Publicado
En la investigación médica, donde están en juego vidas y tratamientos, el análisis de supervivencia tradicional suele ser ineficaz. El análisis de riesgos competitivos está transformando la forma en que los investigadores estudian y predicen la progresión de la enfermedad y el éxito del tratamiento.
Un estudio de 442 sujetos con desfibriladores automáticos implantables (DAI) reveló que 180 pacientes recibieron terapia con DAI, 29 murieron sin terapia y 233 fueron censurados. Esto demuestra por qué es crucial considerar los eventos competitivos en la investigación médica. Pueden ocurrir múltiples resultados a lo largo del tiempo.
El análisis de supervivencia tradicional , como el estimador de Kaplan-Meier , tiene limitaciones al tratar con riesgos competitivos . Puede sobreestimar los riesgos, lo que lleva a conclusiones erróneas y malas decisiones clínicas. El análisis de riesgos competitivos ayuda a los investigadores a comprender el riesgo real de cada evento, incluso cuando otros eventos pueden impedir que se produzca el resultado principal.
Puntos Clave
- Análisis de riesgos competitivos extiende lo tradicional análisis de supervivencia para manejar resultados de eventos complejos en la investigación médica.
- A diferencia de los métodos estándar, análisis de riesgos competitivos permite a los investigadores cuantificar la riesgo absoluto de tipos de eventos específicos, como la recurrencia de la enfermedad o la mortalidad relacionada con el tratamiento.
- El Estimador de Kaplan-Meier pueden sobreestimar los riesgos en presencia de eventos competitivos, lo que resalta la necesidad de técnicas estadísticas más avanzadas.
- Riesgos en competencia El análisis permite a los investigadores obtener conocimientos más profundos sobre la dinámica de supervivencia y tomar decisiones clínicas más informadas.
- Función de incidencia acumulada Curvas (CIF) y modelado de regresión Técnicas, tales como peligro específico de la causa y peligro de subdistribución Los modelos son fundamentales para riesgos competitivos análisis.
A continuación, exploraremos los detalles del análisis de riesgos competitivos. Analizaremos conceptos y herramientas clave y cómo se aplican en la investigación de supervivencia. Prepárese para descubrir nuevos conocimientos que van más allá del análisis de supervivencia tradicional.
Introducción al análisis de riesgos competitivos
Muchos estudios médicos analizan cuánto tiempo tarda una enfermedad en reaparecer o en fallecer una persona. Sin embargo, a veces ocurren otros eventos que nos impiden observar el evento principal. Estos eventos secundarios son importantes porque modifican nuestra comprensión de los resultados del análisis de supervivencia.
Entendiendo la importancia de los eventos competitivos
Los métodos de análisis de supervivencia más antiguos , como el estimador de Kaplan-Meier , no funcionan bien con riesgos competitivos. Tratan estos riesgos como si fueran simplemente datos faltantes, lo que puede hacer que el riesgo del evento principal parezca mayor de lo que realmente es. Cuando existen riesgos competitivos , estos métodos no muestran la verdadera probabilidad de que ocurra el evento principal.
Limitaciones del análisis de supervivencia tradicional
El análisis de riesgos competitivos es más adecuado para examinar datos de supervivencia con múltiples eventos diferentes. Nos ayuda a ver cómo las diversas causas de falla y los resultados combinados afectan la supervivencia o el tiempo hasta el evento.
“En presencia de riesgos en competencia, la estimación de Kaplan-Meier genera un sesgo ascendente en la estimación de la incidencia al tratar los eventos en competencia como censurados, lo que lleva a una sobreestimación y un sesgo”.
La función de incidencia acumulada (FIA) es más eficaz para gestionar eventos competitivos. Proporciona una estimación más precisa de la frecuencia de los eventos que el antiguo método de Kaplan-Meier. Al comprender los riesgos competitivos y las limitaciones del análisis de supervivencia tradicional, los investigadores pueden crear mejores modelos. Esto les ayuda a tomar mejores decisiones en los estudios médicos.
Función de incidencia acumulada: la métrica central
La función de incidencia acumulada (FIA) es fundamental al analizar datos con riesgos competitivos. Se diferencia del estimador de Kaplan-Meier . La FIA ofrece una visión directa del riesgo absoluto de que ocurra un evento determinado a lo largo del tiempo. Además, tiene en cuenta otros eventos que podrían ocurrir.
Estimación del riesgo absoluto de ocurrencia de un evento
El CIF es vital para mostrar cómo ocurren los diferentes eventos y cómo cambia la supervivencia en un grupo. Da una idea clara de la probabilidad de que el evento principal ocurra en un momento determinado. Esto es importante porque evita el error de sobreestimar el riesgo que puede cometer el método de Kaplan-Meier cuando existen otros riesgos.
Contrastando con el estimador de Kaplan-Meier
El método de Kaplan-Meier se usa frecuentemente para el análisis de supervivencia, pero no es adecuado para datos con riesgos competitivos. Considera los eventos competitivos como si estuvieran censurados, lo que hace que el riesgo del evento principal parezca mayor de lo que realmente es. Por otro lado, la función de incidencia acumulada (FIA) ofrece una visión más precisa del riesgo del evento principal. Considera otros eventos que podrían impedir que se produzca el evento principal.
“El CIF proporciona una medida más precisa y clínicamente relevante de la probabilidad de experimentar el evento de interés en presencia de riesgos competitivos”.
Estadísticas descriptivas para datos de riesgos competitivos
El análisis de riesgos competitivos comienza con un examen minucioso de las estadísticas descriptivas . Nos centramos en la función de incidencia acumulada (FIA) y las tasas de incidencia específicas por causa . La FIA muestra el riesgo de que ocurra un evento a lo largo del tiempo, considerando también otros eventos. Las tasas de incidencia específicas por causa nos indican el riesgo de cada evento en un momento determinado.
Estas estadísticas son fundamentales para comprender las tasas de supervivencia y el impacto de diferentes eventos. Al observar el CIF y las tasas específicas por causa, los investigadores pueden detectar patrones importantes. Esto ayuda a orientar estudios posteriores.
| Conjunto de datos | Evento de interés | Evento de riesgo competitivo | Principales Conclusiones |
|---|---|---|---|
| Anemia de Fanconi (AF) | Neoplasia maligna hematopoyética (MH) | Muerte antes de la aparición de HM | El función de incidencia acumulada Se estimó el CIF para HM, teniendo en cuenta el riesgo competitivo de muerte debido a complicaciones relacionadas con AF. |
| Cáncer de Mama | Mortalidad específica por cáncer de mama | Muerte por otras causas | Se calculó el CIF para la mortalidad específica por cáncer de mama, considerando las muertes por otras causas como un evento de riesgo competitivo. |
| Leucemia linfocítica crónica (CLL) | Mortalidad | Recaída | Tasas de incidencia por causa específica Se utilizaron para comparar los riesgos de mortalidad y recaída en pacientes con LLC con diferentes combinaciones de HLA y estado de la enfermedad. |
Con estos conocimientos, los investigadores pueden comprender la naturaleza compleja de los riesgos en pugna, lo que les ayuda a decidir cuáles son los mejores pasos a seguir para su análisis.
Modelado de regresión para riesgos competitivos
El modelado de regresión es fundamental para comprender cómo los factores de riesgo afectan a eventos específicos cuando también existen otros riesgos. Hay dos formas principales de hacerlo: modelos de riesgo específicos de la causa y modelos de riesgo de subdistribución.
Modelos de riesgo de causa específica
Los modelos de riesgo específicos por causa analizan el riesgo de que un evento determinado ocurra en este preciso momento, si el sujeto aún no lo ha experimentado. Nos ayudan a identificar los factores relacionados con las causas del evento.
Modelos de riesgo de subdistribución
Los modelos de riesgo de subdistribución se centran en el riesgo total de que ocurra un evento, teniendo en cuenta también otros eventos. Muestran cómo los factores de riesgo afectan la probabilidad de que ocurra el evento. Estos modelos son fundamentales para comprender los datos de riesgos competitivos.
Analizan el riesgo de subdistribución , que es la probabilidad de que ocurra el evento, considerando también otros eventos. Esto nos ayuda a comprender cómo los factores de riesgo modifican la probabilidad de que ocurra el evento. Resulta muy útil para la toma de decisiones en el ámbito sanitario y la predicción de riesgos.
| Enfoque de regresión | Enfócate | Métrica clave |
|---|---|---|
| Peligro según la causa Modelos | Riesgo instantáneo del evento de interés, condicionado a que esté libre de eventos | Peligro por causa específica |
| Peligro de subdistribución Modelos | Función de incidencia acumulada, contabilizando eventos en competencia | Peligro de subdistribución |
“El análisis de riesgos competitivos es un tipo especial de análisis de supervivencia diseñado para estimar la probabilidad marginal de un evento en presencia de eventos competitivos”.
Riesgos en competencia, función de incidencia acumulada
En el análisis de riesgos competitivos, la función de incidencia acumulada (FIA) es fundamental. Nos ayuda a comprender la supervivencia ante múltiples eventos. La FIA muestra el riesgo de un evento específico a lo largo del tiempo, teniendo en cuenta otros eventos.
El CIF es más preciso que el estimador de Kaplan-Meier cuando existen riesgos competitivos. Proporciona una imagen fiel de las probabilidades de los eventos. Garantiza que la suma de los riesgos sea igual a 1 para todos los eventos en cualquier momento.
Las tasas de incidencia específicas por causa muestran el riesgo de cada evento en un momento determinado. Estas tasas nos brindan más detalles sobre la supervivencia, mostrando cómo los diferentes eventos afectan el estudio a lo largo del tiempo.
El factor de incidencia combinado (CIF) y las tasas de incidencia específicas por causa trabajan conjuntamente para analizar los riesgos competitivos. Ayudan a los investigadores y a los médicos a tomar decisiones acertadas y a crear mejores tratamientos para sus pacientes.
| Métrico | Mareas Ideales para Lecciones | Interpretación |
|---|---|---|
| Función de incidencia acumulada (CIF) | Estima la riesgo absoluto de experimentar un tipo de evento específico a lo largo del tiempo, teniendo en cuenta la presencia de eventos competitivos. | Proporciona una medida directa de la probabilidad de experimentar el evento de interés, considerando la influencia de otros eventos competitivos. |
| Tasas de incidencia por causas específicas | Mide el riesgo instantáneo de cada tipo de evento en un momento determinado. | Ofrece información complementaria al CIF, destacando las contribuciones relativas de los diferentes tipos de eventos a la dinámica general de supervivencia. |
El uso conjunto de estas métricas permite obtener un panorama completo de los riesgos en juego en un grupo de estudio, lo que ayuda a los investigadores y a los médicos a tomar decisiones informadas y a crear tratamientos eficaces.
Aplicaciones en estudios cardiovasculares
El análisis de riesgos competitivos es fundamental en los estudios cardiovasculares . Ayuda a abordar diversos eventos como infartos, accidentes cerebrovasculares y la muerte. Este método es muy importante para predecir enfermedades cardíacas en personas mayores. Muchos de estos pacientes podrían fallecer por otras causas antes de sufrir un evento cardiovascular.
Predicción de eventos de enfermedad cardíaca coronaria
Este análisis ayuda a determinar el riesgo real de sufrir eventos cardiovasculares. Considera otros eventos, como la muerte por causas no relacionadas con enfermedades cardíacas. Esto proporciona modelos de predicción de riesgo más precisos y útiles . Ayuda a los médicos a tomar mejores decisiones y a planificar estrategias más eficaces para prevenir y controlar las enfermedades cardiovasculares.
Análisis de criterios de valoración compuestos en ensayos clínicos
Los ensayos de cardiología suelen utilizar criterios de valoración compuestos para ver qué tan bien funciona una intervención. Estos criterios de valoración incluyen aspectos como el tiempo hasta que se produce un ataque cardíaco o la muerte. Los métodos de riesgos competitivos brindan más detalles al mostrar la probabilidad de que ocurra cada evento. Esto nos ayuda a comprender cómo afecta la intervención a diferentes eventos, lo que deja en claro qué tan bien funciona.
El análisis de riesgos competitivos es fundamental en la investigación cardiovascular, donde pueden ocurrir múltiples eventos mutuamente excluyentes. Proporciona una predicción de riesgos más precisa y una comprensión más profunda del impacto de las intervenciones en diferentes resultados cardiovasculares.
Supuestos y limitaciones
Tanto el análisis de supervivencia tradicional como el análisis de riesgos competitivos se basan en supuestos. Un supuesto clave es el de censura independiente . Esto significa que el motivo por el que alguien deja de ser rastreado no debería depender de su estado de salud ni de otros eventos.
Es importante que quienes dejen de ser monitoreados tengan las mismas posibilidades de sobrevivir que quienes permanezcan en el estudio. Si esta suposición no se cumple, los resultados podrían ser erróneos.
Evaluación del supuesto de censura independiente
Los investigadores deben comprobar si la suposición de censura independiente es válida para sus datos. Si no lo es, podrían necesitar probar diferentes métodos de análisis. El análisis de riesgos competitivos requiere una buena comprensión de sus supuestos y limitaciones para obtener resultados precisos.
- Mira cómo censura sucede: Verifique si la censura no está relacionada con otros eventos o si está vinculada a ciertos rasgos del paciente o factores de salud.
- Realizar pruebas de sensibilidad: Estas pruebas muestran cómo suposiciones erróneas podrían cambiar los resultados del estudio.
- Piense en otras formas de modelar: si el supuesto es dudoso, busque métodos diferentes, como la probabilidad inversa de censura ponderación o modelización conjunta de eventos y censura.
Conocer los supuestos y los límites del análisis de riesgos competitivos ayuda a los investigadores a tomar mejores decisiones, lo que conduce a resultados más fiables y útiles en sus estudios.
“Las violaciones del supuesto de censura independiente pueden dar lugar a estimaciones sesgadas de la función de incidencia acumulada y de los parámetros del modelo de regresión.”
Interpretación y relevancia clínica
El análisis de riesgos competitivos ofrece información valiosa tanto para médicos como para pacientes. Ayuda a tomar mejores decisiones de tratamiento. La función de incidencia acumulada muestra el riesgo real de un evento, considerando también otros riesgos. Esto es fundamental para tomar decisiones informadas sobre tratamientos y el manejo de enfermedades.
Además, métodos como los modelos de riesgo de subdistribución ayudan a determinar qué afecta el riesgo de un evento. Esta información ayuda a crear modelos de riesgo para cada paciente y orienta a los médicos para elegir los tratamientos adecuados para cada paciente.
Conocer los riesgos de los distintos resultados y otros eventos es fundamental para la toma de decisiones clínicas . Este análisis ofrece una visión completa de cómo interactúan los diferentes factores y ayuda a los médicos a tomar decisiones que también tengan en cuenta otros riesgos.
En la predicción de riesgos , este análisis ayuda a crear modelos predictivos sólidos. Mediante la función de incidencia acumulada y los cocientes de riesgo de subdistribución, estos modelos ofrecen una visión clara del riesgo. Esto permite a médicos y pacientes tomar decisiones más acertadas sobre prevención, detección y tratamientos.
En general, el análisis de riesgos competitivos puede mejorar en gran medida la forma en que tomamos decisiones y predecimos los riesgos, lo que conduce a mejores resultados para los pacientes y a un tratamiento más eficaz de la enfermedad.
Software e Implementación
Al realizar análisis de riesgos competitivos , los investigadores disponen de una amplia variedad de software . El lenguaje estadístico R es muy popular para este fin, ya que cuenta con potentes paquetes para el modelado y la inferencia de riesgos competitivos .
Paquetes R para análisis de riesgos competitivos
Algunos de los mejores paquetes de R para el análisis de riesgos competitivos son:
- cmprsk:Este paquete ayuda a estimar la función de incidencia acumulada y a ajustar modelos de riesgo de subdistribución y de causa específica.
- supervivencia:Un paquete grande que admite muchos tipos de análisis de supervivencia, incluidos los riesgos competitivos.
- cronoreg:Proporciona herramientas para analizar datos de tiempo transcurrido hasta el evento, incluidos modelos de riesgos competitivos.
Estos paquetes permiten a los investigadores utilizar estadísticas avanzadas para el análisis de riesgos competitivos en R. Esto facilita el uso de estos métodos en campos como la investigación médica, la epidemiología y la bioestadística.
| PREMIUM | Características principales | Eficiencia Computacional |
|---|---|---|
| cmprsk | Estima modelos de incidencia acumulada, de riesgo por causas específicas y de subdistribución. | Ajustar una regresión Fine-Gray regularizada LASSO en un gran conjunto de datos tomó alrededor de 24 horas, lo que demuestra que no es buena para grandes datos. |
| supervivencia | Ofrece muchas herramientas de análisis de supervivencia, incluso para riesgos competitivos. | Los métodos actuales tienen dificultades para afrontar la complejidad del modelo Fine-Gray, especialmente con grandes conjuntos de datos. |
| cmprsk rápido | Utiliza un nuevo algoritmo de escaneo hacia adelante y hacia atrás que es eficiente para grandes conjuntos de datos. | El paquete fastcmprsk supera a otros métodos tanto para la estimación del modelo Fine-Gray penalizado como para la no penalizada. |
Estas herramientas de software han simplificado el análisis de riesgos competitivos en numerosos estudios de investigación. Permiten a los investigadores utilizar estadísticas avanzadas y obtener información valiosa a partir de sus datos.
Estudio de caso: Datos sobre desfibriladores automáticos implantables
Los estudios sobre riesgos competitivos han cobrado mayor importancia en la investigación cardíaca, especialmente en lo que respecta a los desfibriladores cardioversores implantables (DCI). Un estudio publicado en la revista de los Institutos Nacionales de la Salud (NIH ) muestra cómo este método ayuda a comprender la supervivencia de los pacientes con DCI.
El estudio analizó cómo los DCI ayudan a los pacientes al controlar el tiempo transcurrido desde el implante hasta la primera terapia o la muerte. Consideró que la terapia con DCI y la muerte son eventos competitivos, es decir, que un evento impide la posibilidad de ver el otro.
Para abordar este problema, el estudio utilizó la función de incidencia acumulada . Esta función ayuda a estimar los riesgos de cada evento y proporciona información sobre la supervivencia de los pacientes con DAI.
| Resultado | Incidencia acumulada a los 5 años |
|---|---|
| Terapia apropiada del DCI | 25% |
| Muerte sin terapia previa | 20% |
El estudio muestra cómo el análisis de riesgos competitivos ayuda a comprender los eventos cardíacos y los efectos del DCI. Proporciona una visión clara de los patrones de supervivencia, lo que ayuda a elaborar mejores planes de tratamiento para los pacientes.
“El análisis de riesgos competitivos proporciona una visión más integral de los patrones de supervivencia de los pacientes con DCI, lo que nos permite cuantificar mejor los beneficios y optimizar el uso de esta tecnología que salva vidas”.
Este estudio de caso subraya la necesidad de realizar un análisis de riesgos competitivos en la investigación cardíaca, especialmente con desfibriladores cardioversores implantables . Este método ayuda a investigadores y médicos a tomar mejores decisiones, lo que se traduce en una mejor atención al paciente.
Direcciones futuras y modelos multiestatales
El estudio del análisis de supervivencia está en auge. Los riesgos competitivos y los modelos multiestado adquirirán mayor relevancia en los estudios y la toma de decisiones médicas. Este artículo abordó los fundamentos del análisis de riesgos competitivos. Sin embargo, este campo continúa avanzando con nuevos métodos y aplicaciones estadísticas.
Los modelos multiestado son actualmente objeto de investigación. Nos permiten analizar más de dos eventos o realizar un seguimiento de los cambios entre estados, como las etapas de una enfermedad o los efectos de un tratamiento. Estos modelos nos brindan una mejor manera de comprender eventos complejos y ofrecen una visión más profunda que la que proporcionan los simples riesgos competitivos.
“A medida que el campo del análisis de supervivencia continúa avanzando, la integración de riesgos competitivos y modelos multiestado probablemente desempeñará un papel cada vez más importante en la investigación médica y la toma de decisiones clínicas .”
En los estudios sobre el cáncer , los investigadores pueden analizar cómo las enfermedades evolucionan de un estado a otro, por ejemplo, de la remisión a la progresión. Mediante modelos multiestado , pueden observar cómo se relacionan eventos como la reaparición de la enfermedad, los efectos secundarios del tratamiento y la supervivencia.
La incorporación de riesgos competitivos y modelos multiestado nos ayuda a comprender cómo los diferentes tratamientos afectan a los pacientes. Permite a los investigadores sopesar los pros y los contras de los tratamientos, lo que ayuda a los médicos a tomar mejores decisiones para sus pacientes.
La combinación del análisis de supervivencia y estos modelos será cada vez más importante en la investigación y la atención médica. Esto conducirá a una atención sanitaria más personalizada y eficaz.
Conclusión
El análisis de riesgos competitivos representa una mejora fundamental con respecto al análisis de supervivencia tradicional. Ofrece una visión más clara de cómo se desarrollan los eventos cuando existen múltiples resultados posibles. Al observar la función de incidencia acumulada y utilizar modelos especiales, podemos comprender mejor los riesgos de ciertos eventos. También podemos identificar los factores que incrementan estos riesgos y, por lo tanto, tomar mejores decisiones terapéuticas.
Este nuevo enfoque tiene grandes implicaciones para los estudios médicos, la predicción de riesgos y la mejora de los tratamientos. A medida que crezca, su combinación con nuevos métodos, como los modelos multiestatales, hará que el análisis de supervivencia sea aún más eficaz. Esto ayudará a la atención médica y mejorará los resultados de los pacientes.
El uso del análisis de riesgos competitivos es un gran avance en el análisis de supervivencia. Ayuda a los investigadores y médicos a tomar decisiones más inteligentes, lo que conduce a una mejor atención para los pacientes con problemas de salud complejos.
Preguntas Frecuentes
¿Qué es el análisis de riesgos competitivos?
El análisis de riesgos competitivos es una forma de estudiar los resultados de eventos complejos. Ayuda a los investigadores a comprender el riesgo de eventos específicos, como la reaparición de una enfermedad o la muerte a causa de un tratamiento. Este método también analiza otros eventos que podrían impedir que se produzca el evento principal.
¿Por qué es importante el análisis de riesgos competitivos en la investigación médica?
En los estudios médicos, las personas pueden enfrentarse a muchos acontecimientos diferentes a la vez. Los métodos antiguos, como el estimador de Kaplan-Meier, no funcionan bien con estas situaciones complejas. El análisis de riesgos competitivos ofrece una mejor manera de estudiar estos acontecimientos. Ayuda a los investigadores a comprender mejor la supervivencia y a tomar mejores decisiones.
¿Qué es la función de incidencia acumulada (CIF) en el análisis de riesgos competitivos?
La función de incidencia acumulada (CIF) es clave en el análisis de riesgos competitivos. Muestra el riesgo de que ocurra un evento específico a lo largo del tiempo, incluso si ocurren otros eventos. A diferencia de los métodos antiguos, la CIF brinda una visión correcta del riesgo en un momento determinado.
¿Cuáles son los principales enfoques de modelos de regresión utilizados en el análisis de riesgos competitivos?
Existen dos formas principales de modelar los datos en el análisis de riesgos competitivos. Los modelos de riesgo por causa específica analizan el riesgo del evento principal cuando el sujeto no ha tenido ningún otro evento. Los modelos de riesgo por subdistribución se centran en el riesgo total del evento principal, considerando también todos los demás eventos.
¿Cómo se puede aplicar el análisis de riesgos competitivos en la investigación cardiovascular?
En los estudios sobre enfermedades cardíacas, el análisis de riesgos competitivos resulta muy útil. Ayuda a estimar el riesgo de ataques cardíacos, accidentes cerebrovasculares y muertes, al tiempo que se consideran otras causas de muerte. Esto proporciona una imagen más clara de los riesgos y ayuda a realizar mejores predicciones.
¿Cuáles son los supuestos clave en el análisis de riesgos competitivos?
Este método se basa en algunas suposiciones, como la suposición de censura independiente. Esto significa que el motivo por el que alguien deja de ser seguido o finaliza el estudio no debe depender del evento ni de otros eventos. Si esta suposición es incorrecta, los resultados podrían ser incorrectos, por lo que es importante verificar si es verdadera.
¿Cuáles son las opciones de software para realizar análisis de riesgos competitivos?
En R, existen paquetes como “cmprsk”, “survival” y “timereg” para el análisis de riesgos competitivos. Estas herramientas ayudan a estimar el CIF, ajustar diferentes modelos y realizar otros análisis. Facilitan el uso del análisis de riesgos competitivos en campos como la medicina, la epidemiología y la bioestadística.
Enlaces de origen
- https://www.mcw.edu/-/media/MCW/Departments/Biostatistics/TR070.pdf
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4223609/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9537087/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2760993/
- https://www.ispor.org/docs/default-source/publications/value-outcomes-spotlight/march-april-2017/vos-introduction-to-competing-risks.pdf?sfvrsn=df640ab6_2
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2654314/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10446108/
- https://www.nature.com/articles/6602102
- https://www.publichealth.columbia.edu/research/population-health-methods/competing-risk-analysis
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3310382/
- https://cran.r-project.org/web/packages/cmprsk/cmprsk.pdf
- https://www.mdpi.com/2227-7390/11/17/3772
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7665273/
- https://statisticalhorizons.com/for-causal-analysis-of-competing-risks/
- https://www.frontiersin.org/journals/oncology/articles/10.3389/fonc.2024.1360266/full
- https://journal.r-project.org/archive/2020/RJ-2021-010/RJ-2021-010.pdf
- https://support.sas.com/resources/papers/proceedings15/SAS1855-2015.pdf
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4608382/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8745772/
- https://bmcmedresmethodol.biomedcentral.com/articles/10.1186/1471-2288-11-86
- https://cran.r-project.org/web/packages/survival/vignettes/compete.pdf
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11024219/
- https://www.stata.com/meeting/boston10/boston10_gutierrez.pdf
- https://www.nature.com/articles/s41598-024-54149-y
- https://stackoverflow.com/questions/75424939/cumulative-incidence-plot-for-two-groups-with-no-competing-risk