병원 기반 RCT에서 체류 기간 데이터를 가장 잘 분석하는 방법은 무엇입니까?

RCT에서 입원 기간 (LOS) 데이터를 분석하는 최적의 방법에 대한 합의가 있는지 여부에 관심이 있습니다. 이것은 일반적으로 오른쪽으로 치우친 분포로 대부분의 환자는 며칠에서 일주일 이내에 퇴원하지만 나머지 환자는 예측할 수없는 (때로는 꽤 긴) 체류 기간이있어 분포의 오른쪽 꼬리를 형성합니다.

분석 옵션은 다음과 같습니다.

• t 테스트 (존재하지 않을 것으로 가정)
• 맨 휘트니 U 테스트
• 로그 랭크 테스트
• 그룹 할당에 대한 콕스 비례 위험 모델 컨디셔닝

이 방법들 중 어느 것이 명백히 더 높은 힘을 가지고 있습니까?

실제로 임상 데이터가 아닌 관찰을 통해 정확하게이 작업을 수행하는 프로젝트를 시작하고 있습니다. 내 생각은 대부분의 체류 데이터 길이의 비정상적인 형태와 실제로 잘 정의 된 시간 척도 (원본과 종료 시간을 본질적으로 완벽하게 알고 있음) 때문에 그 문제는 어떤 종류의 생존 분석에 실제로 적합합니다 . 고려해야 할 세 가지 옵션 :

• 제안한 바와 같이, 치료군과 노출 된 암의 비교를위한 콕스 비례 위험 모델.
• 로그 랭크 또는 다른 테스트 중 하나를 사용하여 직선 Kaplan-Meyer 곡선 간의 차이점을 검사합니다. 미겔 헤르 난 (Miguel Hernan) 은 이것이 반드시 일정한 위험 비율을 가정 할 필요는 없기 때문에 이것이 실제로 많은 경우에 사용하기에 바람직한 방법 이라고 주장했다 . 임상 시험을 받았을 때 공변량 조정 된 Kaplan-Meyer 곡선을 생성하기가 어렵지 않지만 문제를 해결하고자하는 잔차 변수가 있더라도 역 확률로 수행 할 수 있습니다. 치료 무게.
• 파라 메트릭 생존 모델. 당연히 덜 일반적으로 사용되지만 내 경우 에는 근본적인 위험에 대한 매개 변수 추정치가 필요 하므로 실제로 이것이 유일한 방법입니다. 나는 일반화 된 감마 모델을 사용하여 바로 뛰어들 것을 제안하지 않을 것입니다. 작업하기가 어려워요-간단한 지수, Weibull 및 Log-Normal을 시도하고 그 중 어느 것이 허용 가능한 적합을 생성하는지 확인합니다.

나는 검열 된 체류 기간 (병원 퇴원 전 사망)을 처리하는 Cox 비례 위험 모델을 선호합니다. 관련 유인물은 http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf 에서 찾을 수 있습니다 : http://biostat.mc.vanderbilt.edu/wiki/pub/ 메인 / FH 유인물 /model.s

그룹 간 차이와 각 독립 변수에 대한 테스트를 위해서는 로그 랭크 테스트를 권장합니다. Cox 비례 위험 모델에서 여러 변수 (적어도 로그 로그 테스트에서 중요한 변수에 대해)를 조정해야 할 수도 있습니다. 기준선 (위험) 위험 추정이 필요한 경우 감마 일반화 모형 (파라 메트릭)이 Cox의 대안이 될 수 있습니다.

죽음은 퇴원과 경쟁하는 사건입니다. 사망을 검열하는 것은 누락 된 데이터를 무작위로 검열하지 않습니다. 사망 및 퇴원의 누적 발생률을 조사하고 하위 배포 위험을 비교하는 것이 더 적절할 수 있습니다.