Sapevi che il tempo medio di sopravvivenza dopo un attacco cardiaco in uno studio di 20 anni era di circa 11 anni? Questo fatto dimostra quanto sia vitale l’analisi della sopravvivenza in epidemiologia. È fondamentale per comprendere quando e come le malattie progrediscono e come si comportano i pazienti nel tempo. L’analisi di sopravvivenza ci aiuta a comprendere il periodo di tempo in cui le persone vivono con l’AIDS o sopravvivono a un attacco di cuore.
L’analisi della sopravvivenza è fondamentale per monitorare la progressione della malattia e il successo del trattamento. Ad esempio, uno studio ha seguito 78 uomini affetti da AIDS da prima del 1 gennaio 1998. Ci ha fornito preziose informazioni sulla loro sopravvivenza e su quando sono morti o sono stati censurati. Questi risultati aiutano a creare curve di sopravvivenza e tassi di rischio, che guidano strategie e trattamenti sanitari.
Questi metodi complessi vengono insegnati in corsi come BioST 537/Epi 537 presso l'Università di Washington. Si concentrano su metodi non parametrici e semiparametrici per la ricerca epidemiologica . Per maggiori dettagli sugli strumenti di analisi di sopravvivenza e sul loro utilizzo in situazioni reali, consulta questa guida completa.
Punti chiave
- L’analisi della sopravvivenza si occupa di quando e come si verificano le malattie, nonostante sfide come la censura e il troncamento.
- È molto utile negli studi sulle malattie infettive, come monitorare la sopravvivenza dopo la diagnosi di AIDS.
- Questo metodo utilizza statistiche avanzate per trovare tassi di sopravvivenza, rischio e rischio cumulativo.
- Corsi come BioST 537/Epi 537 insegnano agli studenti come applicare l'analisi di sopravvivenza negli studi sulla salute e sulle malattie.
- Gestire bene i dati censurati è fondamentale per risultati accurati dell’analisi di sopravvivenza.
Introduzione all'analisi della sopravvivenza in epidemiologia
L'analisi di sopravvivenza in epidemiologia è una branca specifica della statistica. Si concentra sui dati relativi al tempo intercorso fino a un evento , come l'insorgenza di una malattia o il decesso di una persona. Le tecniche di analisi di sopravvivenza sono fondamentali nella ricerca epidemiologica . Aiutano a dare un senso ai dati con osservazioni censurate e diversi periodi di follow-up.
Negli studi di coorte e nelle sperimentazioni cliniche, i dati relativi al tempo intercorso fino all'evento mostrano la probabilità che una persona contragga nuovamente una malattia o sopravviva dopo una diagnosi. L'analisi di sopravvivenza è diversa perché si basa su dati che non seguono una distribuzione normale e presentano periodi di tempo censurati.
Corsi come PHC6 059 nell'autunno 2021 insegnano questi metodi. Richiedono agli studenti di conoscere la statistica e la regressione multipla. Gli studenti vengono testati con la partecipazione in classe, quiz, due prove intermedie e un esame finale. Le serie di problemi aiutano gli studenti a esercitarsi e si consigliano libri importanti come "Applied Survival Analysis" e "Modelling Survival Data in Medical Research".
L'analisi di sopravvivenza è fondamentale nella ricerca epidemiologica . Aiuta a prevedere aspetti come la sopravvivenza di un paziente dopo un intervento chirurgico o la comparsa di una malattia. Le tecniche di analisi di sopravvivenza chiariscono in quali casi altri metodi potrebbero non essere efficaci.
Concetti chiave nell'analisi della sopravvivenza
Nell'analisi di sopravvivenza, diversi concetti chiave sono fondamentali. Ci aiutano a capire quanto tempo intercorre tra il verificarsi di un evento, come la ricomparsa di una malattia o il decesso. Tra questi concetti figurano i dati relativi al tempo di occorrenza dell'evento , la censura e la troncazione.
Dati tempo all'evento
L'analisi del tempo all'evento (Time-to-Event Analysis, TEMA) è fondamentale nell'analisi di sopravvivenza. Essa calcola il tempo che intercorre tra un punto di partenza e il verificarsi di un evento. Questo è molto importante negli studi medici, come quelli sul cancro ai polmoni. I ricercatori monitorano i pazienti per osservare se si verifica una ricaduta o se sopravvivono.
In uno studio sul cancro del polmone, sono stati studiati 164 pazienti. I risultati hanno mostrato che l’81.4% dei pazienti del gruppo radioterapico ha avuto una recidiva. Nel gruppo di combinazione, il 69.2% ha avuto una recidiva. Questi risultati mostrano l’efficacia dei trattamenti nel tempo.
censura
La giusta censura avviene quando un partecipante allo studio lascia lo studio o si verifica un evento non correlato al risultato principale prima della fine dello studio. In uno studio sul cancro ovarico, fino al dicembre 825 sono state seguite 2000 pazienti. Alla fine, il 75.9% di loro era deceduto.
Quando non sappiamo esattamente quando si è verificato un evento per alcune persone, abbiamo bisogno di metodi statistici speciali. Questi metodi ci aiutano a gestire i dati incompleti in modo accurato.
Troncamento
In epidemiologia, la troncazione si riferisce alla pratica di iniziare a osservare le persone dopo che sono già state esposte al rischio per un certo periodo di tempo. Questa pratica è detta troncazione a sinistra. Se non gestita correttamente, può portare a risultati distorti.
I ricercatori devono utilizzare metodi che garantiscano che i dati riflettano realmente i periodi di rischio delle persone studiate.
| Idea | Definizione | Esempio |
|---|---|---|
| Dati tempo all'evento | Durata dal punto di inizio al verificarsi di un evento | Uno studio sul cancro del polmone che segue i tassi di recidiva dei pazienti |
| censura | Dati incompleti sul tempo necessario all’evento a causa di limitazioni dello studio | I pazienti sono stati persi al follow-up o hanno vissuto eventi diversi |
| Troncamento | Periodi di osservazione che iniziano dopo che gli individui sono già a rischio | Omissione dei periodi di vita precedenti in uno studio a lungo termine |
Stimatore di Kaplan-Meier
L'estimatore di Kaplan-Meier è uno strumento fondamentale nell'analisi di sopravvivenza. Aiuta i ricercatori a creare curve di sopravvivenza che mostrano la probabilità di sopravvivenza nel tempo. Questo metodo è vitale in campi come la medicina ossidativa e gli studi epidemiologici.
Costruzione di curve di Kaplan-Meier
La creazione delle curve di sopravvivenza di Kaplan-Meier richiede che trascorra del tempo fino all'evento e che lo stato del paziente sia definito con un sì o un no. Questo metodo è ideale per analizzare il verificarsi di eventi come il decesso o l'insufficienza d'organo. Funziona bene anche con campioni di piccole dimensioni negli studi.
Il metodo Kaplan-Meier mostra le possibilità di sopravvivenza nel tempo attraverso delle curve. Queste curve partono da uno e scendono al diminuire degli eventi e delle persone a rischio. Ad esempio, gli studi sui trapianti di rene e sul cancro al seno utilizzano molto queste curve.
Interpretazione delle curve di Kaplan-Meier
Quando guardi le curve di Kaplan-Meier, nota quanto sono piatte o ripide. Le curve più piatte significano una migliore sopravvivenza, mentre quelle ripide significano più morti o eventi. Questo aiuta a comprendere le possibilità di sopravvivenza con diversi problemi di salute o trattamenti.
Il test del log-rank permette di confrontare facilmente gruppi sottoposti a trattamenti diversi . Questo test è fondamentale negli studi clinici ed epidemiologici per prendere decisioni importanti.
Per saperne di più su come i modelli di sperimentazione clinica adattivi stanno migliorando lo sviluppo dei farmaci, consulta questo articolo.
Modello dei rischi proporzionali di Cox
Il modello dei rischi proporzionali di Cox, creato da Sir David Cox nel 1972, è fondamentale nell’analisi della sopravvivenza. Esamina come diversi fattori influenzano il tempo di sopravvivenza. Questo modello non assume una forma specifica per la funzione di rischio, il che lo rende molto flessibile.
Comprensione del presupposto dei rischi proporzionali
Il modello di rischi proporzionali di Cox si basa sull'ipotesi di rischi proporzionali. Ciò significa che i rapporti di rischio tra i gruppi rimangono costanti nel tempo. Questo indica che l'effetto dei fattori sul rischio è costante durante lo studio.
Ecco i punti principali di questa ipotesi:
- Indipendenza dei tempi di sopravvivenza tra individui
- Una relazione moltiplicativa tra predittori e pericolo
- Un rapporto di rischio costante nel tempo
Questo modello calcola il rischio in qualsiasi momento moltiplicando il rischio di base per una funzione esponenziale dei predittori. Il rapporto di rischio (HR) è exp(bi) , dove bi è il coefficiente di regressione. Se exp(bi) è vicino a 1, il predittore non influenza la sopravvivenza. Se è inferiore a 1, protegge; se è superiore a 1, aumenta il rischio.
Applicazioni dei modelli di Cox in epidemiologia
In epidemiologia, la regressione di Cox è ampiamente utilizzata per calcolare i rapporti di rischio per i fattori di rischio. Ad esempio, ha dimostrato che la chemioterapia prima dell'intervento chirurgico aumenta il rischio di morte di 4.870 volte. Questo modello funziona con diversi tipi di predittori, come l'età o il sesso.
Ad esempio, è stato riscontrato un forte legame tra l’età, l’essere maschio e la morte per qualsiasi causa. Il modello ha mostrato un aumento del rischio dell’11.8% per ogni anno di età e un rischio quasi raddoppiato per gli uomini rispetto alle donne.
| Fattore di rischio | Rapporto di rischio (HR) | Interpretazione |
|---|---|---|
| Età | 1.118 | Aumento del pericolo dell’11.8% all’anno |
| Sesso maschile | 1.973 | Quasi il doppio del rischio rispetto alle donne |
| Chemioterapia prima dell'intervento chirurgico | 4.870 | Rischio di morte più elevato rispetto alla chemioterapia dopo l'intervento chirurgico |
La regressione di Cox aiuta a misurare come l'esposizione influisce sulle probabilità di sopravvivenza. È fondamentale in epidemiologia per comprendere gli effetti sulla salute dei fattori ambientali e dei trattamenti. La sua capacità di gestire dati censurati e di tenere conto di numerosi fattori la rende preziosa nella ricerca.
Applicazioni dell'analisi della sopravvivenza nella ricerca sulle malattie infettive
L'analisi di sopravvivenza è fondamentale nell'epidemiologia delle malattie infettive . Ci aiuta a capire quando iniziano le malattie, come progrediscono e cosa succede in seguito. Esaminando la tempistica degli eventi clinici , i ricercatori possono osservare l'evoluzione della malattia nei pazienti nel tempo. Ciò include i tassi di sopravvivenza e la durata del periodo in cui i pazienti rimangono asintomatici.
Gli epidemiologi utilizzano applicazioni di analisi di sopravvivenza per individuare modelli e prevedere gli esiti. Uno strumento fondamentale è il modello di regressione di Cox a rischi proporzionali. Permette ai ricercatori di confrontare la probabilità che determinati eventi si verifichino nel tempo in gruppi diversi. Il modello di Cox è particolarmente indicato per l'epidemiologia delle malattie infettive perché è robusto e flessibile.
L'analisi di sopravvivenza è fondamentale in molti studi. Ad esempio, esamina quanto tempo occorre affinché un trattamento faccia effetto dopo la diagnosi o quanto a lungo i pazienti vivono dopo aver contratto l'AIDS. Il Multicenter AIDS Cohort Study ci ha fornito dati importanti. Questi dati mostrano le tendenze di sopravvivenza a lungo termine e aiutano a pianificare trattamenti migliori.
Combinando sequenze genetiche con analisi di sopravvivenza, possiamo costruire alberi di trasmissione. Questi alberi mostrano come si diffondono le malattie. Strumenti come la filogenetica ci aiutano a comprendere meglio le epidemie mostrando come la malattia si muove e si diffonde.
L’utilizzo di dati filogenetici ed epidemiologici per costruire alberi di trasmissione mostra quanto sia vitale l’analisi della sopravvivenza. I metodi filodinamici utilizzano pochi campioni per capire la diffusione della malattia nel tempo. Ci aiutano anche a capire come si diffondono le malattie e quante persone potrebbero essere infettate. I modelli di analisi della sopravvivenza, come il modello multistato, esaminano il modo in cui le persone si muovono tra diversi stati di salute, come quando sono malati o in remissione.
Ecco una tabella che mostra come l'analisi di sopravvivenza aiuta nella ricerca sulle malattie infettive:
| Focalizzazione della ricerca | Tecniche utilizzate | Risultati |
|---|---|---|
| Ricostruzione dell'albero di trasmissione | Filogenetica, dati epidemiologici | Mappatura accurata dell'albero di trasmissione |
| Epidemia virale dell’afta epizootica | Stima del rapporto di rischio | Analisi del modello di contatto infettivo |
| Cluster di trasmissione dell'HIV | Analisi filogenetica | Conferma o esclusione della fonte |
| Sopravvivenza del paziente dopo la diagnosi di AIDS | Modello di Cox, stimatore di Kaplan-Meier | Rilevamento della tendenza di sopravvivenza a lungo termine |
Il campo dell'epidemiologia delle malattie infettive è in continua evoluzione. Le applicazioni dell'analisi di sopravvivenza ci aiutano a prevedere e comprendere meglio la tempistica degli eventi clinici . Ciò si traduce in strategie sanitarie più efficaci e contribuisce al controllo delle malattie infettive.
Gestione dei dati censurati nell'analisi di sopravvivenza
La gestione dei dati censurati è fondamentale nell'analisi della sopravvivenza per ottenere risultati accurati. La censura avviene quando l'evento di interesse non viene visto durante lo studio. Esistono modi per affrontare questo problema, facendo sì che l’analisi di sopravvivenza funzioni anche con dati mancanti.
Giusta censura
La censura a destra è la tipologia più comune negli studi. Si verifica quando un evento, come la morte o il fallimento dello studio, si verifica dopo la sua conclusione o quando un partecipante abbandona lo studio prematuramente. Gestire la censura a destra in epidemiologia è fondamentale per garantire l'accuratezza delle analisi di sopravvivenza. Ad esempio, nello studio WHAS500 (Worcester Heart Attack Study), non si conosce l'ora esatta del decesso di alcuni soggetti, ma sappiamo che sono sopravvissuti per almeno alcuni giorni. La funzione di densità di probabilità mostra che tempi di sopravvivenza più brevi sono più probabili, evidenziando la necessità di gestire correttamente i dati censurati a destra.
Censura a sinistra
La censura a sinistra significa che non sappiamo quando è iniziato un evento perché si è verificato prima dell'inizio dello studio. Questo tipo di censura è meno comune, ma rimane cruciale negli studi in cui gli eventi precoci sono importanti. Una corretta gestione dei dati censurati a sinistra garantisce che tutti i dati contribuiscano all'analisi. Ad esempio, in un set di dati con dati censurati a sinistra, potrebbero essere necessari metodi statistici più complessi per stimare accuratamente i tempi di sopravvivenza.
Censura non informativa
Il concetto di censura non informativa è fondamentale per un'analisi di sopravvivenza equa. Esso afferma che la censura non influisce sulla probabilità che l'evento si verifichi. L'interpretazione della censura non informativa significa che i dati censurati non distorcono l'analisi. Metodi come lo stimatore di Kaplan-Meier e il modello di rischi proporzionali di Cox si basano su questa ipotesi per ottenere risultati affidabili. Il National Center for Biotechnology Information afferma che il rispetto di questa ipotesi contribuisce a mantenere attendibili le stime di sopravvivenza.
Confronto delle curve di sopravvivenza: test del rango logaritmico
Il test del log-rank è un metodo fondamentale nell'analisi epidemiologica . Viene utilizzato per confrontare il tempo necessario affinché un evento si verifichi in gruppi diversi. Questo test funziona bene con dati censurati e aiuta a individuare differenze nelle curve di sopravvivenza nel tempo.
Il test del log-rank è ideale quando i tempi di studio sono limitati o se i partecipanti abbandonano lo studio prematuramente. Valuta il rischio che si verifichi un evento ed è spesso utilizzato in studi su nuovi trattamenti o sull'insufficienza epatica indotta da diversi farmaci.
Una delle caratteristiche principali del test del log-rank è la verifica dell'uguaglianza dei tempi di sopravvivenza in tutti i gruppi. Utilizza la statistica χ² per valutare la presenza di differenze reali nei tempi di sopravvivenza. Il test analizza la durata dell'esposizione di ciascun gruppo al rischio e confronta i tassi attesi con quelli effettivi.
Strumenti come le tavole di mortalità e le curve di Kaplan-Meier sono fondamentali per questa analisi epidemiologica . Il test del log-rank non presuppone alcuna distribuzione specifica e si adatta a molti disegni di studio. Ad esempio, un χ² di 7.2 ha mostrato che gli uomini con diabete vivevano più a lungo delle donne (valore p = 0.007).
Negli studi sulla sopravvivenza al cancro, il software semplifica il confronto delle curve di sopravvivenza. Ad esempio, un valore di χ² pari a 6.35 ha mostrato una differenza nei tassi di sopravvivenza (p = 0.042). Ecco i dati di sopravvivenza per le donne con diabete a Rochester, Minnesota:
| Intervallo di durata | Tasso di sopravvivenza (%) |
|---|---|
| > 0-2 anni | 91.08% |
| > 2-4 anni | 85.67% |
| > 4-6 anni | 80.76% |
| > 6-8 anni | 74.76% |
| > 8-10 anni | 69.26% |
Uno studio condotto tra il 1970 e il 1980 non ha rilevato differenze significative nelle curve di sopravvivenza (χ² pari a 0.63). Ciò dimostra l'utilità del test del log-rank in diversi ambiti di ricerca.
Comprensione delle funzioni di rischio e dei rischi cumulativi
Approfondire le funzioni di rischio in epidemiologia è fondamentale per comprendere meglio l'analisi di sopravvivenza. La funzione di rischio mostra il rischio in un dato momento, proprio come un tachimetro mostra la velocità. Ci aiuta a visualizzare l'esatta frequenza degli eventi nel tempo.
D'altro canto, l'analisi del rischio cumulativo (CHA) considera il rischio totale in un determinato periodo. È come il contachilometri di un'auto, che tiene traccia dei chilometri percorsi. Questo ci fornisce una visione completa dell'evoluzione del rischio di sopravvivenza nel tempo.
L'analisi di sopravvivenza utilizza metodi come l'analisi di sopravvivenza di Kaplan-Meier (analisi KM) e i modelli di rischio proporzionale di Cox (CPHM). Questi ci aiutano a comprendere i tassi di sopravvivenza e i rapporti di rischio . La probabilità di sopravvivenza , calcolata tramite l'analisi KM, è fondamentale a questo scopo.
Comprendere le relazioni tra le funzioni è vitale. Il tasso di rischio mostra la probabilità che si verifichi un evento in un breve periodo, data la sopravvivenza fino a quel momento. La funzione di rischio cumulativo è il totale di questi tassi nel tempo. Ci aiuta a comprendere le probabilità di sopravvivenza.
Per esempio:
- S(t=0) è 1, il che significa che all'inizio tutti sono vivi.
- S(t= Inf) è 0, il che dimostra che nessuno sopravvive per sempre.
- Il tasso di rischio è pari a -ln(S(t)).
- Le funzioni di rischio cumulativo e di sopravvivenza sono collegate come H(t) = -ln(S(t)).
Queste formule e relazioni mostrano come le funzioni di sopravvivenza, rischio e rischio cumulativo siano collegate. Forniscono una base matematica per confrontare rischi e risultati in epidemiologia.
Argomenti avanzati: rischi competitivi e analisi degli eventi ricorrenti
Nel mondo avanzato dell'analisi della sopravvivenza, è fondamentale conoscere la differenza tra rischi concorrenti ed eventi ricorrenti. Ciò è particolarmente vero quando si considera il tempo in base a più eventi patologici, come negli studi sulle malattie cardiache. Comprendere questi modelli complessi è fondamentale.
Rischi concorrenti
L'analisi dei rischi competitivi è fondamentale quando diversi eventi possono impedire il verificarsi dell'evento principale. Ad esempio, nello studio PBC-3 sulla cirrosi epatica, i pazienti sono stati trattati con ciclosporina A (CyA) o con un placebo. I risultati hanno mostrato che la CyA ha causato 30 decessi e 14 trapianti di fegato, mentre il placebo ha causato 31 decessi e 15 trapianti. Questo dimostra come altri eventi possano influenzare l'esito principale.
La funzione di incidenza cumulativa viene utilizzata per comprendere appieno questi rischi concorrenti. Per maggiori dettagli, consultare la ricerca sui metodi dei rischi concorrenti nell'analisi di sopravvivenza.
Eventi ricorrenti
L'analisi di sopravvivenza per eventi ricorrenti esamina gli eventi che si verificano più di una volta nella stessa persona. Un buon esempio è rappresentato dai pazienti con tumore della pelle dopo l'intervento chirurgico. Su 205 pazienti, 57 sono deceduti a causa del tumore, 14 per altre cause e 134 erano ancora in vita. Questi eventi richiedono modelli specifici per comprenderne i modelli e le connessioni.
Per uno sguardo completo, sono fondamentali metodi come il modello di Cox o lo stimatore Nelson-Aalen. Sono ottimi per gestire eventi che accadono più e più volte.
Imparare questi metodi avanzati di analisi della sopravvivenza è fondamentale per un’accurata ricerca sanitaria. Migliorano le previsioni e approfondiscono la nostra comprensione dei risultati sanitari. Se sei interessato a questi argomenti, un dottorato di ricerca. il corso può darti conoscenze e abilità approfondite.
FAQ
Che cos'è l'analisi della sopravvivenza in epidemiologia?
L'analisi di sopravvivenza in epidemiologia è un metodo per studiare quando e se si verificano determinati eventi. Viene utilizzata con dati incompleti. Esamina per quanto tempo le persone sopravvivono dopo essersi ammalate, ad esempio dopo una diagnosi di AIDS.
Quali sono alcuni concetti chiave nell’analisi della sopravvivenza?
Concetti fondamentali nell'analisi di sopravvivenza sono i dati relativi al tempo intercorso fino all'evento , la censura e il troncamento. Questi elementi aiutano a gestire i dati in cui non si conosce il momento esatto in cui si sono verificati gli eventi.
Come funziona lo stimatore di Kaplan-Meier nell'analisi della sopravvivenza?
Lo stimatore di Kaplan-Meier crea curve di sopravvivenza. Queste curve mostrano la possibilità di sopravvivere nel tempo. Sono facili da comprendere e mostrano i tassi di sopravvivenza in un gruppo di studio.
Cos'è il modello dei rischi proporzionali di Cox?
Il modello dei rischi proporzionali di Cox esamina come diversi fattori influenzano la sopravvivenza. Si presuppone che il rischio rimanga lo stesso nel tempo. Questo modello è fondamentale per studiare il funzionamento dei trattamenti.
Come viene applicata l’analisi della sopravvivenza nella ricerca sulle malattie infettive?
L'analisi di sopravvivenza aiuta a studiare quando le malattie iniziano, si diffondono e finiscono. Mostra per quanto tempo le persone sopravvivono e quanto bene funzionano i trattamenti. Ciò aiuta a pianificare trattamenti migliori e a prevedere i risultati dei pazienti.
Quali tipi di censura vengono comunemente affrontati nell'analisi di sopravvivenza?
L'analisi della sopravvivenza spesso si occupa della censura destra e della censura sinistra. Giusto Censurare significa che l'evento è avvenuto dopo la fine dello studio. Censurare a sinistra significa che non sappiamo quando è iniziato l'evento. Censura non informativa significa che la possibilità di censura non influisce sulla probabilità dell'evento.
Che cos'è il test Log-Rank nell'analisi della sopravvivenza?
Il Log-Rank Test confronta i tempi di sopravvivenza tra i gruppi. Funziona con dati censurati e esamina le differenze nelle curve di sopravvivenza. È vitale per studiare studi clinici e confrontare gruppi.
In che modo le funzioni di rischio e i rischi cumulativi migliorano la comprensione nell’analisi della sopravvivenza?
Le funzioni di pericolo mostrano il rischio in qualsiasi momento. I rischi cumulativi aumentano il rischio nel tempo. Questi ci aiutano a comprendere le possibilità di sopravvivenza e come funzionano i trattamenti.
Quali sono gli argomenti avanzati nell'analisi della sopravvivenza relativi ai rischi concorrenti e all'analisi degli eventi ricorrenti?
L'analisi avanzata della sopravvivenza esamina i rischi concorrenti e gli eventi ricorrenti. I rischi concorrenti considerano altri eventi che potrebbero impedire il verificarsi dell'evento principale. Gli eventi ricorrenti esaminano quando lo stesso evento accade alla stessa persona. Questi argomenti ci aiutano a comprendere i risultati sanitari complessi.
Collegamenti di origine
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2954271/ – Analisi della sopravvivenza nella ricerca sulle malattie infettive: descrivere gli eventi nel tempo
- https://sphweb.bumc.bu.edu/otlt/mph-modules/bs/bs704_survival/BS704_Survival_print.html – Analisi della sopravvivenza
- https://www.biostat.washington.edu/sites/default/files/2020-01/2019_WIN_BIOST_537_CaroneM.pdf – Microsoft Word – syllabus_537_2019.docx
- https://biostat.ufl.edu/wordpress/files/2021/08/PHC6059-Intro-to-Applied-Survival-Analysis-Hitchings.pdf - PDF
- http://www.biecek.pl/statystykaMedyczna/Stevenson_survival_analysis_195.721.pdf - PDF
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2394262/ – Analisi della sopravvivenza Parte I: Concetti di base e prime analisi
- https://www.sciencedirect.com/topics/nursing-and-health-professions/survival-analysis – Analisi della sopravvivenza – una panoramica
- http://www.sthda.com/english/wiki/survival-analysis-basics – Nozioni di base sull’analisi della sopravvivenza – Guide facili – Wiki
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8478547/ – Metodi per analizzare i dati tempo-evento: la curva di sopravvivenza di Kaplan-Meier
- https://medcraveonline.com/BBIJ/the-kaplan-meier-estimate-in-survival-analysis.html – La stima di Kaplan Meier nell’analisi di sopravvivenza
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3059453/ – Comprendere l'analisi della sopravvivenza: stima di Kaplan-Meier
- https://sphweb.bumc.bu.edu/otlt/mph-modules/bs/bs704_survival/BS704_Survival6.html – Analisi di regressione dei rischi proporzionali di Cox
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8651375/ – Metodi per analizzare i dati time-to-event: l'analisi della regressione di Cox
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4829193/ – Epidemiologia delle malattie infettive molecolari: analisi di sopravvivenza e algoritmi che collegano le filogenesi agli alberi di trasmissione
- https://www.frontiersin.org/journals/veterinary-science/articles/10.3389/fvets.2017.00116/full – Frontiere | Applicazione dell'analisi della sopravvivenza e della modellazione multistato per comprendere il comportamento degli animali: esempi tratti da cani guida
- https://ar.iiarjournals.org/content/44/2/471 – Una panoramica dei metodi introduttivi e avanzati di analisi della sopravvivenza nelle applicazioni cliniche: dove siamo arrivati finora?
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6110618/ – Articolo speciale: Analisi della sopravvivenza e interpretazione dei dati relativi al tempo trascorso tra gli eventi: la tartaruga e la lepre
- https://stats.oarc.ucla.edu/sas/seminars/sas-survival/ – Introduzione all'analisi della sopravvivenza in SAS
- https://www.sciencedirect.com/topics/medicine-and-dentistry/log-rank-test – Log Rank Test – una panoramica
- https://www.sciencedirect.com/topics/nursing-and-health-professions/log-rank-test – Log Rank Test – una panoramica
- https://www.publichealth.columbia.edu/research/population-health-methods/time-event-data-analysis – Analisi dei dati Time-To-Event (TTE) | Salute pubblica della Columbia
- https://towardsdatascience.com/the-mathematical-relationship-between-the-survival-function-and-hazard-function-74559bb6cc34 – La relazione matematica tra funzione di sopravvivenza e funzione di pericolo
- http://publicifsv.sund.ku.dk/~pka/avepi17/comprisk-recevent17.pdf - PDF
- http://publicifsv.sund.ku.dk/~pka/avepi19/comprisk-recevent19.pdf - PDF