Publicado | Última actualización:
¿Sabías que el análisis de supervivencia , como el método de Kaplan-Meier, es fundamental para comprender la evolución de los pacientes con cáncer? Se utiliza para calcular el tiempo que transcurre hasta que ocurre un evento determinado, como la muerte o la reaparición del cáncer. Estos métodos proporcionan información vital sobre la esperanza de vida de un grupo de personas o animales, lo que ayuda a los médicos a elaborar mejores planes de atención.
Este artículo le guiará a través del análisis de supervivencia de Kaplan-Meier en oncología. Aprenderá los fundamentos del análisis de supervivencia , cómo interpretar las curvas de Kaplan-Meier y cómo comparar las tasas de supervivencia. Al finalizar, comprenderá la importancia de esta herramienta para la investigación del cáncer y la atención al paciente.
Puntos Clave
- El análisis de supervivencia de Kaplan-Meier es una poderosa técnica estadística para evaluar el tiempo hasta que ocurre un evento específico, como la muerte o la recurrencia de una enfermedad.
- El función de supervivencia Proporciona información sobre la probabilidad de que el evento no haya ocurrido en un momento determinado, ofreciendo información valiosa sobre las características de supervivencia de una población.
- El análisis de supervivencia en oncología se basa en métodos de procesamiento de datos no paramétricos, como la estimación de Kaplan-Meier y los modelos de regresión de riesgos proporcionales de Cox.
- Censurando, donde falta información completa para cada sujeto, es un desafío común en los estudios oncológicos, y comprender cómo manejar los datos censurados es crucial.
- El prueba de rango logarítmico Es un método ampliamente utilizado para comparar curvas de supervivencia de diferentes grupos en investigación oncológica.
Introducción al análisis de supervivencia
Definición y motivación
El análisis de supervivencia es una forma de estudiar cuánto tiempo tarda en ocurrir un evento. Este evento puede ser de muchas cosas, como la muerte, la reaparición de una enfermedad o la rotura de un producto. La razón principal de este análisis es observar datos en los que el tiempo transcurrido hasta que ocurre un evento es el foco principal. Es posible que algunas personas no hayan tenido el evento al final del estudio, lo que se denomina datos censurados.
Aplicaciones en Oncología
En oncología, el análisis de supervivencia ayuda a entender cuánto tiempo tardan las enfermedades en reaparecer, empeorar o en morir los pacientes. Al observar estos tiempos, los investigadores aprenden sobre la enfermedad y cómo funcionan los tratamientos. Esto ayuda a los médicos a tomar mejores decisiones para los pacientes y conduce a mejores tratamientos contra el cáncer.
El estudio de los datos de tiempo hasta el evento en oncología es fundamental para comprender la eficacia de los nuevos tratamientos. Métodos como el de Kaplan-Meier ayudan a analizar la progresión de las enfermedades y el fallecimiento de los pacientes. Esto permite a los investigadores comparar los tratamientos para determinar cuáles son los más efectivos.
| Conceptos clave en el análisis de supervivencia | Definiciones |
|---|---|
| Función de supervivencia | Representa la probabilidad de sobrevivir más allá de un punto temporal determinado. |
| Función de peligro | Describe la probabilidad de que un evento (como la muerte) ocurra en un momento específico, dada la supervivencia hasta ese momento. |
| Censurando | Ocurre cuando el evento de interés No se ha observado en algunos individuos al final del período de estudio. |
El análisis de supervivencia ayuda a los investigadores oncológicos a encontrar mejores tratamientos contra el cáncer y mejorar la atención al paciente.
Censura en los datos de supervivencia
En el análisis de supervivencia, la censura es fundamental para la comprensión. Significa que algunas personas no experimentan el evento durante el estudio. Esto puede deberse a que abandonaron el estudio, se perdieron o no experimentaron el evento al finalizar.
Existen tres tipos principales de censura: censura por la derecha , censura por la izquierda y censura por intervalos . La censura por la derecha implica que el evento no ocurrió al finalizar el estudio. La censura por la izquierda implica que ocurrió antes de que comenzara el estudio. La censura por intervalos implica que el evento tuvo lugar entre dos momentos conocidos, pero se desconoce el momento exacto.
En el análisis de supervivencia, es fundamental tratar las observaciones censuradas . Esto nos permite utilizar datos incompletos y obtener mejores estimaciones de la probabilidad de supervivencia . Si ignoramos estos datos, nuestros resultados estarán sesgados, lo que hará que el tiempo de supervivencia parezca más corto de lo que realmente es.
| Tipo de censura | Mareas Ideales para Lecciones |
|---|---|
| Censura de derecha | Al final del estudio el evento no se ha producido. |
| Censura de izquierda | El evento ocurrió antes del inicio del estudio. |
| Censura de intervalo | El suceso ocurrió entre dos puntos de observación y se desconoce la hora exacta. |
Métodos como el estimador de Kaplan-Meier y el modelo de riesgos proporcionales de Cox son útiles para analizar observaciones censuradas . Permiten a los investigadores utilizar datos incompletos para obtener estimaciones precisas de la probabilidad de supervivencia . Esto es fundamental para tomar decisiones médicas informadas.
Curva de supervivencia, censura, índice de riesgo
En el análisis de supervivencia, la función de supervivencia S(t) es fundamental. Muestra la probabilidad de que un individuo sobreviva desde el inicio hasta un tiempo t determinado. Este concepto nos ayuda a comprender cómo sobrevive el grupo de estudio a lo largo del tiempo.
La función de riesgo h(t) muestra la tasa de eventos para quienes han llegado al tiempo t. Nos informa sobre las probabilidades de fracaso en cualquier momento dado. Esto nos ayuda a elegir el modelo de supervivencia adecuado.
Función de supervivencia y probabilidad
La función de supervivencia S(t) es fundamental en el análisis de supervivencia. Nos permite determinar las probabilidades de supervivencia en un momento dado. Esta información es clave para comprender la progresión de las enfermedades, la eficacia de los tratamientos y la evolución de los pacientes.
Manejo de observaciones censuradas
Las observaciones censuradas son problemáticas porque desconocemos cuándo dejaron de sobrevivir. Sin embargo, métodos como el estimador de Kaplan-Meier pueden trabajar con estos datos, ya que utilizan la información disponible sobre dichas observaciones. De esta forma, obtenemos mejores estimaciones de la tasa de supervivencia y de riesgo, incluso con datos censurados.
| Característica | Mareas Ideales para Lecciones |
|---|---|
| Función de supervivencia (S(t)) | Muestra la probabilidad de que un individuo sobreviva desde el principio hasta un tiempo futuro t. |
| Función de riesgo (altura (t)) | Muestra la tasa de eventos para aquellos que han sobrevivido hasta el momento t. Nos da una idea de las tasas de fracaso. |
| Observaciones censuradas | Estos ocurren cuando no sabemos cuándo dejaron de sobrevivir determinados individuos y dificultan el análisis de supervivencia. |
“El análisis de supervivencia es un procedimiento estadístico donde la variable de resultado de interés es el tiempo transcurrido hasta que ocurre un evento”.
Estimador de Kaplan-Meier
El estimador de Kaplan-Meier es un método clave para el análisis de supervivencia. Se utiliza al trabajar con observaciones censuradas . Este método, también conocido como método del producto límite , ayuda a estimar la función de supervivencia paso a paso. Muestra la probabilidad de supervivencia a lo largo del tiempo.
Derivación del estimador de Kaplan-Meier
El estimador de Kaplan-Meier analiza la probabilidad de supervivencia de un momento a otro. Luego, multiplica estas probabilidades para obtener la probabilidad de supervivencia global . También considera las observaciones censuradas para un análisis más preciso.
Interpretación de las curvas de Kaplan-Meier
Las curvas de Kaplan-Meier muestran la probabilidad de supervivencia a lo largo del tiempo. Presentan escalones que representan la probabilidad de supervivencia en el eje Y y el tiempo en el eje X. Para comprender estas curvas, es necesario conocer su naturaleza escalonada, las observaciones censuradas y su significado. Se puede aprender sobre el tiempo medio de supervivencia y las probabilidades de supervivencia en momentos específicos.
El método de Kaplan-Meier es fundamental en el análisis de supervivencia, especialmente en estudios oncológicos . Ayuda a estimar y mostrar la supervivencia de pacientes con diferentes tratamientos.
| Estadísticamente | Valor |
|---|---|
| Estimación de Kaplan-Meier | Mide la fracción de sujetos que viven durante un período específico después del tratamiento. |
| Curva de supervivencia cálculo | Basado en la probabilidad de sobrevivir dentro de pequeños intervalos de tiempo |
| Aplicación | Comparación de las tasas de supervivencia entre diferentes intervenciones o tratamientos en ensayos clínicos o ensayos comunitarios |
| Supuestos | Perspectivas de supervivencia iguales para pacientes censurados y no censurados, probabilidades de supervivencia consistentes para reclutas tempranos y tardíos |
| Pruebas estadísticas | Prueba de rango logarítmico y la prueba de riesgo proporcional de Cox para comparar curvas de supervivencia |
| Resultados estadísticos | Número esperado de eventos, eventos observados y estadísticas de prueba para determinar diferencias en los resultados de supervivencia |
| Cálculo de probabilidad de supervivencia | Número de sujetos supervivientes dividido por el número “en riesgo” en cada intervalo de tiempo, con probabilidades acumuladas obtenidas multiplicando las probabilidades de supervivencia en todos los intervalos de tiempo anteriores |
| Mediana tiempo de supervivencia | Momento en el que la probabilidad total de supervivencia es 0.50 |
El estimador de Kaplan-Meier y sus curvas de supervivencia son fundamentales en el análisis de supervivencia. Ayudan a investigadores y clínicos a comprender y comparar la supervivencia de los pacientes en diferentes entornos médicos.
Comparación de curvas de supervivencia
Es fundamental analizar el desempeño de los distintos grupos en términos de supervivencia. Esto incluye grupos que reciben diferentes tratamientos. La prueba de log-rank nos ayuda a determinar si las tasas de supervivencia son estadísticamente significativas entre los grupos. Permite comprobar si las tasas de supervivencia son iguales o no.
Comprensión de la prueba de rango logarítmico
La prueba de log-rank considera los tiempos de supervivencia como si fueran secuenciales o continuos. Asume que el riesgo de un evento en un grupo, en comparación con otro, se mantiene constante a lo largo del tiempo. Además, no tiene en cuenta las observaciones censuradas, ya que no contribuyen al resultado de la prueba.
La prueba calcula una estadística comparando los eventos reales y esperados en cada grupo. Luego, proporciona un valor p para indicar si las curvas de supervivencia son significativamente diferentes.
Esta prueba ayuda a los investigadores a determinar si las curvas de supervivencia difieren significativamente. Esto es fundamental para tomar decisiones informadas en materia de salud y políticas sanitarias.
Por ejemplo, en un ensayo clínico para el cáncer colorrectal en estadio C de Dukes, la prueba de log-rank permite comparar la supervivencia del grupo tratado con ácido linoleico con la del grupo de control. Esto nos indica si las diferencias de supervivencia entre los grupos son estadísticamente significativas.
Modelo de riesgos proporcionales de Cox
En la investigación oncológica , el modelo de riesgos proporcionales de Cox es una herramienta fundamental. Ayuda a los investigadores a estudiar cómo diferentes factores afectan el riesgo de eventos a lo largo del tiempo. El modelo analiza la función de riesgo, que muestra la probabilidad de que ocurra un evento en un momento específico.
Función de riesgo: desentrañando los misterios del tiempo
El modelo de Cox ayuda a encontrar los cocientes de riesgo. Estos cocientes muestran la probabilidad de que ocurra un evento en un grupo en comparación con otro, considerando otros factores. En la investigación del cáncer, conocer estos factores es clave para tomar buenas decisiones.
Supuestos e interpretación: cómo sortear las complejidades
El modelo de Cox asume que las tasas de riesgo se mantienen siempre en la misma proporción a lo largo del tiempo. Si esto no es cierto, los resultados podrían ser erróneos. En tales casos, podría ser necesario un modelo diferente. Comprender los resultados del modelo implica entender la razón de riesgo y cómo la afectan los distintos factores.
El modelo de Cox es fundamental para los investigadores oncológicos, ya que les ayuda a ver cómo los factores de riesgo influyen en los resultados del tiempo transcurrido hasta que se produce el evento. Al comprender bien este modelo, los investigadores pueden tomar mejores decisiones y ayudar a los pacientes con cáncer de manera más eficaz.
Modelo de Cox estratificado
El modelo de riesgos proporcionales de Cox es una herramienta fundamental en el análisis de supervivencia. Sin embargo, cuando no se cumple el supuesto de riesgos proporcionales , el modelo estándar de Cox resulta insuficiente. En esos casos, entra en juego el modelo de Cox estratificado.
El modelo de Cox estratificado permite que la función de riesgo basal varíe entre los diferentes grupos. Mantiene los efectos de las covariables constantes en cada grupo. Esto resulta muy útil cuando no se cumple el supuesto de riesgos proporcionales , ya que nos permite estudiar cómo las covariables afectan la función de riesgo sin necesidad de dicho supuesto.
Este modelo es ideal para abordar riesgos no proporcionales . Esto significa que las tasas de riesgo no son las mismas para todos a lo largo del tiempo. Al agrupar los datos, el modelo puede manejar estas diferencias, lo que nos permite obtener mejores estimaciones de los efectos de las covariables.
Para utilizar el modelo de Cox estratificado , primero identifique las variables que incumplen el supuesto de riesgos proporcionales . A continuación, agrupe los datos según estas variables. El modelo analizará los efectos de las covariables , asumiendo que son iguales en cada grupo. Sin embargo, permitirá que la función de riesgo basal varíe.
Este método resulta muy útil en la investigación oncológica. En este campo, los efectos del tratamiento o los factores de riesgo pueden afectar de manera diferente a distintos grupos de pacientes. Mediante el modelo de Cox estratificado , los investigadores pueden comprender mejor cómo influyen estos factores en la supervivencia. Esto permite tomar decisiones terapéuticas más acertadas y diseñar planes de tratamiento personalizados para cada paciente.
En resumen, el modelo de Cox estratificado es una herramienta poderosa cuando el supuesto de riesgos proporcionales no se cumple. Ayuda a los investigadores a observar cómo diferentes grupos de pacientes se ven afectados por diversos factores. Esto permite un conocimiento más preciso de lo que influye en las tasas de supervivencia.
Estudio de caso: Datos sobre el cáncer de ovario
Esta sección analiza un caso práctico utilizando datos de cáncer de ovario de un estudio previo. Los datos abarcan 825 pacientes con carcinoma epitelial primario de ovario, a quienes se les realizó un seguimiento hasta finales del año 2000. Nos centramos en transformar el tiempo cronológico en un formato de análisis de supervivencia, especialmente considerando las observaciones censuradas y definiendo el momento en que ocurre el fallecimiento.
Una gran parte de los datos son el elevado número de casos censurados, que representan el 93% de los pacientes. Esto plantea dudas sobre la fiabilidad del análisis. Con tantas observaciones censuradas, es difícil sacar conclusiones sólidas a partir de los datos. Los estudios médicos a menudo se enfrentan a desafíos con conjuntos de datos en los que solo unos pocos pacientes alcanzan el criterio de valoración principal.
El uso del modelo de riesgos proporcionales de Cox es común en estos estudios. Sin embargo, se recomienda no tener más de una variable por cada diez eventos en el modelo. Esto puede ser un problema cuando se trata de pocos eventos como las muertes, lo que dificulta el ajuste de otros factores y la comprensión de los resultados.
| Factor | Cociente de riesgo | 95% CI | Coeficiente de regresión | P-valor |
|---|---|---|---|---|
| Escenario FIGO | 1.72 | 1.28-2.31 | 0.54 | |
| Histología (Mucinosa y Serosa) | 0.48 | 0.36-0.64 | -0.73 | |
| Grado (1-3) | 1.40 | 1.06-1.85 | 0.34 | 0.018 |
| Ascitis (Sí/No) | 1.57 | 1.18-2.08 | 0.45 | 0.002 |
| Edad | 1.03 | 1.02-1.04 | 0.03 |
La tabla muestra cómo diferentes factores afectan la supervivencia en pacientes con cáncer de ovario . Un estadio FIGO más avanzado, el grado tumoral, la ascitis y la edad avanzada disminuyen las probabilidades de supervivencia.
Asimismo, el estudio reveló que la histología es clave. Los tumores mucinosos y serosos presentan mejores resultados, mientras que los tipos mesodérmicos indiferenciados y mixtos tienen peores resultados en pacientes con cáncer de ovario.
En la investigación sobre el cáncer de ovario , el análisis de supervivencia de Kaplan-Meier no mostró un aumento significativo en la supervivencia con el nuevo fármaco. Este análisis considera los periodos de observación y los eventos, sin tener en cuenta el sexo ni la edad. El modelo de Cox se utiliza con frecuencia porque puede manejar variables que afectan la supervivencia.
Estudio de caso: ensayo clínico sobre cáncer de pulmón
Este estudio de caso analiza un ensayo clínico de fase III con 164 pacientes sometidos a cirugía por cáncer de pulmón . Se dividieron en dos grupos: uno recibió radioterapia sola y el otro, radioterapia más quimioterapia. El estudio demuestra la importancia de analizar los datos de tiempo hasta el evento y cómo gestionar los datos faltantes. Asimismo, subraya la necesidad de considerar otros factores además de la frecuencia de recurrencia del cáncer.
El estudio demuestra por qué analizar diferentes resultados es fundamental para comprender el éxito del tratamiento. No basta con observar la frecuencia de reaparición del cáncer. Necesitamos saber cuánto tiempo permanecen los pacientes en remisión y cuáles son sus tasas de supervivencia general.
Utilizando el método Kaplan-Meier, los investigadores encontraron diferencias detalladas en el tiempo que los pacientes permanecieron libres de cáncer. Este método ofrece una imagen más clara de los efectos del tratamiento que el simple análisis de las tasas de recaída. Demuestra que el tiempo que una persona permanece en remisión es muy importante para juzgar el éxito del tratamiento.
El estudio también aborda los desafíos que plantea el manejo de datos faltantes. Gestionar correctamente estos datos faltantes es fundamental para un análisis fiable de los datos de supervivencia . Esto ayuda a los médicos a tomar mejores decisiones para los pacientes con cáncer de pulmón.
En resumen, este estudio sobre un ensayo clínico de cáncer de pulmón demuestra la importancia de un análisis detallado de los datos de supervivencia . El uso de métodos avanzados como las curvas de Kaplan-Meier ofrece una visión más completa de los efectos del tratamiento. Al observar la duración de la remisión y la supervivencia general de los pacientes, los médicos e investigadores pueden tomar mejores decisiones para quienes padecen cáncer de pulmón.
Implementación práctica en R
El análisis de supervivencia es fundamental en la investigación oncológica . El método de Kaplan-Meier es una forma popular de estimar los tiempos y probabilidades de supervivencia. Exploraremos cómo realizar un análisis de supervivencia de Kaplan-Meier en R.
Preparación de datos
En primer lugar, debemos asegurarnos de que nuestros datos estén listos. Esto significa tener las variables correctas, como la hora, el estado del evento y el grupo de estudio. También es importante manejar datos censurados, lo que significa que no sabemos cuándo ocurrió un evento.
En R, el paquete {survival} nos ayuda a configurar nuestros datos y gestionar los datos censurados. El conjunto de datos de pulmón es un buen ejemplo. Contiene información sobre el tiempo de supervivencia , el estado de censura y el sexo del paciente.
Análisis de Kaplan-Meier
Una vez que nuestros datos estén listos, podemos comenzar el análisis de Kaplan-Meier . Usamos la función Surv() del paquete {survival} para crear objetos de supervivencia. Luego, usamos la función survfit() para obtener las curvas de supervivencia de Kaplan-Meier.
El método de Kaplan-Meier nos brinda funciones de pasos que muestran cuándo suceden los eventos. Es excelente para comparar los tiempos de supervivencia entre grupos, como en los ensayos clínicos.
Con las herramientas estadísticas de R, los investigadores pueden realizar fácilmente análisis de Kaplan-Meier . Pueden crear curvas de supervivencia y comprender mejor sus datos.
Conclusión
El análisis de supervivencia de Kaplan-Meier es una herramienta clave para el estudio de datos de tiempo hasta el evento , especialmente en la investigación oncológica . Ayuda a investigadores y médicos a comprender la progresión de la enfermedad y los efectos del tratamiento. Al dominar el análisis de supervivencia , se pueden obtener conocimientos profundos sobre las enfermedades y el éxito de los tratamientos.
El uso del análisis de Kaplan-Meier en R demuestra la utilidad actual de este método. El estimador de Kaplan-Meier , la prueba de log-rank y el modelo de riesgos proporcionales de Cox son fundamentales para el estudio de datos de tiempo hasta el evento . Conocer estos métodos puede ser de gran ayuda para la investigación oncológica y para mejorar los planes de tratamiento.
Mediante el análisis de supervivencia , podrá tomar mejores decisiones y mejorar la atención al paciente. Incorporar estas herramientas a su trabajo le ayudará a comprender mejor datos complejos. Esto puede conducir a nuevas formas de atender a los pacientes y a avances en oncología.
Preguntas Frecuentes
¿Qué es el análisis de supervivencia?
El análisis de supervivencia es una forma de estudiar cuánto tiempo tarda en ocurrir un evento. Se utiliza en campos como la medicina, la ingeniería y las ciencias sociales.
¿Qué es el método Kaplan-Meier?
El método de Kaplan-Meier es una forma de estimar los tiempos de supervivencia sin hacer suposiciones. Es útil cuando algunos datos están incompletos.
¿Qué es la censura en el análisis de supervivencia?
La censura significa que no vemos el evento para algunas personas en nuestro estudio. Hay tres tipos: censura por la derecha, por la izquierda y por intervalo.
¿Cómo funciona el modelo de riesgos proporcionales de Cox?
El modelo de Cox analiza cómo distintos factores afectan el riesgo de un evento. Nos ayuda a entender cómo estos factores modifican el riesgo.
¿Cuál es el propósito de la prueba de log-rank?
La prueba de rangos logarítmicos verifica si los tiempos de supervivencia son los mismos en los diferentes grupos. Nos indica si las diferencias son reales o simplemente fruto del azar.
¿Cómo se puede utilizar el modelo de Cox estratificado cuando se viola el supuesto de riesgos proporcionales?
Si las suposiciones del modelo de Cox no se cumplen, el modelo de Cox estratificado puede resultar de ayuda. Nos permite observar cómo los distintos grupos afectan el riesgo sin hacer suposiciones.
¿Cómo se puede implementar el análisis de supervivencia de Kaplan-Meier en R?
En R, preparas tus datos y manejas las observaciones censuradas. Luego, utilizas herramientas y bibliotecas para analizar y visualizar las curvas de supervivencia.
Enlaces de origen
- https://www.graphpad.com/guides/survival-analysis
- https://ar.iiarjournals.org/content/44/2/471
- https://www.mdpi.com/2504-4990/1/3/58
- https://stats.oarc.ucla.edu/sas/seminars/sas-survival/
- https://www.nature.com/articles/6601118
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2394262/
- https://www.ncbi.nlm.nih.gov/books/NBK560604/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3227332/
- https://www.publichealth.columbia.edu/research/population-health-methods/time-event-data-analysis
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3059453/
- https://rviews.rstudio.com/2017/09/25/survival-analysis-with-r/
- https://online.stat.psu.edu/stat509/lesson/6a/6a.8
- https://www.bmj.com/about-bmj/resources-readers/publications/statistics-square-one/12-survival-analysis
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5995015/
- https://health.ucdavis.edu/media-resources/ctsc/documents/pdfs/cph-model-presentation.pdf
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5532537/
- https://www.stata.com/features/overview/interval-censored-cox-model/
- https://www.graphpad.com/guides/prism/latest/statistics/stat_checklist_cox_regression.htm
- https://community.amstat.org/communities/community-home/digestviewer/viewthread?GroupId=2653&MID=30871&CommunityKey=6b2d607a-e31f-4f19-8357-020a8631b999&tab=digestviewer&hlmlt=VT
- https://www.nature.com/articles/6601119
- https://www.elifecycle.org/archive/view_article?pid=lc-3-0-8
- https://www.nature.com/articles/s41467-022-28410-9
- https://jtd.amegroups.org/article/view/10471/html
- https://www.emilyzabor.com/tutorials/survival_analysis_in_r_tutorial.html
- https://www.themillerlab.io/posts/survival_analysis/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6110618/
- https://en.wikipedia.org/wiki/Survival_analysis