Análise de Sobrevivência: o fator tempo na predição clínica
Censura, risco, trajetórias longitudinais e modelos para perguntar quando — não apenas se
Abertura: o paciente que desapareceu
Em um ensaio oncológico de 5 anos, parte dos pacientes ainda está viva ao final e parte se perde no seguimento. Se tratarmos todos como “sem evento”, ficamos otimistas. Se jogarmos fora esses casos, ficamos enviesados.
Exemplo aplicado: paciente muda de cidade no terceiro ano. Sabemos que sobreviveu pelo menos 3 anos, mas não sabemos se chegou ao quinto.
Sugestão visual: linhas de vida individuais, com círculos para evento e setas para censura.
O que você faria com um paciente que desaparece do estudo: excluir, assumir sobrevivência ou modelar a incerteza?
De “vai acontecer?” para “quando acontece?”
Dois pacientes podem ter o mesmo desfecho final — por exemplo, óbito — mas trajetórias muito diferentes. Morrer em 2 meses ou em 5 anos não é o mesmo sinal prognóstico nem a mesma decisão clínica.
Exemplo aplicado: em transplante, “mortalidade em 1 ano” é mais acionável do que “morreu em algum momento”.
Em qual problema da sua área o horizonte temporal muda completamente a decisão?
Censura à direita: informação incompleta, não ausência de evento
A censura à direita ocorre quando o estudo termina, o paciente se perde no seguimento ou ainda não teve evento até a última observação. O erro comum é tratar censura como “zero evento para sempre”.
Exemplo aplicado: no último contato, o paciente estava vivo no mês 36. Isso não prova sobrevivência até o mês 60.
Quando a perda de seguimento pode deixar de ser “aleatória” e virar fonte de viés?
Kaplan–Meier: a escada da sobrevivência
A curva cai quando há eventos e marca censuras sem derrubar a sobrevivência naquele ponto. Ela é não-paramétrica: descreve a experiência observada sem impor uma forma matemática rígida.
Exemplo aplicado: comparar sobrevida livre de progressão entre dois tratamentos oncológicos.
Sugestão visual: curva em degraus com pequenas marcas verticais nos tempos censurados.
Uma curva Kaplan–Meier separada visualmente basta para afirmar diferença clínica relevante?
Referência: Kaplan & Meier (1958).
Cox: fatores que aceleram ou desaceleram o risco
O resultado mais conhecido é o hazard ratio. Um HR maior que 1 indica maior taxa instantânea de evento; menor que 1 sugere efeito protetor. Mas a interpretação depende da suposição de riscos proporcionais.
Exemplo aplicado: idade, tabagismo e biomarcador inflamatório podem aumentar o risco de readmissão ao longo do tempo.
Quando um hazard ratio pode soar objetivo, mas esconder uma história clínica mais complexa?
Referência: Cox (1972).
Dados longitudinais: linha do tempo do paciente
Características podem mudar: HbA1c, creatinina, fração de ejeção, tratamento, dose e adesão. Modelos precisam respeitar quando cada informação estava disponível.
Exemplo aplicado: usar creatinina medida depois do evento para predizer o evento é vazamento temporal.
Que variáveis do seu problema são realmente fixas e quais mudam ao longo da trajetória?
Riscos competitivos: quando outro evento fecha a porta
Se estudamos morte por câncer, morrer por infarto impede a observação futura da morte por câncer. Tratar isso como censura comum pode superestimar riscos.
Exemplo aplicado: falha de implante de quadril compete com óbito antes da revisão cirúrgica.
No problema que você pesquisa, quais eventos impedem a observação do evento principal?
Referências: Fine & Gray (1999); Putter et al. (2007).
ML para sobrevivência: mais flexibilidade, novas armadilhas
Random Survival Forests, gradient boosting e redes neurais podem modelar relações complexas. Ainda assim, precisam de desenho de coorte, validação externa, calibração e interpretabilidade proporcional ao risco de uso.
Exemplo aplicado: prever falha de dispositivo cardíaco usando idade, fração de ejeção, internações prévias, biomarcadores e trajetória de medicações.
Quando a flexibilidade do ML compensa a perda de interpretabilidade de um Cox bem especificado?
Referências: Ishwaran et al. (2008); Katzman et al. (2018); Lee et al. (2018).
Exemplos aplicados: doenças crônicas e trajetórias
Diabetes tipo 2
Trajetórias de HbA1c podem revelar subgrupos com risco diferente de complicações microvasculares.
Síndromes mielodisplásicas
Estados probabilísticos ajudam a modelar progressão e transição para leucemia.
Transplante e LVAD
Estimativas de mortalidade em 1 ano informam momento de intervenção e priorização.
Seu problema clínico é melhor descrito por um evento único, recorrência ou transição entre estados?