La técnica de análisis de tiempo de supervivencia promedio limitado (RMST) se introdujo hace aproximadamente 25 años en la investigación del cuidado de la salud y desde entonces se ha utilizado ampliamente en economía, ingeniería, negocios y otras profesiones.
En entornos clínicos, RMST es útil porque es una forma directa de comprender el tiempo de supervivencia promedio, después del diagnóstico o el tratamiento de los pacientes y los factores que actualmente están afectando, dentro de un plazo específico.
Además, a diferencia de los modelos de regresión de Cox y otros modelos famosos, las estimaciones y las amenazas comparativas que utilizan RMST no se basan en la suposición de que la posibilidad de un incidente continuará permanentemente con el tiempo.
“Pero hay una trampa: RMST puede examinar las diferencias en los efectos del tratamiento de la cuenca a un punto de tiempo”, dijo Gang Han, PhD, PhD, Gang Han en la Escuela de Salud Pública de la Universidad de Texas A&M. “
Para abordar este desafío, los colegas en Han y la academia y la industria han desarrollado un nuevo método que utiliza la herramienta matemática actual.
“Esto es especialmente importante en los estudios médicos, porque la posibilidad de un evento particular puede cambiar a diferentes etapas de tratamiento”, dijo Matthew Lee Smith, profesor de comportamiento de salud en la Escuela de Salud Pública de Texas A&M.
Para determinar el umbral máximo, el equipo calculó un rango de tiempo desde el punto de vista de un cambio significativo en las tasas de riesgo (el idioma) y comparó el tiempo que encontraron con el tiempo más probable.
Su disertación de investigación apareció en American Journal of EpidemiologyLos beneficios del método propuesto se mostraron en numerosos estudios falsos y dos ejemplos reales, un estudio clínico y un estudio de pandemia.
Utilizaron un nuevo método para medir la tasa de error y la fuerza estadística del tipo 1 en forma falsa, que tenía una tasa de riesgo para un grupo y fue reemplazado por el otro grupo. Comparó los grupos utilizando pruebas de LaGrak estándar y su nuevo modelo.
“Nuestro modelo funcionó bien”, dijo Regents y profesor prominente de la Escuela de Salud Pública, que investigó métodos de prevención basados en evidencia. “Este fue también el caso cuando lo aplicamos a dos escenarios del mundo real”.
Para ambos escenarios, las estadísticas tradicionales no han mostrado diferencias significativas entre dos tratamientos en los métodos de análisis. Sin embargo, cuando se implementó un nuevo modelo, los resultados de cada escenario revelaron que un tratamiento es claramente mejor.
El primer escenario comparó dos tratamientos para pacientes con cáncer de pulmón de células no pequeñas en los últimos siete meses, con el nivel clave del biocarmar. Otros utilizaron un diagnóstico estándar para medir el tiempo para las víctimas de demencia leve que vivían con cuidadores de carreras que no vivían con cuidadores.
“Estos resultados son prometedores, y se necesitan más investigación, lo que compara más de dos grupos, y utiliza muchos coeritis, como la edad, la raza y el estado económico social de los participantes”, dijo Han. “Aún así, según estos resultados preliminares, creemos que este método puede ser mucho más poderoso que todas las comparaciones actuales para dos grupos en el análisis de los resultados del evento de vez en cuando”.
Otras personas involucradas en el estudio fueron profesores prominentes, Raymond Carol, PhD, el Departamento de Estadísticas de A&M de Texas, y Eli Lily & Company, un profesor prominente y H -LI Cancer Cancer Cancer Cancer cáncer y cáncer de cáncer Cáncer de cáncer Cáncer de cáncer Cáncer de cáncer de cáncer de cáncer de cáncer de cáncer.
