C. Martínez et al / Revista Ingeniería UC, Vol. 16, No. 3, diciembre 2009, 58-71 61Tabla 2: Estimadores <strong>no</strong> <strong>para</strong>métricos <strong>de</strong>l AS <strong>para</strong> eventos recurrentesEstimador tipo Estimador <strong>de</strong> S (t) Notación[ ]∏Kaplan–Meier1− N(s,∆w)Y(s,w)GPLEw≤t j[ ]∏Alshulerexp− N(s,∆w)Y(s,z)GEAlshw≤t j[ ]∏ Y(s,w)PrenticeY(s,w)+1GEPrenw≤t j[ ]∏ Y(s,w)+1−N(s,∆w)Prentice–MarekY(s,w)+1GEPrMaw≤t j[ ]∏ Y(s,w)+1−N(s,∆w) Y(s,w)An<strong>de</strong>rsen et alY(s,w)+1 Y(s,w)+1GEAn<strong>de</strong>w≤t j[ ]∏ Y(s,w)+1−N(s,∆w)Harris–AlbertY(s,w)+N(s,∆w)GEHaAlw≤t j[ ]∏ Y(s,w)Moreau et alY(s,w)+N(s,∆w)GEPrMow≤t j[ ]∏ Y(s,w)+1−N(s,∆w) Y(s,w)Hosmer–LemeshowY(s,w)+1 Y(s,w)+1GEHoLEw≤t j−13.1. Mo<strong>de</strong>lo <strong>de</strong> Wang y Chang (Mo<strong>de</strong>lo WC)Wang–Chang [3] propusieron un mo<strong>de</strong>lo <strong>de</strong> estimación<strong>de</strong> <strong>curvas</strong> <strong>de</strong> <strong>supervivencia</strong>s S <strong>para</strong> eventosrecurrentes que es aplicable tanto a casos don<strong>de</strong> existein<strong>de</strong>pen<strong>de</strong>ncia entre los tiempos entre ocurrenciascomo aquellas situaciones en presencia <strong>de</strong> datos correlacionados.El estimador propuesto por Wang–Chang(WC) es un estimador que se pue<strong>de</strong> <strong>de</strong>finir utilizandodos procesos <strong>de</strong> conteo, d ∗ (t) y R ∗ (t), d ∗ (t) representala suma total <strong>de</strong> las proporciones <strong>de</strong> tiempos <strong>de</strong> entreocurrencias iguales a t y R ∗ (t) representa el promedio<strong>de</strong> individuos que están en riesgo en el momento t. Demodo que (Ec. 13):Figura 1: Representación gráfica <strong>de</strong> la recurrencia <strong>de</strong> eventos en lai–ésima unidad <strong>de</strong> investigación3.2. mo<strong>de</strong>los <strong>de</strong> Peña, Straw<strong>de</strong>rman y Hollan<strong>de</strong>r(Mo<strong>de</strong>lo PHS)Peña et al. (2001) propusieron dos mo<strong>de</strong>los <strong>de</strong> <strong>supervivencia</strong><strong>para</strong> eventos recurrentes. U<strong>no</strong>, que generalizael estimador clásico <strong>de</strong> la curva <strong>de</strong> <strong>supervivencia</strong> <strong>de</strong>Kaplan–Meier a eventos recurrentes, útil <strong>para</strong> aquelloscasos don<strong>de</strong> existe in<strong>de</strong>pen<strong>de</strong>ncia entre los tiempos<strong>de</strong> interocurrencia, <strong>de</strong><strong>no</strong>tado como mo<strong>de</strong>lo GPLE <strong>de</strong>Peña et al. y otro mo<strong>de</strong>lo que consi<strong>de</strong>ra la fragilidado probabilidad <strong>de</strong> ocurrencia <strong>de</strong>l evento en la unidad<strong>de</strong> estudio. En esta propuesta los autores <strong>de</strong>finieron dosprocesos <strong>de</strong> conteo N e Y, que permiten realizar lasestimaciones <strong>de</strong> su mo<strong>de</strong>lo y diseñaron una herramientagráfica que permiten realizar estos proceso (Figura 2).Ŝ (t)=n∏∏i=1{ j:T i j ≤t}[1− d∗ (T i j )R ∗ (T i j )](13)Don<strong>de</strong>, T i j es el tiempo <strong>de</strong> interocurrencia <strong>de</strong>l j–ésimoevento en la i–ésima unidad <strong>de</strong> investigación, S i j es eltiempo calendario <strong>de</strong> la j–ésima ocurrencia <strong>de</strong>l eventoen la i–ésima unidad (Figura 1).Sí, S i0 = 0 y S i j = T i1 + T i2 +...+T iki , tal que,K i es el número <strong>de</strong> eventos que experimenta la i–ésimaunidad <strong>de</strong> investigación, K i = max{ j : S i j ≤τ i },τ i esel tiempo total <strong>de</strong> observación <strong>de</strong> la i–ésima unidad <strong>de</strong>investigación y n es el número total <strong>de</strong> ocurrencias <strong>de</strong>levento.Figura 2: Gráfica <strong>de</strong> la ocurrencia <strong>de</strong> un evento recurrente en unaunidadEn el caso <strong>de</strong> una única ocurrencia <strong>de</strong>l evento, losprocesos quedan <strong>de</strong>finidos por N e Y. Pero, <strong>para</strong> el caso<strong>de</strong> eventos recurrentes, es necesario <strong>de</strong>finir dos escalas<strong>de</strong> tiempo: un tiempo calendario S i j y un tiempo <strong>de</strong>interocurrencias T i j . El tiempo calendario S acumulaRevista Ingeniería UC
62 C. Martínez et al / Revista Ingeniería UC, Vol. 16, No. 3, diciembre 2009, 58-71los tiempos <strong>de</strong> interocurrencias T en cada una <strong>de</strong> lasunida<strong>de</strong>s bajo estudio. Los procesos N e Y se <strong>de</strong>finencomo: N(s, t) e Y(s, t). Don<strong>de</strong>, N(s, t) representa elnúmero <strong>de</strong> eventos observados en el período calendario[0, s] con tiempos <strong>de</strong> interocurrencias me<strong>no</strong>res e igualesa t e Y(s, t) representa el número el número <strong>de</strong>eventos observados en el período calendario [0, s] contiempos <strong>de</strong> interocurrencias mayores e iguales1 a t.De modo que, si N i (s, t) es el número <strong>de</strong> eventosobservados en el período calendario [0, s] con tiempos<strong>de</strong> interocurrencias me<strong>no</strong>res e iguales a t <strong>para</strong> la i–ésima unidad <strong>de</strong> investigación, Y i (s, t) será el número<strong>de</strong> eventos observados en el período calendario [0, s]con tiempos <strong>de</strong> interocurrencias mayores e iguales a t,en cada unidad bajo estudio (Ec. 14 a 16).N(s, t)=Y(s, t)=Y(s, t)=n∑N i (s, t)i=1on∑ ∑K ii=1j=1{ }I T i j ≤ t(14)n∑Y i (s, t) (15)i=1{ Kin∑i=1∑j=1{ } { }}I T i j ≥ t + I τ i − S iKi ≥ t(16)De esta manera, el estimador generalizado <strong>de</strong>l límite–producto <strong>de</strong> Kaplan–Meier propuestos por Peña et al.(2001), quedo <strong>de</strong>finido como (Ec. 17):∏[Ŝ (t)= 1− N(s,∆w) ]Y(s, w)w≤t(17)(18)El otro mo<strong>de</strong>lo propuesto por es el mo<strong>de</strong>lo <strong>de</strong> fragilidaddon<strong>de</strong> se asume que existe una variable aleatoria <strong>no</strong>medible o variable latente que representa el grado <strong>de</strong>heterogeneidad entre las unida<strong>de</strong>s <strong>de</strong> los grupos enestudio, la cual se asume in<strong>de</strong>pendiente <strong>de</strong> la censura.El termi<strong>no</strong> fragilidad se entien<strong>de</strong> como heterogeneidadindividual, <strong>de</strong>bido a que existen unida<strong>de</strong>s que tienenmayor probabilidad <strong>de</strong> experimentar el evento queotros. Este es co<strong>no</strong>cido como mo<strong>de</strong>lo <strong>de</strong> fragilidadmultiplicativa y si se asume que la variable <strong>de</strong> fragilidadsigue una distribución gamma con parámetros <strong>de</strong> formay escala iguales a α. Si <strong>para</strong> cada unidad existeuna variable <strong>de</strong> fragilidad <strong>no</strong> observable y positiva,digamos Z i ; tal que, <strong>para</strong> cada momento t la función <strong>de</strong><strong>supervivencia</strong> condicionada que <strong>de</strong>finida en la Ec. 19:tS (t/Z i = z)=[S 0 (t)] z o S (t/Z i = z)=e −z ∫λ 0 (u)0 du(19)Don<strong>de</strong>,λ 0 (t) es la función <strong>de</strong> riesgo base y S 0 (t) esla función <strong>de</strong> <strong>supervivencia</strong> basal. Con, Z 1 , Z 2 ,...,Z ncomo las variables <strong>de</strong> fragilidad <strong>de</strong> las unida<strong>de</strong>s,se asumen idénticamente distribuidas con una ciertadistribución común H <strong>para</strong> todas ellas. En el mo<strong>de</strong>loFRMLE, H se distribuye gamma con parámetros <strong>de</strong>forma y escala iguales aα. La función S <strong>de</strong>l mo<strong>de</strong>loFRMLE se pue<strong>de</strong> expresar como (Ec. 20):[ ] ααS (t)=(20)α+∧ 0 (t)Don<strong>de</strong>,∧ 0 (t) es la función <strong>de</strong> riesgo base acumulada.3.3. 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 (2008).4. <strong>Pruebas</strong> clásicas <strong>de</strong>l análisis <strong>de</strong> <strong>supervivencia</strong>4.1. IntroducciónEl objetivo <strong>de</strong> la com<strong>para</strong>ción en el AS es similara aquellos procedimientos diseñados <strong>para</strong> com<strong>para</strong>restadísticos provenientes <strong>de</strong> muestras in<strong>de</strong>pendientes,como la prueba t, la prueba <strong>de</strong> los sig<strong>no</strong>s, la prueba<strong>no</strong> <strong>para</strong>métrica <strong>de</strong> los rangos signados <strong>de</strong> Wilcoxon(1945), la prueba U <strong>de</strong> Mann–Whitney (1947), laprueba <strong>de</strong> Kruskal–Wallis (1952), la prueba pon<strong>de</strong>rada<strong>de</strong> Cochran (1954) y la prueba <strong>de</strong> análisis <strong>de</strong> varianza<strong>de</strong> dos o más vías. Todas estas pruebas <strong>de</strong> com<strong>para</strong>ciónse utilizan <strong>para</strong> evaluar diferencias entre estadísticosque han sido estimados basados en la información quese obtiene <strong>de</strong> subgrupos poblaciones in<strong>de</strong>pendientesentre si. Sin embargo, en el AS suce<strong>de</strong> un fenóme<strong>no</strong> que<strong>no</strong> es consi<strong>de</strong>rado en estas pruebas que es la censura.Esta es la razón que imposibilita la aplicación directaRevista Ingeniería UC