Taller 1: Sobrevida - Modelo de Kaplan Meier.
JP Vinicki
2025-08-05
1. Paquetes necesarios.
library(survival)
library(survminer)## Warning: package 'survminer' was built under R version 4.4.3## Cargando paquete requerido: ggplot2## Cargando paquete requerido: ggpubr## Warning: package 'ggpubr' was built under R version 4.4.2##
## Adjuntando el paquete: 'survminer'## The following object is masked from 'package:survival':
##
## myelomalibrary(naniar)## Warning: package 'naniar' was built under R version 4.4.3library(dplyr)## Warning: package 'dplyr' was built under R version 4.4.3##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2)2. Cargar el conjunto de datos
lung(viene precargado en survival).
lung <- lung3. Explorar y eliminar observaciones con datos faltantes.
vis_miss(lung)
Elimino datos faltantes solo de la variable que me interesa trabajar.
lung <- lung %>% dplyr::filter(!is.na(ph.ecog))
vis_miss(lung)
4. Convertir
sexa factor con etiquetas.
lung$sex <- factor(lung$sex, levels = c(1, 2), labels = c("Hombre", "Mujer"))
levels(lung$sex)## [1] "Hombre" "Mujer"5. Crear objeto con
Surv: variable de respuesta “Tiempo al Evento”:tiempo_evento(time,status).
tiempo_evento <- Surv(lung$time,lung$status)¿Cómo se ve el objeto Surv?
lung$time #vemos el tiempo de seguimiento de cada observacion## [1] 306 455 1010 210 883 1022 310 361 218 166 170 654 728 567 144
## [16] 613 707 61 88 301 81 624 371 394 520 574 118 390 12 473
## [31] 26 533 107 53 122 814 965 93 731 460 153 433 145 583 95
## [46] 303 519 643 765 735 189 53 246 689 65 5 132 687 345 444
## [61] 223 175 60 163 65 208 821 428 230 840 305 11 132 226 426
## [76] 705 363 11 176 791 95 196 167 806 284 641 147 740 163 655
## [91] 239 88 245 588 30 179 310 477 166 559 450 364 107 177 156
## [106] 529 11 429 351 15 181 283 201 524 13 212 524 288 363 442
## [121] 199 550 54 558 207 92 60 551 543 293 202 353 511 267 511
## [136] 371 387 457 337 201 404 222 62 458 356 353 163 31 340 229
## [151] 444 315 182 156 329 364 291 179 376 384 268 292 142 413 266
## [166] 194 320 181 285 301 348 197 382 303 296 180 186 145 269 300
## [181] 284 350 272 292 332 285 259 110 286 270 81 131 225 269 225
## [196] 243 279 276 135 79 59 240 202 235 105 224 239 237 173 252
## [211] 221 185 92 13 222 192 183 211 175 197 203 116 188 191 105
## [226] 174 177lung$status## [1] 2 2 1 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1
## [38] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 1 2 2 2 2
## [75] 2 2 2 2 2 2 2 1 2 1 2 2 2 1 2 2 2 2 2 1 2 2 2 2 2 1 2 2 2 2 2 1 2 2 2 2 2
## [112] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 2 2 2 1 2 1 2 2 2 2 2 1 2 2 1 1 2 2 2
## [149] 2 2 1 1 2 2 2 1 2 2 1 1 2 1 2 1 1 2 2 2 2 1 2 2 1 1 1 2 2 2 1 1 1 2 1 1 1
## [186] 2 1 2 2 2 2 2 1 2 1 1 1 1 2 2 2 1 1 1 2 1 2 1 1 1 1 1 1 2 1 1 2 1 1 1 1 2
## [223] 1 1 1 1 1tiempo_evento #tiempo de seguimiento y el status de censura marcado como +## [1] 306 455 1010+ 210 883 1022+ 310 361 218 166 170 654
## [13] 728 567 144 613 707 61 88 301 81 624 371 394
## [25] 520 574 118 390 12 473 26 533 107 53 122 814
## [37] 965+ 93 731 460 153 433 145 583 95 303 519 643
## [49] 765 735 189 53 246 689 65 5 132 687 345 444
## [61] 223 175 60 163 65 208 821+ 428 230 840+ 305 11
## [73] 132 226 426 705 363 11 176 791 95 196+ 167 806+
## [85] 284 641 147 740+ 163 655 239 88 245 588+ 30 179
## [97] 310 477 166 559+ 450 364 107 177 156 529+ 11 429
## [109] 351 15 181 283 201 524 13 212 524 288 363 442
## [121] 199 550 54 558 207 92 60 551+ 543+ 293 202 353
## [133] 511+ 267 511+ 371 387 457 337 201 404+ 222 62 458+
## [145] 356+ 353 163 31 340 229 444+ 315+ 182 156 329 364+
## [157] 291 179 376+ 384+ 268 292+ 142 413+ 266+ 194 320 181
## [169] 285 301+ 348 197 382+ 303+ 296+ 180 186 145 269+ 300+
## [181] 284+ 350 272+ 292+ 332+ 285 259+ 110 286 270 81 131
## [193] 225+ 269 225+ 243+ 279+ 276+ 135 79 59 240+ 202+ 235+
## [205] 105 224+ 239 237+ 173+ 252+ 221+ 185+ 92+ 13 222+ 192+
## [217] 183 211+ 175+ 197+ 203+ 116 188+ 191+ 105+ 174+ 177+🔹 ¿Qué es tiempo_evento?
Es un objeto especial de clase Surv que combina
lung$time y lung$status. Es la estructura que
entiende la función de supervivencia (survfit,
coxph, etc.).
Este objeto:
- Muestra los días de seguimiento (
lung$time) - Añade un “+” al final si el paciente fue censurado
(
lung$status == 2) - No muestra el
statuscomo número, sino que marca visualmente con + qué observaciones fueron censuradas.
6a. Ajustar el modelo Kaplan-Meier global.
km_global <- survfit(tiempo_evento ~ 1, data = lung) # ponemos 1 para marcar que es crudo, sin estratificar por ninguna variable.6b. Ajustar el modelo Kaplan-Meier estratificado por
sex.
km_fit <- survfit(tiempo_evento ~ sex, data = lung) 7a. Visualizar la tabla de supervivencia global.
summary(km_global)## Call: survfit(formula = tiempo_evento ~ 1, data = lung)
##
## time n.risk n.event survival std.err lower 95% CI upper 95% CI
## 5 227 1 0.9956 0.00440 0.9870 1.000
## 11 226 3 0.9824 0.00873 0.9654 1.000
## 12 223 1 0.9780 0.00974 0.9591 0.997
## 13 222 2 0.9692 0.01147 0.9469 0.992
## 15 220 1 0.9648 0.01224 0.9411 0.989
## 26 219 1 0.9604 0.01295 0.9353 0.986
## 30 218 1 0.9559 0.01362 0.9296 0.983
## 31 217 1 0.9515 0.01425 0.9240 0.980
## 53 216 2 0.9427 0.01542 0.9130 0.973
## 54 214 1 0.9383 0.01597 0.9075 0.970
## 59 213 1 0.9339 0.01649 0.9022 0.967
## 60 212 2 0.9251 0.01747 0.8915 0.960
## 61 210 1 0.9207 0.01793 0.8862 0.957
## 62 209 1 0.9163 0.01838 0.8810 0.953
## 65 208 2 0.9075 0.01923 0.8706 0.946
## 79 206 1 0.9031 0.01964 0.8654 0.942
## 81 205 2 0.8943 0.02041 0.8552 0.935
## 88 203 2 0.8855 0.02114 0.8450 0.928
## 92 201 1 0.8811 0.02149 0.8399 0.924
## 93 199 1 0.8766 0.02183 0.8349 0.920
## 95 198 2 0.8678 0.02249 0.8248 0.913
## 105 196 1 0.8633 0.02281 0.8198 0.909
## 107 194 2 0.8544 0.02342 0.8097 0.902
## 110 192 1 0.8500 0.02372 0.8048 0.898
## 116 191 1 0.8455 0.02401 0.7998 0.894
## 118 190 1 0.8411 0.02429 0.7948 0.890
## 122 189 1 0.8366 0.02457 0.7899 0.886
## 131 188 1 0.8322 0.02484 0.7849 0.882
## 132 187 2 0.8233 0.02536 0.7751 0.875
## 135 185 1 0.8188 0.02561 0.7702 0.871
## 142 184 1 0.8144 0.02585 0.7653 0.867
## 144 183 1 0.8099 0.02609 0.7604 0.863
## 145 182 2 0.8010 0.02655 0.7507 0.855
## 147 180 1 0.7966 0.02677 0.7458 0.851
## 153 179 1 0.7921 0.02699 0.7410 0.847
## 156 178 2 0.7832 0.02741 0.7313 0.839
## 163 176 3 0.7699 0.02801 0.7169 0.827
## 166 173 2 0.7610 0.02838 0.7073 0.819
## 167 171 1 0.7565 0.02856 0.7026 0.815
## 170 170 1 0.7521 0.02874 0.6978 0.811
## 175 167 1 0.7476 0.02892 0.6930 0.806
## 176 165 1 0.7431 0.02910 0.6882 0.802
## 177 164 1 0.7385 0.02927 0.6833 0.798
## 179 162 2 0.7294 0.02961 0.6736 0.790
## 180 160 1 0.7248 0.02977 0.6688 0.786
## 181 159 2 0.7157 0.03009 0.6591 0.777
## 182 157 1 0.7112 0.03024 0.6543 0.773
## 183 156 1 0.7066 0.03039 0.6495 0.769
## 186 154 1 0.7020 0.03054 0.6447 0.765
## 189 152 1 0.6974 0.03068 0.6398 0.760
## 194 149 1 0.6927 0.03083 0.6349 0.756
## 197 147 1 0.6880 0.03098 0.6299 0.751
## 199 145 1 0.6833 0.03113 0.6249 0.747
## 201 144 2 0.6738 0.03141 0.6149 0.738
## 202 142 1 0.6690 0.03154 0.6100 0.734
## 207 139 1 0.6642 0.03168 0.6049 0.729
## 208 138 1 0.6594 0.03182 0.5999 0.725
## 210 137 1 0.6546 0.03195 0.5949 0.720
## 212 135 1 0.6497 0.03208 0.5898 0.716
## 218 134 1 0.6449 0.03220 0.5848 0.711
## 222 132 1 0.6400 0.03233 0.5797 0.707
## 223 130 1 0.6351 0.03245 0.5746 0.702
## 226 126 1 0.6300 0.03258 0.5693 0.697
## 229 125 1 0.6250 0.03271 0.5641 0.693
## 230 124 1 0.6200 0.03283 0.5588 0.688
## 239 121 2 0.6097 0.03308 0.5482 0.678
## 245 117 1 0.6045 0.03320 0.5428 0.673
## 246 116 1 0.5993 0.03332 0.5374 0.668
## 267 112 1 0.5939 0.03345 0.5319 0.663
## 268 111 1 0.5886 0.03358 0.5263 0.658
## 269 110 1 0.5832 0.03369 0.5208 0.653
## 270 108 1 0.5778 0.03381 0.5152 0.648
## 283 104 1 0.5723 0.03394 0.5095 0.643
## 284 103 1 0.5667 0.03406 0.5038 0.638
## 285 101 2 0.5555 0.03430 0.4922 0.627
## 286 99 1 0.5499 0.03441 0.4864 0.622
## 288 98 1 0.5443 0.03451 0.4807 0.616
## 291 97 1 0.5387 0.03461 0.4749 0.611
## 293 94 1 0.5329 0.03471 0.4691 0.606
## 301 91 1 0.5271 0.03482 0.4631 0.600
## 303 89 1 0.5212 0.03493 0.4570 0.594
## 305 87 1 0.5152 0.03504 0.4509 0.589
## 306 86 1 0.5092 0.03514 0.4448 0.583
## 310 85 2 0.4972 0.03532 0.4326 0.571
## 320 82 1 0.4911 0.03541 0.4264 0.566
## 329 81 1 0.4851 0.03548 0.4203 0.560
## 337 79 1 0.4789 0.03556 0.4141 0.554
## 340 78 1 0.4728 0.03563 0.4079 0.548
## 345 77 1 0.4667 0.03570 0.4017 0.542
## 348 76 1 0.4605 0.03575 0.3955 0.536
## 350 75 1 0.4544 0.03580 0.3894 0.530
## 351 74 1 0.4482 0.03584 0.3832 0.524
## 353 73 2 0.4360 0.03589 0.3710 0.512
## 361 70 1 0.4297 0.03591 0.3648 0.506
## 363 69 2 0.4173 0.03594 0.3525 0.494
## 364 67 1 0.4110 0.03594 0.3463 0.488
## 371 65 2 0.3984 0.03593 0.3339 0.475
## 387 60 1 0.3918 0.03594 0.3273 0.469
## 390 59 1 0.3851 0.03593 0.3208 0.462
## 394 58 1 0.3785 0.03592 0.3142 0.456
## 426 55 1 0.3716 0.03592 0.3075 0.449
## 428 54 1 0.3647 0.03591 0.3007 0.442
## 429 53 1 0.3578 0.03589 0.2940 0.436
## 433 52 1 0.3510 0.03585 0.2873 0.429
## 442 51 1 0.3441 0.03580 0.2806 0.422
## 444 50 1 0.3372 0.03574 0.2739 0.415
## 450 48 1 0.3302 0.03568 0.2671 0.408
## 455 47 1 0.3231 0.03561 0.2604 0.401
## 457 46 1 0.3161 0.03552 0.2536 0.394
## 460 44 1 0.3089 0.03543 0.2467 0.387
## 473 43 1 0.3017 0.03533 0.2399 0.380
## 477 42 1 0.2946 0.03521 0.2330 0.372
## 519 39 1 0.2870 0.03511 0.2258 0.365
## 520 38 1 0.2795 0.03499 0.2186 0.357
## 524 37 2 0.2643 0.03469 0.2044 0.342
## 533 34 1 0.2566 0.03453 0.1971 0.334
## 550 32 1 0.2486 0.03437 0.1896 0.326
## 558 30 1 0.2403 0.03420 0.1818 0.318
## 567 28 1 0.2317 0.03404 0.1737 0.309
## 574 27 1 0.2231 0.03385 0.1657 0.300
## 583 26 1 0.2145 0.03361 0.1578 0.292
## 613 24 1 0.2056 0.03338 0.1496 0.283
## 624 23 1 0.1967 0.03311 0.1414 0.274
## 641 22 1 0.1877 0.03278 0.1333 0.264
## 643 21 1 0.1788 0.03242 0.1253 0.255
## 654 20 1 0.1698 0.03201 0.1174 0.246
## 655 19 1 0.1609 0.03155 0.1096 0.236
## 687 18 1 0.1520 0.03103 0.1018 0.227
## 689 17 1 0.1430 0.03047 0.0942 0.217
## 705 16 1 0.1341 0.02985 0.0867 0.207
## 707 15 1 0.1251 0.02916 0.0793 0.198
## 728 14 1 0.1162 0.02842 0.0720 0.188
## 731 13 1 0.1073 0.02760 0.0648 0.178
## 735 12 1 0.0983 0.02671 0.0577 0.167
## 765 10 1 0.0885 0.02579 0.0500 0.157
## 791 9 1 0.0787 0.02472 0.0425 0.146
## 814 7 1 0.0674 0.02361 0.0339 0.134
## 883 4 1 0.0506 0.02295 0.0208 0.1237b. Visualizar Tabla de supervivencia estratificada por
sex.
summary(km_fit)## Call: survfit(formula = tiempo_evento ~ sex, data = lung)
##
## sex=Hombre
## time n.risk n.event survival std.err lower 95% CI upper 95% CI
## 11 137 3 0.9781 0.0125 0.9539 1.000
## 12 134 1 0.9708 0.0144 0.9430 0.999
## 13 133 2 0.9562 0.0175 0.9225 0.991
## 15 131 1 0.9489 0.0188 0.9127 0.987
## 26 130 1 0.9416 0.0200 0.9031 0.982
## 30 129 1 0.9343 0.0212 0.8937 0.977
## 31 128 1 0.9270 0.0222 0.8845 0.972
## 53 127 2 0.9124 0.0242 0.8663 0.961
## 54 125 1 0.9051 0.0250 0.8573 0.956
## 59 124 1 0.8978 0.0259 0.8485 0.950
## 60 123 1 0.8905 0.0267 0.8397 0.944
## 65 122 2 0.8759 0.0282 0.8224 0.933
## 81 120 1 0.8686 0.0289 0.8138 0.927
## 88 119 2 0.8540 0.0302 0.7969 0.915
## 92 117 1 0.8467 0.0308 0.7885 0.909
## 93 116 1 0.8394 0.0314 0.7801 0.903
## 95 115 1 0.8321 0.0319 0.7718 0.897
## 105 114 1 0.8248 0.0325 0.7636 0.891
## 107 113 1 0.8175 0.0330 0.7553 0.885
## 110 112 1 0.8102 0.0335 0.7471 0.879
## 116 111 1 0.8029 0.0340 0.7390 0.872
## 118 110 1 0.7956 0.0345 0.7309 0.866
## 131 109 1 0.7883 0.0349 0.7228 0.860
## 132 108 2 0.7737 0.0357 0.7067 0.847
## 135 106 1 0.7664 0.0361 0.6987 0.841
## 142 105 1 0.7591 0.0365 0.6908 0.834
## 144 104 1 0.7518 0.0369 0.6829 0.828
## 147 103 1 0.7445 0.0373 0.6750 0.821
## 156 102 2 0.7299 0.0379 0.6592 0.808
## 163 100 3 0.7080 0.0388 0.6358 0.788
## 166 97 1 0.7007 0.0391 0.6281 0.782
## 170 96 1 0.6934 0.0394 0.6204 0.775
## 175 94 1 0.6861 0.0397 0.6126 0.768
## 176 93 1 0.6787 0.0399 0.6048 0.762
## 177 92 1 0.6713 0.0402 0.5970 0.755
## 179 91 2 0.6565 0.0406 0.5816 0.741
## 180 89 1 0.6492 0.0408 0.5739 0.734
## 181 88 2 0.6344 0.0412 0.5586 0.721
## 183 86 1 0.6270 0.0414 0.5510 0.714
## 189 83 1 0.6195 0.0416 0.5432 0.707
## 197 80 1 0.6117 0.0418 0.5351 0.699
## 202 78 1 0.6039 0.0419 0.5270 0.692
## 207 77 1 0.5961 0.0421 0.5189 0.685
## 210 76 1 0.5882 0.0423 0.5109 0.677
## 212 75 1 0.5804 0.0425 0.5028 0.670
## 218 74 1 0.5725 0.0426 0.4948 0.662
## 222 72 1 0.5646 0.0427 0.4867 0.655
## 223 70 1 0.5565 0.0429 0.4785 0.647
## 229 67 1 0.5482 0.0430 0.4700 0.639
## 230 66 1 0.5399 0.0432 0.4616 0.632
## 239 64 1 0.5315 0.0433 0.4530 0.624
## 246 63 1 0.5230 0.0435 0.4444 0.616
## 267 61 1 0.5145 0.0436 0.4358 0.607
## 269 60 1 0.5059 0.0437 0.4271 0.599
## 270 59 1 0.4973 0.0438 0.4185 0.591
## 283 57 1 0.4886 0.0439 0.4097 0.583
## 284 56 1 0.4799 0.0439 0.4010 0.574
## 285 54 1 0.4710 0.0440 0.3921 0.566
## 286 53 1 0.4621 0.0441 0.3833 0.557
## 288 52 1 0.4532 0.0441 0.3745 0.548
## 291 51 1 0.4443 0.0441 0.3657 0.540
## 301 48 1 0.4351 0.0442 0.3565 0.531
## 303 46 1 0.4256 0.0442 0.3472 0.522
## 306 44 1 0.4159 0.0443 0.3376 0.512
## 310 43 1 0.4062 0.0443 0.3281 0.503
## 320 42 1 0.3966 0.0443 0.3187 0.494
## 329 41 1 0.3869 0.0442 0.3092 0.484
## 337 40 1 0.3772 0.0442 0.2999 0.475
## 353 39 2 0.3579 0.0440 0.2813 0.455
## 363 37 1 0.3482 0.0438 0.2721 0.446
## 364 36 1 0.3385 0.0437 0.2629 0.436
## 371 35 1 0.3289 0.0435 0.2538 0.426
## 387 34 1 0.3192 0.0433 0.2447 0.416
## 390 33 1 0.3095 0.0430 0.2357 0.406
## 394 32 1 0.2999 0.0428 0.2267 0.397
## 428 29 1 0.2895 0.0425 0.2171 0.386
## 429 28 1 0.2792 0.0422 0.2075 0.376
## 442 27 1 0.2688 0.0419 0.1980 0.365
## 455 25 1 0.2581 0.0416 0.1882 0.354
## 457 24 1 0.2473 0.0412 0.1784 0.343
## 460 22 1 0.2361 0.0409 0.1682 0.331
## 477 21 1 0.2248 0.0404 0.1581 0.320
## 519 20 1 0.2136 0.0399 0.1481 0.308
## 524 19 1 0.2024 0.0394 0.1382 0.296
## 533 18 1 0.1911 0.0388 0.1284 0.284
## 558 17 1 0.1799 0.0381 0.1188 0.272
## 567 16 1 0.1686 0.0373 0.1093 0.260
## 574 15 1 0.1574 0.0365 0.0999 0.248
## 583 14 1 0.1461 0.0356 0.0907 0.235
## 613 13 1 0.1349 0.0346 0.0816 0.223
## 624 12 1 0.1237 0.0335 0.0728 0.210
## 643 11 1 0.1124 0.0323 0.0641 0.197
## 655 10 1 0.1012 0.0309 0.0556 0.184
## 689 9 1 0.0899 0.0295 0.0473 0.171
## 707 8 1 0.0787 0.0278 0.0393 0.157
## 791 7 1 0.0675 0.0260 0.0317 0.144
## 814 5 1 0.0540 0.0241 0.0225 0.129
## 883 3 1 0.0360 0.0218 0.0110 0.118
##
## sex=Mujer
## time n.risk n.event survival std.err lower 95% CI upper 95% CI
## 5 90 1 0.9889 0.0110 0.9675 1.000
## 60 89 1 0.9778 0.0155 0.9478 1.000
## 61 88 1 0.9667 0.0189 0.9303 1.000
## 62 87 1 0.9556 0.0217 0.9139 0.999
## 79 86 1 0.9444 0.0241 0.8983 0.993
## 81 85 1 0.9333 0.0263 0.8832 0.986
## 95 83 1 0.9221 0.0283 0.8683 0.979
## 107 81 1 0.9107 0.0301 0.8535 0.972
## 122 80 1 0.8993 0.0318 0.8390 0.964
## 145 79 2 0.8766 0.0349 0.8108 0.948
## 153 77 1 0.8652 0.0362 0.7970 0.939
## 166 76 1 0.8538 0.0375 0.7834 0.931
## 167 75 1 0.8424 0.0387 0.7699 0.922
## 182 71 1 0.8305 0.0399 0.7559 0.913
## 186 70 1 0.8187 0.0411 0.7420 0.903
## 194 68 1 0.8066 0.0422 0.7280 0.894
## 199 67 1 0.7946 0.0432 0.7142 0.884
## 201 66 2 0.7705 0.0452 0.6869 0.864
## 208 62 1 0.7581 0.0461 0.6729 0.854
## 226 59 1 0.7452 0.0471 0.6584 0.843
## 239 57 1 0.7322 0.0480 0.6438 0.833
## 245 54 1 0.7186 0.0490 0.6287 0.821
## 268 51 1 0.7045 0.0501 0.6129 0.810
## 285 47 1 0.6895 0.0512 0.5962 0.798
## 293 45 1 0.6742 0.0523 0.5791 0.785
## 305 43 1 0.6585 0.0534 0.5618 0.772
## 310 42 1 0.6428 0.0544 0.5447 0.759
## 340 39 1 0.6264 0.0554 0.5267 0.745
## 345 38 1 0.6099 0.0563 0.5089 0.731
## 348 37 1 0.5934 0.0572 0.4913 0.717
## 350 36 1 0.5769 0.0579 0.4739 0.702
## 351 35 1 0.5604 0.0586 0.4566 0.688
## 361 33 1 0.5434 0.0592 0.4390 0.673
## 363 32 1 0.5265 0.0597 0.4215 0.658
## 371 30 1 0.5089 0.0603 0.4035 0.642
## 426 26 1 0.4893 0.0610 0.3832 0.625
## 433 25 1 0.4698 0.0617 0.3632 0.608
## 444 24 1 0.4502 0.0621 0.3435 0.590
## 450 23 1 0.4306 0.0624 0.3241 0.572
## 473 22 1 0.4110 0.0626 0.3050 0.554
## 520 19 1 0.3894 0.0629 0.2837 0.534
## 524 18 1 0.3678 0.0630 0.2628 0.515
## 550 15 1 0.3433 0.0634 0.2390 0.493
## 641 11 1 0.3121 0.0649 0.2076 0.469
## 654 10 1 0.2808 0.0655 0.1778 0.443
## 687 9 1 0.2496 0.0652 0.1496 0.417
## 705 8 1 0.2184 0.0641 0.1229 0.388
## 728 7 1 0.1872 0.0621 0.0978 0.359
## 731 6 1 0.1560 0.0590 0.0743 0.328
## 735 5 1 0.1248 0.0549 0.0527 0.295
## 765 3 1 0.0832 0.0499 0.0257 0.2708. Graficar las curvas de Kaplan-Meier estratificadas por
sex.
ggsurvplot(km_fit, data = lung,
risk.table = TRUE, # ver tabla de pacientes en riesgo
pval = TRUE,# agrega p-valor de logrank
conf.int = TRUE,# Intervalo de confianza 95% por default
cumcensor = TRUE,# tabla de censurados
ggtheme = theme_minimal(),
palette = "simpsons")
9. Realizar prueba de
log-rank.
logrank <- survdiff(Surv(time, status) ~ sex, data = lung)
logrank## Call:
## survdiff(formula = Surv(time, status) ~ sex, data = lung)
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## sex=Hombre 137 111 91 4.42 10
## sex=Mujer 90 53 73 5.50 10
##
## Chisq= 10 on 1 degrees of freedom, p= 0.002¿Qué pasa cuando estratificamos por una variable que tiene más de 2 grupos?
lung$ph.ecog <- factor(lung$ph.ecog, levels = c(0, 1, 2), labels = c("Normal", "Limitado", "Restriccion Total"))
levels(lung$ph.ecog)## [1] "Normal" "Limitado" "Restriccion Total"10. Ajustar el modelo Kaplan-Meier estratificado por
ph.ecog.
km_fit2 <- survfit(tiempo_evento ~ ph.ecog, data = lung)11. Graficar las curvas de Kaplan-Meier estratificadas por
ph.ecog.
km_ecog <- ggsurvplot(km_fit2, data = lung,
risk.table = TRUE, # ver tabla de pacientes en riesgo
pval = TRUE,# agrega p-valor de logrank
conf.int = TRUE,# Intervalo de confianza 95% por default
cumcensor = TRUE,# tabla de censurados
ggtheme = theme_minimal(),
palette = "simpsons")
km_ecog
12. Prueba de
log-rank.
- H0 = no hay diferencias entre grupos.
- H1 = al menos un grupo experimenta los eventos a lo largo del tiempo en forma diferente.
logrank2 <- survdiff(Surv(time, status) ~ ph.ecog, data = lung)
options(scipen = 999)
logrank2 ## Call:
## survdiff(formula = Surv(time, status) ~ ph.ecog, data = lung)
##
## n=226, 1 observation deleted due to missingness.
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## ph.ecog=Normal 63 37 53.9 5.3014 8.0181
## ph.ecog=Limitado 113 82 83.1 0.0144 0.0295
## ph.ecog=Restriccion Total 50 44 26.0 12.4571 14.9754
##
## Chisq= 18 on 2 degrees of freedom, p= 0.000113. Obtenemos comparaciones pareadas ajustando
p-valorpara control deerror tipo Icon método deHolm-Sidak(menos conservador que Bonferroni).
pareados <-pairwise_survdiff(Surv(time, status) ~ ph.ecog, data = lung, p.adjust.method = "holm")
pareados##
## Pairwise comparisons using Log-Rank test
##
## data: lung and ph.ecog
##
## Normal Limitado
## Limitado 0.06299 -
## Restriccion Total 0.00013 0.00737
##
## P value adjustment method: holm- Sin diferencia significativa entre “Normal” y “Limitado”.
- Diferencias significativas entre “Normal” y “Restricción Total” y entre “Limitado” y “Restricción Total”.
pareados <-pairwise_survdiff(Surv(time, status) ~ ph.ecog, data = lung, p.adjust.method = "bonferroni")
pareados##
## Pairwise comparisons using Log-Rank test
##
## data: lung and ph.ecog
##
## Normal Limitado
## Limitado 0.18897 -
## Restriccion Total 0.00013 0.01105
##
## P value adjustment method: bonferroni