Modelo de riesgos proporcionales de Cox: guía ilustrada para la investigación de enfermedades crónicas

Publicado el 20 de junio de 2026 | Última actualización: 10 de agosto de 2026

Una residente de cardiología con 340 pacientes con insuficiencia cardíaca y un período de seguimiento de cinco años necesita más que una simple comparación de dos promedios. Necesita saber cuánto más rápido o más lento los pacientes que toman un nuevo anticoagulante alcanzan un accidente cerebrovascular o la muerte en comparación con el anterior, ajustando por edad, función renal y eventos previos, todo a la vez, utilizando el tiempo de seguimiento de cada paciente, incluso para aquellos que seguían vivos cuando finalizó el estudio. El modelo de riesgos proporcionales de Cox responde precisamente a esa pregunta. Introducido por el estadístico británico David Cox en 1972, sigue siendo el método estándar para datos de tiempo hasta el evento en cardiología, oncología, nefrología y la mayoría de los demás campos basados ​​en resultados de supervivencia, y produce la razón de riesgo, el único número que convierte un conjunto de datos de seguimiento en una declaración sobre el riesgo relativo a lo largo del tiempo.

Esta guía explica la mecánica detrás de la razón de riesgo, la función de riesgo, el riesgo basal que el modelo deja sin especificar y el supuesto de riesgos proporcionales junto con la prueba de residuos de Schoenfeld utilizada para verificarlo. Un ejemplo práctico completo ajusta un modelo de Cox a un conjunto de datos reales de un ensayo clínico sobre cáncer de pulmón, documentado públicamente y calculado directamente para este artículo en lugar de copiado de una fuente secundaria. A continuación, se presenta un segundo ejemplo que muestra qué sucede con la razón de riesgo cuando una covariable que cambia durante el seguimiento, el estado de trasplante de órganos, se modela como si estuviera fija al inicio. La selección de covariables, la codificación continua frente a la categórica, los modelos estratificados y la cuestión de los eventos por variable completan el texto, cada uno respaldado por una cita con un número específico y verificable en lugar de una referencia vaga a investigaciones previas.

Puntos Clave

• El modelo de riesgos proporcionales de Cox estima una razón de riesgo para cada covariable sin asumir ninguna forma particular para el riesgo basal a lo largo del tiempo, propiedad que lo hace semiparamétrico en lugar de totalmente paramétrico.
• Aplicado directamente al conjunto de datos del ensayo de cáncer de pulmón NCCTG de 228 pacientes para esta guía, un modelo de Cox de tres covariables arroja una razón de riesgo de 1.590 (IC del 95%: 1.273 a 1.986) por cada aumento de un punto en el estado funcional ECOG y de 0.575 (IC del 95%: 0.414 a 0.799) para el sexo femenino frente al masculino.
• Los residuos de Schoenfeld, que se prueban mediante la función cox.zph integrada en el paquete survival de R, siguen siendo la forma estándar de comprobar si se cumple el supuesto de riesgos proporcionales para cada covariable y para el modelo en su conjunto.
• Modelar una covariable que cambia durante el seguimiento, como recibir un trasplante de órgano, como si fuera fija al momento de la inscripción, infló una razón de riesgo aparentemente protectora de 0.180 en una demostración con datos reales de trasplantes de corazón de Stanford que se presenta más adelante en esta guía, en comparación con una razón de riesgo de 1.016 una vez que la misma covariable se codificó correctamente como variable en el tiempo.
• Diez eventos por covariable es un mínimo razonable para la estabilidad del modelo, aunque un estudio de simulación de 2007 publicado en el American Journal of Epidemiology descubrió que el mínimo real depende del tamaño total de la muestra y de la claridad con la que los predictores separan el resultado.

Qué es lo que realmente estima el modelo de riesgos proporcionales de Cox

Todo modelo de supervivencia necesita una forma de describir el riesgo que cambia en cada instante, en lugar de una única probabilidad global. La función de riesgo, escrita h(t), hace precisamente eso, proporcionando la tasa instantánea a la que ocurre el evento en el tiempo t entre las personas que no han experimentado el evento hasta ese momento. Un riesgo de 0.02 por mes significa que, entre los pacientes que aún están en riesgo en ese momento, cerca del 2 % experimentará el evento durante el mes siguiente si esa tasa se mantiene constante a lo largo del intervalo.

David Cox construyó una estructura de regresión en torno a ese riesgo en su artículo de 1972, “Regression Models and Life-Tables”, publicado en el Journal of the Royal Statistical Society y citado más de 36 000 veces desde entonces, sin imponer ninguna suposición sobre la forma base del riesgo. Para una persona con valores de covariables x₁ a xₖ, el modelo escribe el riesgo como h(t) = h₀(t) × exp(b₁x₁ + b₂x₂ + … + bₖxₖ), donde h₀(t) es el riesgo base, la trayectoria de riesgo para alguien con todas las covariables iguales a cero, que se deja completamente sin especificar. Cada efecto de covariable entra a través del término exponencial, y como h₀(t) se cancela con la razón entre los riesgos de dos personas cualesquiera, el modelo estima las razones de riesgo sin tener que estimar nunca el riesgo base en sí. Los estadísticos llaman a esa propiedad semiparamétrica, y explica por qué el modelo de Cox domina el análisis de supervivencia clínica sobre alternativas totalmente paramétricas como la regresión de Weibull, que requieren que un analista se comprometa con una forma para h₀(t) que el riesgo biológico real rara vez sigue exactamente.

Al exponenciar un único coeficiente, exp(b₁), se obtiene la razón de riesgo que se reporta en los estudios clínicos. Un coeficiente de 0.405 para una variable de tratamiento binaria se traduce en una razón de riesgo de 1.50, lo que significa que el grupo tratado enfrenta un riesgo instantáneo un 50 % mayor que el grupo de referencia en cada punto del seguimiento donde se cumple la proporcionalidad.

Datos de tiempo hasta el evento, censura y por qué la regresión ordinaria se queda corta

Un resultado de tiempo hasta el evento contiene dos datos vinculados: si el evento ocurrió y cuánto tiempo tardó en ocurrir. La regresión lineal no puede utilizar este par correctamente, y la regresión logística descarta por completo la información temporal, agrupando a un paciente que falleció el día 12 y a otro que falleció el día 1,200 en la misma categoría de "evento ocurrido". Ninguno de los dos enfoques aborda una complicación inherente a casi todos los conjuntos de datos de supervivencia: algunos sujetos abandonan el estudio, alcanzan su finalización prevista o se pierden en el seguimiento antes de que ocurra el evento.

Los estadísticos denominan a esta situación censura por la derecha, y no significa que el dato falte o sea erróneo. Un paciente al que se le realiza un seguimiento durante ocho años sin recurrencia aporta ocho años completos de tiempo libre de eventos al análisis, información que un método basado únicamente en "sí, ocurrió" o "no, no ocurrió" desperdiciaría. Los fundamentos del análisis de supervivencia, que se tratan en otras secciones de este sitio, se basan en la suposición de que la censura es independiente del riesgo subyacente, lo que significa que un paciente censurado en el mes 20 conlleva, en promedio, el mismo riesgo futuro que alguien que sigue siendo seguido activamente en el mes 20. Si los pacientes más enfermos abandonaran el estudio con mayor frecuencia que los más sanos, se violaría esta suposición, y todos los resultados posteriores del modelo de Cox heredarían el sesgo resultante.

La censura por la izquierda y la censura por intervalos aparecen con menos frecuencia en la regresión de Cox clínica, siendo más relevantes en diseños específicos, como cuando un biomarcador superó un umbral en un punto desconocido antes de la primera medición, en lugar de en un momento documentado. Definir de forma consistente el indicador de evento y la variable de tiempo antes de comenzar el modelado previene un tipo de error que ninguna sofisticación estadística posterior puede corregir.

Interpretación de las razones de riesgo de un modelo de Cox

Interpretar correctamente un cociente de riesgos implica evitar dos errores de interpretación comunes. Un cociente de riesgos no describe cuánto antes ocurre un evento, ni es lo mismo que un cociente de riesgos medido a lo largo de todo el período de estudio. Describe el riesgo relativo en cada instante, y bajo el supuesto de riesgos proporcionales, dicho cociente se aplica de manera uniforme durante todo el período de seguimiento, en lugar de variar de un mes a otro.

Para una covariable binaria como la asignación de tratamiento, un cociente de riesgos de 0.70 significa que el grupo tratado enfrenta un riesgo instantáneo un 30 % menor que el grupo de control en cualquier momento dado. Para una covariable continua como la edad en años, ese mismo 0.70 se aplica a un aumento de un año y se acumula multiplicativamente en diferencias mayores, por lo que una diferencia de edad de diez años conlleva un cociente de riesgos de 0.70 elevado a la décima potencia, muy lejos de 0.70 multiplicado por diez. Los gráficos de bosque a veces se interpretan como si el cociente de riesgos fuera un multiplicador de velocidad en la progresión de la enfermedad en sí, pero el modelo nunca estima la rapidez con la que avanza la enfermedad de un paciente individual. Estima una razón de tasas de eventos entre grupos, ni más ni menos.

Ejemplo práctico: Ajuste de un modelo de Cox a datos reales de un ensayo clínico sobre cáncer de pulmón.

En lugar de reproducir los números hipotéticos de un libro de texto, el modelo que se muestra a continuación se ejecuta en un conjunto de datos genuino y documentado públicamente, la cohorte de cáncer de pulmón NCCTG que se incluye en R. survival Pack Loprinzi y sus colegas publicaron el estudio original en el Journal of Clinical Oncology en 1994.Se evaluó si un cuestionario completado por el paciente aportaba información pronóstica adicional a la evaluación del médico en una cohorte de 1,115 pacientes con cáncer de pulmón o colorrectal avanzado en el North Central Cancer Treatment Group. El subconjunto integrado en R abarca a 228 de esos pacientes con cáncer de pulmón, registrando el tiempo de supervivencia en días junto con la edad, el sexo y el estado funcional ECOG, una escala calificada por el médico que va de 0 (totalmente activo) a 4 (postrado en cama).

Colocación coxph(Surv(time, status) ~ age + sex + ph.ecog, data = lung) En esos pacientes, 227 una vez que se elimina un registro incompleto del estado de rendimiento, se obtienen los índices de riesgo que se muestran a continuación, exactamente como se calcularon para esta guía.

Dos patrones destacan. La edad por sí sola, ajustada sin ningún otro factor en el modelo, presenta un cociente de riesgos de 1.019 (IC del 95%: 1.001 a 1.037, p=0.042), alcanzando significación estadística por sí misma. Una vez que el sexo y el estado funcional entran en el mismo modelo, el cociente de riesgos de la edad se reduce a 1.011 y su valor p aumenta a 0.232, sin poder distinguirse ya de la ausencia total de efecto. La edad nunca fue un predictor independiente fuerte en esta cohorte; solo lo parecía de forma aislada porque compartía varianza con el estado funcional, el tipo de patrón que el ajuste multivariable está diseñado para desentrañar. El estado funcional domina el modelo ajustado, ya que cada disminución de un paso en la capacidad funcional aumenta el riesgo en un 59%, y el sexo muestra una brecha sustancial y estadísticamente significativa por sí solo: las mujeres de esta cohorte enfrentan un riesgo un 43% menor que los hombres durante todo el período de seguimiento. El estadístico de concordancia del modelo, una medida de la frecuencia con la que clasifica correctamente cuál de dos pacientes elegidos al azar falleció primero, resultó ser de 0.637, lo que significa que las tres covariables juntas separan a los pacientes de mayor riesgo de los de menor riesgo de forma notablemente mejor que lanzar una moneda al aire, pero lejos de una clasificación perfecta.

Prueba del supuesto de riesgos proporcionales con residuos de Schoenfeld

Cada razón de riesgo reportada en un modelo de Cox se basa en un supuesto fundamental: que la razón de riesgos entre dos valores de covariables cualesquiera se mantiene constante durante todo el período de seguimiento. Un tratamiento que reduce drásticamente el riesgo en el primer mes, pero que converge con el grupo de control al segundo año, no tiene una única razón de riesgo honesta; promediar ese cambio produce un valor que no refleja fielmente ni el período inicial ni el final.

Artículo de David Schoenfeld publicado en Biometrika en 1982 Introdujo los residuos que ahora llevan su nombre, uno por covariable por tiempo de evento, que no deberían mostrar ninguna tendencia a lo largo del tiempo si se cumple el supuesto de riesgos proporcionales para esa covariable. Patricia Grambsch y Terry Therneau formalizaron el estadístico de prueba en un artículo de Biometrika de 1994. ahora citado más de 4,700 veces, correlaciona los residuos de Schoenfeld escalados con el tiempo o una transformación del tiempo para producir una prueba de chi-cuadrado por covariable más una prueba global para el modelo en general. R implementa la prueba de Grambsch-Therneau como cox.zph()y al ejecutarlo contra el modelo de cáncer de pulmón de tres covariables anterior, se obtienen los resultados que se muestran a continuación.

Ninguno de los cuatro valores p de esa tabla cae por debajo del umbral convencional de 0.05, por lo que este modelo en particular no ofrece una razón estadística sólida para dudar de la proporcionalidad para la edad, el sexo o el estado de rendimiento, ya sea individualmente o en conjunto. Un gráfico log-log ofrece un complemento gráfico a la prueba numérica, representando log(−log(S(t))) frente a log(t) por separado para cada nivel de una covariable categórica; las curvas paralelas respaldan los riesgos proporcionales, mientras que las curvas que se cruzan o convergen visiblemente apuntan a una violación que la prueba de Schoenfeld también puede señalar. Cuando una covariable no supera esta verificación, dos soluciones prácticas cubren la mayoría de las situaciones: dividir el tiempo de seguimiento para que el coeficiente de la covariable pueda diferir antes y después de algún punto, o trasladar la variable problemática a un modelo estratificado en lugar de estimar un único coeficiente para ella, un enfoque que se abordará más adelante en esta guía.

Selección de covariables y predictores continuos frente a categóricos

Un modelo de Cox no tolera una lista ilimitada de predictores, independientemente del número de pacientes en el conjunto de datos. Una simulación de 1996, basada en un ensayo cardíaco real con 673 pacientes, 252 fallecimientos y siete predictores candidatos (una razón de eventos por variable de 36 para la muestra completa), reveló que el remuestreo a 2 eventos por variable producía coeficientes sesgados e intervalos de confianza que dejaban de cubrir el valor real a la tasa indicada. Diez eventos por covariable se convirtió en la regla general resultante. Vittinghoff y McCulloch retomaron la cuestión en un estudio de simulación publicado en 2007 en el American Journal of Epidemiology y hallaron que existen circunstancias en las que la cobertura del intervalo de confianza y el sesgo se mantienen dentro de límites aceptables muy por debajo de 10 eventos por variable, concluyendo que el tamaño total de la muestra y la claridad con la que los predictores separan el resultado son tan importantes como la razón EPV bruta. Considere 10 EPV como un límite inferior que conviene verificar antes de finalizar un modelo, no como una garantía de que un modelo por encima de ese límite sea automáticamente fiable.

Codificar un predictor continuo como una división de sí/no alrededor de un punto de corte, convirtiendo la edad en "mayores de 65" frente a "menores de 65", parece más sencillo de presentar, pero descarta información que el modelo de Cox fue diseñado para utilizar. El artículo de Royston, Altman y Sauerbrei de 2006, publicado en Statistics in Medicine y citado casi 1,900 veces, demostró que dicotomizar un predictor continuo reduce la potencia estadística y puede dejar confusión residual, especialmente cuando el punto de corte se elige después de analizar los datos en lugar de fijarse de antemano por razones clínicas. Mantener un predictor continuo, permitiendo opcionalmente una relación curva en lugar de estrictamente lineal con el logaritmo del riesgo mediante una función spline o un término polinómico fraccional, generalmente conserva mejor la información que los datos pueden proporcionar que cualquier división en dos grupos.

Los términos de interacción merecen el mismo tratamiento minucioso. Una razón de riesgo para un tratamiento que difiere según la gravedad de la enfermedad al inicio del estudio requiere un término de interacción tratamiento-gravedad en el modelo, en lugar de dos razones de riesgo separadas que se informan para dos análisis de subgrupos realizados de forma independiente, ya que los análisis de subgrupos aumentan la probabilidad de un hallazgo espurio de "significativo en un grupo pero no en el otro", que un término de interacción, probado directamente, probablemente mostraría que no es estadísticamente distinguible en absoluto.

Covariables que varían con el tiempo en el modelo de Cox

Algunas covariables no permanecen estáticas durante el seguimiento. El estado del tratamiento de un paciente, la etapa de la enfermedad o el valor de laboratorio medido repetidamente a lo largo de los años cambian mientras el tiempo sigue corriendo, y codificar una covariable de ese tipo solo en su valor basal, y luego tratarla como fija para el resto del seguimiento, puede distorsionar drásticamente una razón de riesgo. La solución estándar organiza el conjunto de datos al estilo de un proceso de conteo, una fila por intervalo durante el cual nada cambió en las covariables, utilizando Surv(start, stop, event) en R en lugar del más simple Surv(time, status) formato utilizado anteriormente en esta guía.

Los datos de trasplantes de corazón de Stanford, recopilados por John Crowley y Marie Hu para un artículo de 1977 publicado en el Journal of the American Statistical Association. citado más de 370 veces y ahora incorporado en R como el heart El conjunto de datos demuestra la distorsión directamente. Al modelar 103 pacientes y 75 muertes con el estado de trasplante codificado incorrectamente como una covariable de referencia fija, comparando a los pacientes según el estado que finalmente alcanzaron, se obtiene una razón de riesgo de 0.180 (IC del 95 %: 0.104 a 0.310, p < 0.001) para el trasplante, un beneficio de supervivencia aparentemente potente y altamente significativo. Al recodificar los mismos datos en formato de proceso de conteo, de modo que el trasplante solo se "active" en el historial de covariables de un paciente en la fecha real en que recibió uno, y reajustar coxph(Surv(start, stop, event) ~ transplant + age + surgery, data = heart) En cambio, devuelve una razón de riesgo de 1.016 (IC del 95%: 0.555 a 1.861, p=0.958), estadísticamente indistinguible de la ausencia total de efecto.

La brecha entre esas dos filas tiene un nombre, sesgo de tiempo inmortal, y parece deberse a que un paciente debe sobrevivir el tiempo suficiente para recibir un trasplante antes de que esa covariable pueda cambiar a "sí". La codificación solo de referencia acredita silenciosamente al grupo de trasplantes el tiempo de supervivencia que los pacientes necesitaban solo para ser elegibles, tiempo que ningún paciente comparable "no trasplantado" podría acumular bajo la misma regla. Jones y Fowler demostraron la misma distorsión en un estudio de 2017 del Journal of Critical Care utilizando datos reales sobre el tratamiento con oseltamivir en pacientes con influenza en estado crítico, donde los modelos estándar de regresión logística y de Cox sugirieron un efecto protector contra la mortalidad que desapareció por completo una vez que un modelo de Cox dependiente del tiempo tuvo en cuenta el hecho de que los pacientes tenían que sobrevivir para recibir realmente el medicamento, el mismo patrón que muestran los datos de trasplante de corazón mencionados anteriormente.

Modelos de Cox estratificados para variables que no deberían tener un coeficiente.

En ocasiones, una variable es claramente relevante para la supervivencia, pero no es la variable para la que se busca un cociente de riesgos, como por ejemplo el centro hospitalario en un ensayo multicéntrico, o una covariable cuyos residuos de Schoenfeld indican una clara violación del principio de riesgos proporcionales que una transformación no puede corregir. Un modelo de Cox estratificado aborda ambas situaciones al permitir que cada estrato tenga su propia función de riesgo basal, completamente independiente, mientras que cada covariable, excepto la variable de estratificación, mantiene un único coeficiente común a todos los estratos.

Reajustando el ejemplo del cáncer de pulmón con coxph(Surv(time, status) ~ age + ph.ecog + strata(sex), data = lung) estratifica por sexo en lugar de estimar un coeficiente para él. La edad arroja una razón de riesgo de 1.011 (IC del 95 %: 0.993 a 1.029, p = 0.253) y el estado de desempeño arroja 1.588 (IC del 95 %: 1.268 a 1.988, p < 0.001), ambos cercanos a las estimaciones no estratificadas, lo cual tiene sentido dado que la prueba de Schoenfeld anterior no mostró evidencia sólida de que el sexo en sí mismo viole la proporcionalidad en este conjunto de datos. Qué cambia es la pregunta que el modelo puede responder. Un modelo estratificado ya no puede informar una razón de riesgo para el sexo, ya que el sexo ahora define riesgos basales separados en lugar de actuar como una covariable, una compensación que vale la pena hacer deliberadamente solo cuando el efecto propio de la variable de estratificación no es el que un estudio necesita informar.

Errores comunes que perjudican un análisis de regresión de Cox.

• Informar sobre una razón de riesgo sin haber realizado nunca una comprobación de riesgos proporcionales. Un único número promediado durante un período de seguimiento en el que el efecto real cambia sustancialmente puede tergiversar el riesgo tanto al principio como al final de ese período.
• Incluir más covariables de las que permite el número de eventos. Un modelo de Cox con doce predictores aplicado a cuarenta eventos produce varios coeficientes que no son más fiables que el ruido, independientemente del tamaño aparente de la muestra total en la portada.
• Interpretar el índice de riesgo como una afirmación sobre el momento oportuno. Un índice de riesgo de 2.0 significa el doble de riesgo instantáneo, no que el evento ocurra el doble de rápido, y estas dos ideas se confunden constantemente en las discusiones clínicas.
• Codificar una exposición variable en el tiempo como si estuviera fija en el valor inicial. La comparación de trasplantes de corazón que se presenta anteriormente en esta guía muestra hasta qué punto una sola elección puede distorsionar la relación de riesgos, llegando incluso a revertir por completo la conclusión clínica.
• Dicotomizar una variable predictora continua en torno a un punto de corte conveniente o derivado de los datos. La potencia estadística disminuye y la confusión residual vuelve a aparecer, exactamente el resultado que Royston, Altman y Sauerbrei cuantificaron en su artículo de 2006 citado anteriormente.
• Tratar un evento de la competencia como censura ordinaria. Un paciente que fallece por una causa no relacionada antes de que se produzca el resultado de interés no es lo mismo que un paciente que se pierde durante el seguimiento, y un enfoque estándar de Kaplan-Meier o Cox que ignore la diferencia sobreestima la incidencia acumulada del evento que realmente se está estudiando.

Extensiones más allá del modelo básico de Cox

La investigación sobre enfermedades crónicas suele encontrarse con situaciones que el modelo básico de Cox no está diseñado para manejar por sí solo. Los riesgos competitivos surgen cuando un paciente puede experimentar más de un tipo de evento terminal o absorbente; por ejemplo, cuando la muerte cardiovascular compite con la muerte por cáncer en una cohorte oncológica, y tratar una como censura ordinaria para la otra infla la incidencia acumulada estimada. El marco de riesgos competitivos, que se aborda con mayor profundidad en otras secciones de este sitio web, reemplaza la estimación simple de Kaplan-Meier con una función de incidencia acumulada diseñada precisamente para manejar esta situación.

Los pacientes que transitan por múltiples estados clínicos distintos, desde el diagnóstico hasta la remisión, la recaída y la muerte, en lugar de un único evento terminal, requieren el enfoque de modelado de enfermedad-muerte y de múltiples estados , que extiende la misma lógica basada en el riesgo a través de varias transiciones en lugar de una. Los estudios que recopilan un biomarcador repetido junto con el tiempo de supervivencia, en lugar de un puñado de covariables basales fijas, a menudo se ajustan mejor con un modelo conjunto que vincula la trayectoria longitudinal directamente con el riesgo del evento , un enfoque que maneja el error de medición y el momento irregular de las visitas con más cuidado que simplemente introducir el último valor del biomarcador observado en un modelo de Cox estándar. Los datos de eventos recurrentes, las hospitalizaciones repetidas en lugar de un único resultado terminal y los términos de fragilidad para el riesgo compartido no observado dentro de las familias o clínicas extienden aún más el modelo, cada uno abordando una forma específica en que los datos clínicos reales se desvían de un único resultado de tiempo hasta el evento independiente por paciente.

Obtención de respaldo estadístico para el análisis de regresión de Cox.

Algunos modelos de Cox son rutinarios: tres covariables bien elegidas y un número adecuado de eventos en relación con la lista de predictores. Otros implican exposiciones variables en el tiempo, riesgos competitivos, datos agrupados de múltiples sitios o una violación de riesgos proporcionales que requiere un modelo estratificado o extendido en lugar de un simple reajuste. Los estadísticos de Editverse se encargan de todo, desde verificar si un análisis planificado tiene suficientes eventos por covariable hasta redactar la descripción de los métodos y resultados que un comité de tesis o un revisor de revista realmente leerá.

Conclusión

Cada número que produce un modelo de Cox se remonta a una razón de riesgo a la vez, calculada sin que el analista tenga que adivinar la forma inicial del riesgo, y verificada, no asumida, con respecto a la condición de riesgos proporcionales que hace que una sola razón sea significativa a lo largo de todo el período de seguimiento. Ajustado aquí a un conjunto de datos reales de un ensayo clínico sobre cáncer de pulmón, disponible públicamente, en lugar de una tabla hipotética, el modelo arrojó exactamente el tipo de patrón que justifica el ajuste multivariable: un predictor significativo por sí mismo que dejó de ser relevante una vez que se incorporaron mejores predictores al modelo, junto con un efecto del estado de rendimiento que se mantuvo sólido en todo momento.

Las decisiones de codificación conllevan consecuencias tan reales como las matemáticas del modelo. La comparación de trasplantes de corazón de Stanford, mencionada anteriormente en esta guía, transformó un efecto nulo en un beneficio aparentemente potente y estadísticamente significativo simplemente por un manejo inadecuado del momento en que se permitió que una covariable cambiara, una distorsión con nombre, un sesgo de tiempo inmortal y un historial documentado de conclusiones clínicas reales engañosas hasta que un modelo dependiente del tiempo lo corrigió. Construir un modelo de Cox que resista un análisis riguroso implica tratar la selección de covariables, la verificación de riesgos proporcionales y la codificación de cualquier cambio durante el seguimiento como decisiones de diseño igualmente importantes, y no como consideraciones secundarias que se aplican una vez que la razón de riesgo principal ya parece publicable.

Referencias

1. Cox DR. Modelos de regresión y tablas de vida. Serie B de la Sociedad Estadística JR. 1972;34(2):187-202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
2. Loprinzi CL, Laurie JA, Wieand HS, et al. Evaluación prospectiva de variables pronósticas a partir de cuestionarios completados por pacientes. Grupo de Tratamiento del Cáncer del Centro Norte. J Clin Oncol. 1994;12(3):601-607. https://doi.org/10.1200/JCO.1994.12.3.601
3. Schoenfeld D. Residuos parciales para el modelo de regresión de riesgos proporcionales. Biometrika. 1982;69(1):239-241. https://doi.org/10.1093/biomet/69.1.239
4. Grambsch PM, Therneau TM. Pruebas y diagnósticos de riesgos proporcionales basados ​​en residuos ponderados. Biometrika. 1994;81(3):515-526. https://doi.org/10.1093/biomet/81.3.515
5. Vittinghoff E, McCulloch CE. Relajación de la regla de diez eventos por variable en la regresión logística y de Cox. Am J Epidemiol. 2007;165(6):710-718. https://pubmed.ncbi.nlm.nih.gov/17182981/
6. Royston P, Altman DG, Sauerbrei W. Dicotomizar predictores continuos en la regresión múltiple: una mala idea. Stat Med. 2006;25(1):127-141. https://doi.org/10.1002/sim.2331
7. Crowley J, Hu M. Análisis de covarianza de datos de supervivencia de trasplantes cardíacos. J Am Stat Assoc. 1977;72(357):27-36. https://doi.org/10.1080/01621459.1977.10479903
8. Jones M, Fowler R. Sesgo de tiempo inmortal en estudios observacionales de resultados de tiempo hasta el evento. J Cuidado crítico. 2017; 36: 195-199. https://pubmed.ncbi.nlm.nih.gov/27546771/