rer [8].Los mo<strong>de</strong>los actuariales son útiles en aquellos casosdon<strong>de</strong> <strong>no</strong> se dispone <strong>de</strong> los tiempos exactos <strong>de</strong>ocurrencia <strong>de</strong>l evento. Por ello, la información sepresenta agrupada en intervalos <strong>de</strong> tiempo. Kaplan–Meier [4] proponen un estimador <strong>de</strong> la S , en presencia<strong>de</strong> datos censurados u observaciones incompletas,co<strong>no</strong>cido hoy en día como estimador ✭✭Límiteproducto✮✮.Este mo<strong>de</strong>lo es <strong>de</strong> tipo clásico <strong>no</strong> <strong>para</strong>métricos. Elestimador Kaplan–Meier con tiempos <strong>de</strong> <strong>supervivencia</strong><strong>no</strong> repetidos, esta dado por (Ec. 10):S (t j )=j∏i=1n i − d in i(10)Don<strong>de</strong>, d i representa el numero total <strong>de</strong> ocurrenciaen el i–ésimo momento y n i representa el numero <strong>de</strong>unida<strong>de</strong>s a riesgo justo antes <strong>de</strong>l tiempo t j . El mo<strong>de</strong>lo<strong>de</strong> riesgos proporcionales propuesto por Cox [5],supone que existe un conjunto <strong>de</strong> covariables, digamos:X = (x 1 , x 2 ,..., x p ) ′ , que afectan el comportamiento<strong>de</strong>l tiempo <strong>de</strong> ocurrencia <strong>de</strong> los eventos. El mo<strong>de</strong>loasume in<strong>de</strong>pen<strong>de</strong>ncia entre las observaciones <strong>de</strong> cadaunidad y entra en la clasificación <strong>de</strong> los mo<strong>de</strong>losclásicos, semi<strong>para</strong>métricos y multivariante. Para estemo<strong>de</strong>lo, la función <strong>de</strong> riesgo condicionada, esta dadapor (Ec. 11 y 12):h(t/X)=h o (t)e ( q ∑β j X j )j=1(11)S (t/X)=S o (t) e(β′ j X) (12)Don<strong>de</strong>, h 0 (t) es la función <strong>de</strong> riesgo base, S 0 (t) esla función <strong>de</strong> <strong>supervivencia</strong> base yβes el vector <strong>de</strong>parámetros <strong>de</strong>sco<strong>no</strong>cidos que mi<strong>de</strong>n los efectos <strong>de</strong> lascovariables.2.3. Otros mo<strong>de</strong>los clásicos <strong>de</strong>l análisis <strong>de</strong> <strong>supervivencia</strong>En la Tabla 1 se agrupan otro conjunto <strong>de</strong> mo<strong>de</strong>losclásicos, <strong>no</strong> <strong>para</strong>métricos útiles <strong>para</strong> estimar S coneventos <strong>no</strong> recurrentes.Tabla 1: Estimadores clásicos <strong>no</strong> <strong>para</strong>métricos <strong>de</strong>l ASAutor Año Estimador <strong>de</strong> S (t)∏Kaplan–Meier 1958 S (t j )= j n i−d in ii=1 ( )∏Alshuler 1970 S (t j )= j exp− din ii=1Prentice 1978 S (t j )= j ∏n in i+1i=1Prentice–Marek∏1979 S (t j )= jAn<strong>de</strong>rsen et al[ i=1j∏1982 S (t j )=i=1Harris–Albert∏1991 S (t j )= ji=1Moreau et al 1992 S (t j )= j ∏Hosmer–Lemeshow 1999 S (t j )=n i−d i+1n i+1n i−d i+1n i+1n i+d i−1n i+d in in i+d ii=1 [ ∏j−1n i−d i+1n i+1i=1]n jn j+1]n jn j+12.4. Otros mo<strong>de</strong>los <strong>para</strong> análisis <strong>de</strong> <strong>supervivencia</strong>con eventos recurrentesMartínez–Borges (2008) propusieron un conjunto<strong>de</strong> mo<strong>de</strong>los <strong>no</strong> <strong>para</strong>métricos <strong>de</strong>l AS con eventosrecurrentes. Propuestas que se fundamentan en eltrabajo <strong>de</strong> Peña et al. (2001), quienes <strong>de</strong>rivaron elestimador GPLE <strong>para</strong> eventos recurrentes, a partir<strong>de</strong> los estimadores clásicos Nelson–Aalen y Kaplan–Meier. Los autores <strong>de</strong>l estimador GPLE diseñarondos procesos contadores a los que <strong>de</strong><strong>no</strong>taron, con lasiguiente <strong>no</strong>tación: N(s, t) y Y(s, t). La Tabla 2 ilustralos mo<strong>de</strong>los propuestos por Martínez–Borges [9].3. Mo<strong>de</strong>los <strong>de</strong> <strong>supervivencia</strong> <strong>para</strong> eventos recurrentesLos primeros aportes <strong>de</strong>l AS recurrente datan <strong>de</strong>s<strong>de</strong>los años ochenta, con los trabajos <strong>de</strong> Prentice etal [1], An<strong>de</strong>rsen–Gill [10] y Wei et al [11]. Losaportes más recientes, se incluyen los trabajos <strong>de</strong>:Wang–Chang [3], Peña et al [2], Nelson [12], Hollan<strong>de</strong>rSetruraman [13], González–Peña [14], González–Peña [15], Peña-Slate [16], Peña E. [17] y Martínez–Borges [9]. Wayne Nelson [12] publicó un trabajodon<strong>de</strong> resuelve problemas <strong>de</strong> mo<strong>de</strong>lación <strong>de</strong> fallas ensistemas industriales <strong>de</strong> tipo mecánico y eléctrico.Revista Ingeniería UC