Comment analyser au mieux les données sur la durée du séjour dans un ECR en milieu hospitalier?

Je souhaite savoir s'il existe ou non un consensus sur la meilleure façon d'analyser les données sur la durée de séjour à l'hôpital à partir d'un ECR. Il s'agit généralement d'une distribution très asymétrique, où la plupart des patients sortent en quelques jours à une semaine, mais les autres patients ont des séjours assez imprévisibles (et parfois assez longs), qui forment la queue droite de la distribution.

Les options d'analyse comprennent:

• test t (suppose une normalité qui n'est probablement pas présente)
• Test de Mann Whitney U
• test de logrank
• Modélisation des risques proportionnels de Cox conditionnant la répartition des groupes

Certaines de ces méthodes ont-elles une puissance manifestement plus élevée?

Je me lance en fait dans un projet qui fait exactement cela, bien qu'avec des données observationnelles plutôt que cliniques. Mes pensées ont été qu'en raison de la forme inhabituelle de la plupart des données sur la durée du séjour et de l'échelle de temps vraiment bien caractérisée (vous connaissez parfaitement l'origine et l'heure de sortie), la question se prête très bien à l'analyse de survie d'une certaine sorte. Trois options à considérer:

• Modèles de risques proportionnels de Cox, comme vous l'avez suggéré, pour comparer le traitement et les bras exposés.
• Courbes droites de Kaplan-Meyer, en utilisant un log-rank ou l'un des autres tests pour examiner les différences entre elles. Miguel Hernan a fait valoir que c'est en fait la méthode préférable à utiliser dans de nombreux cas, car elle ne suppose pas nécessairement un rapport de risque constant. Comme vous avez un essai clinique, la difficulté de produire des courbes de Kaplan-Meyer ajustées aux covariables ne devrait pas être un problème, mais même s'il y a des variables résiduelles que vous souhaitez contrôler, cela peut être fait avec une probabilité inverse de -poids de traitement.
• Modèles de survie paramétriques. Il y en a, certes, moins couramment utilisés, mais dans mon cas, j'ai besoin d' une estimation paramétrique du danger sous-jacent, c'est donc vraiment la seule voie à suivre. Je ne suggérerais pas de sauter directement dans l'utilisation du modèle Gamma généralisé. C'est quelque chose de pénible à travailler - j'essaierais un simple exponentiel, Weibull et Log-Normal et voir si l'un d'eux produit des ajustements acceptables.

Je privilégie le modèle des risques proportionnels de Cox, qui gérera également la durée de séjour censurée (décès avant la sortie de l'hôpital). Un document pertinent peut être trouvé à http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf avec le code ici: http://biostat.mc.vanderbilt.edu/wiki/pub/ Main / FHHandouts / model.s

Je recommande le test de logrank pour tester les différences entre les groupes et pour chaque variable indépendante. Vous devrez peut-être ajuster plusieurs variables (au moins pour celles qui sont significatives dans le test du logrank) dans un modèle de risques proportionnels de Cox. Le modèle généralisé gamma (paramétrique) pourrait être une alternative à Cox si vous avez besoin d'une estimation du risque de base (danger).

la mort est un événement concurrent avec décharge. Censurer les décès ne reviendrait pas à censurer les données manquantes au hasard. Il pourrait être plus approprié d'examiner l'incidence cumulative des décès et des sorties et de comparer les risques de sous-distribution.