Hablemos de...

Análisis de supervivencia
GUADALUPE GÓMEZ Y ERIK COBO
Departament d’Estadística i Investigació Operativa. Universitat Politècnica de Catalunya. Barcelona. España.

El análisis de supervivencia es una herramienta imprescindible gástrica avanzada superaban los 6 meses de vida, ¿qué se sabe
en la investigación clínica y epidemiológica. Gran número de sobre lo que sucederá en futuros pacientes?
artículos en las revistas más prestigiosas usan alguno de sus - Estudio bivariante. Comparación del patrón de superviven-
métodos. Aunque el origen del nombre se debe a la construc- cia de dos poblaciones: ¿es cierto que los miembros de cierto
ción de tablas de vida en el siglo XVII, sus aplicaciones se ex- grupo viven más tiempo y tienen mayor esperanza de vida o es
tienden al estudio del tiempo transcurrido entre dos eventos simplemente un resultado casual observado en esta muestra,
de interés, como podría ser la aparición de un acontecimiento pero que no se repetirá en el futuro?
adverso tras una intervención terapéutica o el tiempo transcu- - Estudio multivariante. Construcción de un modelo que, te-
rrido entre el inicio de una infección y su diagnóstico. niendo en cuenta las características de los pacientes, ayude a
En el proceso de obtención de pruebas empíricas en las que predecir su tiempo de vida y a seleccionar los factores de ries-
basar las decisiones clínicas, el análisis de supervivencia abor- go que contribuyen a esta predicción una vez tenida en cuenta
dará las tres situaciones clásicas que resuelve la inferencia esta- la influencia de otros factores más relevantes.
dística:
En estas líneas se abordarán, en primer lugar, dos característi-
- Estudio univariante. Descripción y resumen de los tiempos cas de las variables del tipo “tiempo entre dos eventos”: la asi-
de vida, usualmente a partir de la estimación e interpretación metría y la censura, ya que requieren un análisis específico. A
de la funciones de supervivencia y de riesgo. Estos análisis continuación se presentan las funciones de supervivencia y
permiten a su vez predecir el comportamiento futuro de pa- riesgo, la comparación de curvas y el modelo de riesgos pro-
cientes de características similares. Por ejemplo, habiendo ob- porcionales de Cox. El lector que desee profundizar puede
servado que 9 de 10 pacientes intervenidos de una neoplasia consultar la literatura específica1-8.

Puntos clave
El análisis de supervivencia estudia el tiempo entre El método estadístico más usual para calcular las funciones de
dos eventos cualesquiera. supervivencia y de riesgo es el del producto (Kaplan-Meier
y el de tablas de vida (actuarial).
La función de supervivencia indica la probabilidad
de que un paciente supere cierto tiempo de vida. La La prueba de hipótesis sobre si varias curvas provienen de la misma
función de riesgo (hazard function) representa la población puede realizarse con los métodos de log-rank y de Gehan.
probabilidad, por unidad de tiempo, de presentar el evento
en el lapso subsiguiente, condicionado a que éste no se El modelo de riesgos proporcionales de Cox es el equivalente a la
había presentado antes. regresión lineal múltiple en el análisis de supervivencia.
Àxel Oliveres

51 GH CONTINUADA. JULIO-AGOSTO 2004. VOL. 3 N.o 4 185

H ABLEMOS DE ...
Análisis de super vivencia
G. Gómez y E. Cobo

Asimetría de la variable tiempo Censura

A diferencia de otras variables, el tiempo sólo se desplaza en La segunda característica que presenta la variable tiempo es
una dirección: el colesterol puede aumentar o disminuir, pero que requiere un largo período para ser observada en su totali-
el tiempo nunca retrocede. Las distribuciones que gobiernan dad. En el ejemplo anterior, a los 24 meses de seguimiento, ya
las variables del tipo tiempo presentan se conocía el tiempo de vida exacto del 80% de los pacientes,
unas formas diferentes a las del resto pero se debería esperar aún más de 6 años para conocer el otro
de variables biológicas, que aconse- 20% restante, lo que restaría actualidad y valor científico a los
jan planteamientos alternativos de Ni la media, ni resultados. Por esta razón, suele marcarse un tiempo de segui-
la desviación típi-
análisis. miento máximo. Un diseño habitual consistiría en incorporar
ca ni la distribución
La figura 1 muestra la forma típica normal resumen pacientes durante 12 meses y parar el estudio tras otros 12 me-
de esta variable para un ejemplo bien el tiempo de ses de seguimiento. Ahora, a los pacientes incluidos el primer
hipotético de meses de superviven- supervivencia. día del estudio se les habrá realizado un seguimiento de hasta
cia tras el diagnóstico de una neopla- un máximo de 24 meses. Y a los incluidos al final del primer
sia de mal pronóstico: muchos casos año, hasta de 12 meses. Pero únicamente se conoce el tiempo
tienen valores de unos pocos meses, pero al- exacto de vida de los casos que hayan tenido una supervivencia
gunos pacientes viven mucho, incluso uno de ellos llega a su- menor a su tiempo de seguimiento. Para el resto, se sabe que
perar los 8 años. Nótese que la media de esta variable, como han vivido más que el tiempo de seguimiento observado, por lo
resultado de estas observaciones extremas, se sitúa alrededor que diremos que sus valores están censurados (por la derecha).
de 15 meses, valor que no representa en absoluto la supervi- La figura 2 muestra los tiempos que se habrían observado si se
vencia habitual de esta muestra. La mediana, en cambio, tiene hubiera realizado un seguimiento de entre 12 y 24 meses a los
un valor de entre 10 y 11 meses, que resume mejor el tiempo pacientes de la figura 1. Nótese que, al haberse eliminado los
de vida típico de estos pacientes. Lo mismo sucede con la des- mayores tiempos, tanto la media como la desviación tipo ofre-
viación típica, cuyo valor, algo mayor de 15 meses, es demasia- cen resultados (10 y 7 en cifras redondas) muy diferentes de los
do alto para representar la distancia típica de los casos que no reales de la figura 1 (15 y 15). Ya se ha comentado que estos in-
alcanzan la supervivencia media y es demasiado bajo para re- dicadores no resumían bien a las variables asimétricas y ahora
presentar esta distancia con el centro para los casos que supe- se muestra que, en el caso de datos censurados, proporcionan
ran el promedio de vida. Nótese, finalmente, que la superposi- resultados sesgados, que no informan ni de la auténtica media
ción de una distribución normal con esta media y desviación ni de la desviación típica. En cambio, los datos estadísticos ba-
típica muestra que el modelo de Gauss-Laplace no se puede
utilizar para representar estos casos: ¡el 95% de los pacientes
vivirían entre -15 y +45 meses!

Media: 14,982 Media: 10,214

Desviación típica: 15,361 Desviación típica: 6,661
Mínimo: 0,032 Mínimo: 0,032
Primer cuartil: 4,056 Primer cuartil: 4,056
Mediana: 10,664 Mediana: 10,664
Tercer cuartil: 20,643 Tercer cuartil: 15,100
Máximo: 110,221 Máximo: 23,878

5 25 45 65 85 105

Figura 1. Histograma, con curva normal

superpuesta, de los datos completos de 1 5 9 13 17 21
supervivencia.
Figura 2. Histograma, con curva normal
superpuesta, de los datos censurados de
supervivencia.

186 GH CONTINUADA. JULIO-AGOSTO 2004. VOL. 3 N.o 4 52

 H ABLEMOS DE ...
Análisis de super vivencia
G. Gómez y E. Cobo

sados en rangos proporcionan resultados fiables siempre que el pueblo o cambiar de centro de soporte–, se desconocería su
porcentaje de datos no censurados supere el percentil que defunción y se obtendrían cifras optimistas sobre la su-
se desea estimar, en este ejemplo puede usarse la me- pervivencia. Y si el individuo fallece por una causa
diana o percentil 50, ya que hay un 69% de datos no La censura
diferente a la de interés (competing risks analysis)
censurados. Nótese que el valor estimado de la me- se produce cuan- surge el problema de si es consecuencia o no de la
diana coincide con el de la figura 1. do el tiempo de su- enfermedad en estudio. La mayoría de los méto-
Un problema adicional acaece cuando la censura es pervivencia supera dos usados en análisis de supervivencia presupo-
el resultado de una pérdida (lost to follow-up) previa el período de se- nen que los individuos censurados están sujetos a
guimiento.
al final del período de seguimiento, especialmente si se la misma probabilidad de fallecer que los que per-
desconoce la razón. Si, por ejemplo, al ver próximo su manecen en el estudio. Ésta es la llamada condición
final los pacientes deciden “desaparecer” –quizá volver al de no informatividad.

No normalidad de la variable tiempo

Gran parte de los análisis estadísticos se basan en la hipótesis de cuenta el carácter secuencial de los datos, de forma que cada in-
que la variable tiempo se distribuye según una ley normal. En dividuo sólo contribuye al estudio mientras está bajo observa-
este caso, la inferencia se reduce a la estimación de los dos pará- ción, es decir, mientras no aparece la censura.
metros que rigen esta distribución, la media y la varianza. Como En resumen, que la variable de interés sea el tiempo y que éste
este método no se adapta suficientemente bien a muestras for- se mida secuencialmente tiene como consecuencia una distri-
madas por tiempos de vida, hay que recurrir a otras distribucio- bución asimétrica y la presencia de censura. Estas circunstan-
nes o a otras técnicas. Los procedimientos no paramétricos, es cias desaconsejan el uso de la distribución normal, que tan
decir, aquellos que no imponen a los datos una distribución bien caracterizan la media y la desviación típica. En el si-
concreta, son la alternativa más usada en estudios de supervi- guiente punto se explica cuál es la forma correcta de resumir y
vencia. Además, las técnicas no paramétricas permiten tener en analizar este tipo de datos.

Función de supervivencia
Para resumir y analizar tiempos de vida se usa la denominada 1,0
función de supervivencia. Esta función puede calcularse en ca-
Función de supervivencia

da instante y da cuenta de la probabilidad de que un paciente 0,8

sobreviva el mismo.
La figura 3 representa cómo van variando, en el tiempo, la 0,6
proporción de unidades que están libres del episodio de inte-
rés. Puede verse, por ejemplo, que en el mes 10, el 60% de los 0,4
pacientes del estudio aún no lo había presentado. Y que el in-
tervalo de confianza (IC) de lo que sucede en la población ori- 0,2
gen de la muestra es muy estrecho, indicando que se dispone
0,0
de buena información (de hecho, este cálculo se basa en 1.000 0 10 20 30 40 50
pacientes). En estas líneas no se especifica cómo se calcula la Tiempo (meses)
función de supervivencia a partir de los datos pero infor-
mamos de que se ha obtenido mediante el estimador Figura 3. Función de supervivencia con su
no paramétrico de Kaplan-Meier. La función de correspondiente intervalo de confianza del 95%.
Nótese en esta función un descenso más marcado supervivencia in-
en los primeros meses que en los últimos, lo que dica la probabilidad
podría indicar una mayor intensidad de presenta- de que un paciente
supere cierto tiem-
ción del episodio al inicio que al final. Sin embargo, po de vida.
este mayor descenso es explicable por el simple he-
cho de que al final se presentan menos episodios, ya
que quedan menos casos: si, por ejemplo, el episodio es el
fallecimiento, ¡los pacientes ya fallecidos no son susceptibles
de volver a morir!

53 GH CONTINUADA. JULIO-AGOSTO 2004. VOL. 3 N.o 4 187

H ABLEMOS DE ...
Análisis de super vivencia
G. Gómez y E. Cobo

Función de riesgo
La función de
riesgo (hazard func-
Para hacer comparables los tion) representa la proba- 0,25
descensos del inicio (que se bilidad, por unidad de
obtienen de una población tiempo, de presentar el epi- 0,20

Función de riesgo
mayor) con los descensos fi- sodio en el lapso subsi-
nales (provenientes de una po- guiente, condicionado a 0,15
que éste no se había
blación restante más pequeña) presentado an-
se calcula la proporción de casos 0,10
tes.
que presentan el episodio en un
momento determinado sobre la propor- 0,05
ción de casos que llegan a ese momen-
0
to, lo que se conoce como función de 0 10 20 30 40 50
Cuando la
riesgo, fuerza de mortalidad o tasa función de ries- Tiempo (meses)
condicional de fallo (hazard rate). go es constante
Otra forma de interpretar la función se denomina ta- Figura 4. Función de riesgo (línea discontinua) y tasa de riesgo (línea
de riesgo en el instante t es entender- sa de riesgo. continua) con sus correspondientes intervalos de confianza del 95%.
la como la distribución (densidad) re-
sidual del tiempo de vida después de t.
En la figura 4 puede verse que la función de que envejece y se encuentra, por ejemplo, en el análisis del
riesgo correspondiente a los datos presentados en la figura 3 es tiempo de vida de pacientes con leucemia que no responden
aproximadamente constante durante el período de seguimien- al tratamiento (fig. 5a). Un riesgo decreciente corresponde a
to, con una tasa de fallo cercana al 0,05 mensual. Cuando la poblaciones en las que los individuos se fortalecen con el pa-
función de riesgo es constante se denomina tasa de riesgo. Un so del tiempo, por ejemplo, después de una operación quirúr-
ejemplo de tasa de riesgo constante sería la de las hemorragias gica (fig. 5b). La función de riesgo puede adoptar otras for-
digestivas tras la administración de antiinflamatorios, de los mas, como la de bañera o la de joroba. La forma de bañera
que se dice que producen el mismo riesgo sea la primera o la (fig. 5c) es apropiada como modelo para poblaciones que se
enésima vez que se toman. controlan desde el nacimiento: al principio están las enfer-
La forma de la función de riesgo dependerá del fenómeno medades infantiles, después se estabiliza y luego sigue un
estudiado. Un riesgo creciente corresponde a una población proceso creciente.

0,25 0,25
a b

0,20 0,20
Función de riesgo

Función de riesgo

0,15 0,15

0,10 0,10

0,05 0,05

0 0
0 10 20 30 40 50 0 10 20 30 40 50
Tiempo (meses) Tiempo (meses)

0,25
c
0,20
Función de riesgo

0,15

0,10 Figura 5. Funciones de riesgo

creciente (a), decreciente (b)
0,05 y en forma de bañera (c).
0
0 10 20 30 40 50
Tiempo (meses)

188 GH CONTINUADA. JULIO-AGOSTO 2004. VOL. 3 N.o 4 54

 H ABLEMOS DE ...
Análisis de super vivencia
G. Gómez y E. Cobo

Estimación instantánea (Kaplan-Meier) y por intervalo (actuarial)

De la misma manera que se pueden calcular la se calcula bien a partir del estimador de la función de super-
velocidad instantánea o la velocidad “me- Los vivencia, bien a partir de la proporción de episodios entre
dia” durante un período, la función de dos métodos es- los individuos en riesgo en cada instante (fig. 4).
tadísticos más usuales
riego también puede corresponder a un Así, aun en el caso de que la tasa de fallo fuera cons-
para calcular las funcio-
instante o a un intervalo. El método de nes de supervivencia y de tante, las fluctuaciones del muestreo originarán que
estimación empleado en la figura 4 es riesgo son el del producto las estimaciones difieran de un intervalo a otro. Por
el llamado método actuarial (life tables), (Kaplan-Meier) y el de tablas ello, para visualizar correctamente la información
que calcula, en un intervalo, la propor- de vida (actuarial). Difieren contenida en la muestra conviene representar tam-
en que el segundo pre-
ción de casos que lo superan respecto al bién la banda de confianza que informa sobre los au-
define intervalos de
total de casos que lo inician. Una dificul- tiempo. ténticos valores poblacionales de la tasa de fallo que son
tad de este método la presentan los casos compatibles con los resultados muestrales observados.
perdidos durante cada intervalo (están vivos al Nótese en la figura 4 cómo éste se va ampliando con el tiem-
inicio pero no se sabe si lo están al final). La solución po, y muestra la mayor incertidumbre originada por el
habitual considera que los individuos perdidos o que menor número de casos que alcanzan las mayores
abandonan durante el estudio lo hacen, en término cifras del seguimiento. Nótese también que, si se
Como en toda
medio, a la mitad del intervalo y por tanto, que estu- inferencia estadís-
decide asumir que la tasa es constante durante
vieron en riesgo durante la primera mitad. tica, conviene todo el período de seguimiento, se podrán
Un planteamiento alternativo (estimador de Kaplan- acompañar las esti- combinar todas las tasas mensuales en una so-
Meier) consiste en “actualizar” la estimación de la fun- maciones de inter- la, con el doble beneficio de parsimonia cientí-
ción de supervivencia en cada momento en que aparece valos de con- fica y eficiencia estadística: parsimonia porque
fianza.
un episodio, y no al final de intervalos predefinidos. Este se explica el mismo fenómeno de forma más sim-
procedimiento es el más utilizado para estimar la función ple; y eficiencia porque se obtienen estimadores más
de supervivencia (fig. 3). El estimador para la función de riesgo precisos, con un IC más estrecho.

Comparación de curvas
Para comparar dos curvas de supervivencia, una primera mayor a los tiempos iniciales que tienen más observaciones
aproximación estudiaría un único tiempo de vida, por (prueba de Gehan, generalización de la de Wilcoxon).
ejemplo, los 3 años. Sin embargo, este procedimien- Estos dos procedimientos proporcionan un grado
to desprecia el resto de información, por lo que de significación (valor de p) que permite detec-
La prueba de
necesita muestras amplias para encontrar dife- tar y establecer la existencia de diferencias sig-
hipótesis sobre si
rencias. Además, la misma elección de este varias curvas provie- nificativas y la supremacía de la supervivencia
punto en el tiempo puede ser controvertida. nen de la misma pobla- de una población con respecto a la otra. Sin
Por todo esto, es más apropiado combinar la ción puede realizarse embargo, la ausencia de un parámetro que
información de todos los tiempos para decidir con los métodos de cuantifique las diferencias ente ambas pobla-
log-rank y de Ge-
si las curvas en comparación provienen de la ciones, dificulta la evaluación de la relevancia
han.
misma población. Esta combinación puede hacer- clínica. En el siguiente apartado se expone cómo
se otorgando la misma ponderación a todos los el modelo de Cox propone un parámetro que per-
tiempos (prueba del log-rank, equivalente a la de Mantel mite resumir las diferencias entre las poblaciones en
y Haenszel para combinar tablas 2 × 2), o dando un peso comparación.

55 GH CONTINUADA. JULIO-AGOSTO 2004. VOL. 3 N.o 4 189

H ABLEMOS DE ...
Análisis de super vivencia
G. Gómez y E. Cobo

Modelo de riesgos proporcionales (regresión de Cox)

El modelo de Cox es el equivalente en análisis yo no puedo decirle cuántos cumpleaños le quedan, pe-
de la supervivencia al modelo de regresión li- ro puedo garantizarle que, si realiza la intervención
La razón de
neal. Se trata de un modelo semiparamétri- riesgo (hazard ra- que le propongo, su riesgo queda reducido entre un
co, ya que no exige ninguna forma para la tio) estima el cociente 48 y un 62%”.
función de riesgo (puede ser creciente o entre las funciones de Por supuesto que esta premisa de proporcionalidad
decreciente, etc.) pero, en cambio, define riesgo de dos curvas de los riesgos no tiene por qué ser siempre correcta y
un parámetro que es la razón entre ambas durante el período es obligación del investigador y del estadístico anali-
de seguimiento.
funciones de riesgo (hazard ratio). Este plan- zar hasta qué punto los datos permiten seguir emple-
teamiento responde de forma natural a la pre- ándola. La figura 7 muestra una situación en la que el
gunta del clínico, que no ambiciona conocer cuál episodio tiene una tendencia diferente a presentarse en am-
es el tiempo exacto de vida de un paciente determina- bos grupos: mientras que en uno de ellos se presenta con
do (parte del modelo no parametrizada), y centra más frecuencia en la primera mitad del seguimiento, en
sus esfuerzos en identificar las intervenciones el otro grupo el episodio acontece más a menudo en
que puedan aumentarlo (parte del modelo pa- El modelo de la segunda mitad. Esta situación, sin duda más re-
riesgos proporcio-
rametrizada). El modelo de Cox no impone buscada, podría darse en un tratamiento con más
nales de Cox es el
como premisa una forma para la función de equivalente a la regre- de un mecanismo de acción, de forma que en una
riesgo, pero sí asume que la razón de riesgo sión lineal múltiple en parte del seguimiento se observaran unos resulta-
toma el mismo valor durante todo el período el análisis de su- dos contrarios a los de la otra parte. Por supuesto,
de seguimiento. Como ejemplo, se puede pen- pervivencia. en esta situación no sería correcto asumir un efecto
sar que si se desarrolla un nuevo tipo de antiin- constante del tratamiento, entre otras cosas porque
flamatorio, es deseable que la reducción del riesgo ambos efectos se anularían mutuamente y no se observa-
de hemorragia digestiva se mantenga mientras se toma la ría nada (razón de riesgo = 1,095; IC del 95%, 0,940-1,227).
medicación. En la figura 6 puede verse la forma que adopta El modelo de Cox puede considerar simultáneamente la hipotéti-
la función de supervivencia y la función de riesgo cuando es- ca relación de varias variables con la supervivencia y estudiar, de es-
te efecto, es decir, esta reducción que mide la razón de riesgo ta manera, si la relación de algunas persiste una vez se ha tenido en
es constante. Las funciones de supervivencia de ambos gru- cuenta al resto. Para hacerlo, extiende la premisa de riesgos pro-
pos se van separando progresivamente, resultado del mayor porcionales a cada variable considerada, tanto variables cuantitati-
riesgo en uno de ellos. Por su parte, las funciones de riesgo vas como categóricas. La construcción del modelo es una tarea
son paralelas, con una cierta oscilación por las fluctuaciones muy delicada, ya que se debe especificar la relación que cumple
del muestreo. La razón de riesgo de este ejemplo es 0,45 (IC con esta premisa de proporcionalidad, al mismo tiempo que se evi-
del 95%, 0,38-0,52), lo que indica que uno de los grupos tie- ta introducir variables que tengan entre ellas una elevada colineali-
ne un riesgo que es algo menor de la mitad que el correspon- dad. Si el modelo está bien elaborado, su interpretación es más
diente al otro grupo (la reducción es del 55%; IC del 95%, 48 simple, ya que la razón de riesgo establecida para una variable pue-
al 62%). Obsérvese que el IC es razonablemente preciso. de interpretarse “independientemente”, es decir, de manera fija, del
Una vez más, adoptar la premisa de riesgos proporcionales resto de variables9-10. La decisión final sobre si una relación puede
hará el modelo más parsimonioso y simple de comunicar, al interpretarse como causal debe basarse en la existencia de la co-
mismo tiempo que aumenta su eficiencia estadística. Así, el rrespondiente hipótesis antes de la recogida de los datos, así como
médico estaría en condiciones de decir a su paciente: “mire, de su procedencia, observacional o experimental.

1,0 0,10
Probabilidad de sobrepasar el tiempo t

Grupo I II Grupo I II
Tasa de fallo en el instante t

0,8 0,08

0,6 0,06

0,4 0,04

0,2 0,02

0,0 0,00
0 10 20 30 40 50 0 10 20 30 40 50
Tiempo (meses) Tiempo (meses)

Figura 6. Forma de las funciones de supervivencia y de riesgo cuando la razón de riesgo es constante.

190 GH CONTINUADA. JULIO-AGOSTO 2004. VOL. 3 N.o 4 56

 H ABLEMOS DE ...
Análisis de super vivencia
G. Gómez y E. Cobo

1,0 0,10
Probabilidad de sobrepasar el tiempo t

Grupo I II Grupo I II

Tasa de fallo en el instante t

0,8 0,08

0,6 0,06

0,4 0,04

0,2 0,02

0,0 0,00
0 10 20 30 40 50 0 10 20 30 40 50
Tiempo (meses) Tiempo (meses)

Figura 7. Forma de las funciones de supervivencia y de riesgo cuando la razón de riesgo cambia de una mitad a otra del seguimiento.

Conclusión
El análisis de supervivencia debe basarse en el estudio de las cálculos intensivos. Afortunadamente, la incorporación al
funciones de supervivencia y de las funciones de riesgo. El mercado de profesionales estadísticos, expertos en el uso de
modelo de riesgos proporcionales de Cox, sin imponer con- las modernas herramientas estadísticas e informáticas, ha fa-
diciones sobre la forma de la supervivencia, permite al inves- cilitado que el análisis de supervivencia se haya convertido
tigador disponer de un estimador del efecto de un trata- en una metodología habitual en gran parte de artículos de
miento, junto con su IC, a partir del cual puede evaluar tanto revistas médicas de prestigio. El clínico, convenientemente
la significación estadística como la relevancia clínica. Sin asesorado por un estadístico experto en ellas, tiene ahora la
embargo, se trata de una metodología sofisticada, con premi- oportunidad de incorporar este potencial en su trabajo clíni-
sas que deben ser evaluadas por un estadístico, y que requiere co e investigador.

Bibliografía
4. Gómez, G. Análisis de supervivencia Barcelona. Universidad Politècnica de Cata-
lunya, 2004. ISBN 84-688-5607-X.
5. Hougaard P. Fundamentals of survival data. Biometrics 1999;55:13-22.
6. Kalbfleisch JD, Prentice RL. The statistical analysis of failure time data. New York:
John Wiley and Sons, 1980.
7. Klein JP, Moeschberger ML. Survival analysis. Techniques for censored and trunca-
ted data. New York: Springer-Verlag, 1997.
1. Aalen OO, Gjessing HK. Understanding the shape of the hazard rate: A process 8. Kleinbaum DG. Survival analysis. A self-learning text. New York: Springer-Verlag,
point of view. Statist Sci 2001;1:1-22. 1996.
2. Collet DS. Modelling survival data in medical research. Londres: Chapman and 9. Cobo E. Corchero C. Ajuste: qué variables, cómo y cuándo. Formación Médica
Hall, 1994. Continuada en Atención Primaria 2003;10:741-2.
3. Gómez, G. Técnicas estadísticas en análisis de supervivencia. ICB digital 5 [consul- 10. Cobo E. Análisis multivariante en investigación médica: criterios para la inclusión
tado 17/06/2002]. Disponible en: http://www.icf.uab.es/icbdigital/ de variables. Med Clin (Barc) 2002;119:230-7.

57 GH CONTINUADA. JULIO-AGOSTO 2004. VOL. 3 N.o 4 191

Próximo número
GASTROENTEROLOGIA
Y HEPATOLOGIA CONTINUADA Septiembre-Octubre 2004, Volumen 3, Número 5

Actualización Enfermedades metabólicas

Enfermedad de Wilson
José Antonio Solís

Hemocromatosis
Alberto Pardo y Enrique Quintero

Déficit de alfa-1-antitripsina
J. Ignacio Herrero

Porfirias hepáticas
Raúl Andrade

El lugar en terapéutica de...

Inhibidores de la angiogénesis en el tratamiento del cáncer
Constantino Fontdevila

Revisión técnica diagnóstica

Pruebas de función pancreática exocrina
Salvador Navarro

Ensayos clínicos y práctica clínica

Cromoendoscopia para la detección de la displasia
en la enfermedad inflamatoria instestinal
Margarita Menacho y Adolfo Parra

Prevención de...
Programas de cribado en el cáncer colorrectal hereditario (I)
Francisco-Rodríguez-Moranta
Programas de cribado en el cáncer colorrectal familiar (y II)
Francisco Rodríguez-Moranta y Francesc Balaguer

Ventana a otras especialidades

Tromboembolia pulmonar
Manuel Monreal

Hablemos de...
El síndrome de burnout
Gemma Parramon y Joan de Pablo

58