Modelos conjuntos frente a la "habitual" regresión de Cox dependiente del tiempo para predictores variables en el tiempo

Question

Tengo una pregunta metodológica, y no tengo ningún conjunto de datos.

Supongamos que quiero ajustar un modelo de riesgos proporcionales (Cox) para los datos de supervivencia. Tengo múltiples observaciones para cada individuo (datos en formato largo). El interés particular reside en un predictor continuo (como los niveles de lípidos en sangre) y estoy examinando la asociación/efecto sobre el riesgo de infarto de miocardio.

Soy un novato en esto, pero utilizo la regresión de Cox dependiente del tiempo (sin agrupación ya que sólo se analiza un evento [los eventos repetidos no son de interés]). Me parece que este es el método estándar.

Ahora, los paquetes JMbayes, JM, joinR, lcmm pueden ajustar modelos conjuntos ( http://www.r-bloggers.com/joint-models-for-longitudinal-and-survival-data/ ) que parecen ser una fusión entre los modelos de efectos mixtos y la regresión de Cox.

Esto parece una buena idea, para combinar con métodos robustos... Un par de ventajas se reportan para los modelos conjuntos, de los cuales la "precisión en la trayectoria de cada paciente" se menciona repetidamente. Sin embargo, he buscado en pubmed, google scholar y google las publicaciones que utilizan este enfoque y no he encontrado mucho.

¿Debería seguir con la "habitual" regresión de Cox dependiente del tiempo (proceso de recuento)? ¿Ventajas? ¿Inconvenientes?

Answer 1

El principal avance de los modelos conjuntos en relación con el modelo de Cox dependiente del tiempo es que permiten tratar las medidas de error en las variables dependientes del tiempo (variable longitudinal en este caso). En un modelo de Cox con covariables dependientes del tiempo suponemos que las variables se miden sin error.

Algunas referencias:

Tsiatis, A. A. y M. Davidian (2004). Joint modeling of longitudinal and time-to-event data: An overview. Statistica Sinica 14 (3),809-834.

Rizopoulos, D. (2012b). Joint Models for Longitudinal and Time-to-Event Data With Applications in R. Chapman and Hall/CRC.

Henderson, R., P. Diggle, e A. Dobson (2000, dic). Modelización conjunta of longitudinal measurements and event time data. Biostatistics 1 (4), 465-480.

Answer 2

El mayor problema es que consumen mucho tiempo (computacionalmente hablando) y los programas informáticos aún no son muy amigables. Hay varios enfoques y se puede dejar que todas las covariables sean dependientes del tiempo, pero en este caso se debe considerar tomar un modelo longitudinal multivariante antes. Además, para cada situación hay que pensar qué es lo mejor para compartir entre los modelos longitudinales y de supervivencia - a veces son los efectos aleatorios (si se utiliza un modelo de efectos mixtos para los datos longitudinales) y a veces el valor esperado de la variable longitudinal en el momento del evento. A veces son otras características de la trayectoria longitudinal como la varianza, el efecto acumulado de los datos longitudinales, etc. JM debe adaptarse a cada situación y a cada tipo de datos. No es obligatorio que el modelo longitudinal para los datos del VIH sea el mismo para el PSA, por ejemplo.