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?
Réponses:
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:
la source
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
la source
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 source
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.
la source