Modelos de fragilidade aplicados a análise de fatores contribuintes na morte de pacientes portadores de leucemia / Models of fragility applied to analysis of contributing factors in the death of patients with leukemia

Authors

  • Manoel Joaquim Isidro
  • Roseane de Alcântara Isidro
  • Alisson de Lima Brito
  • Tiago Almeida de Oliveira

DOI:

https://doi.org/10.34117/bjdv6n8-046

Keywords:

Câncer, Análise de sobrevivência, Modelos de fragilidades.

Abstract

A análise de sobrevivência é uma das áreas da Estatística mais utilizadas na medicina, dada sua utilidade em estimar o risco dos pacientes curar-se ou morrer ao longo do estudo. Dentre as ferramentas da análise de sobrevivência para se avaliar a influência de covariáveis no risco dos indivíduos sofrerem um evento de interesse, o modelo de Cox é de longe, o mais utilizado. Apesar de apresentar adequação em muitos problemas práticos, o modelo de Cox não considera a presença de uma variável aleatória não observável que denota o grau de heterogeneidade presente em cada indivíduo, o que pode levar a diferentes taxas de falha, uma vez que uma característica genética por exemplo pode ser favorável ou desfavorável a ocorrência do evento. Neste contexto, um modelo que pode ser utilizado para considerar a presença dessa heterogeneidade é o modelo de fragilidade. Diante disto, o presente estudo objetivou-se em identificar os principais fatores contribuintes para a morte de pacientes portadores de Câncer. Os dados foram obtidos do institute for Helth & Society da universidade de Wisconsin (Medical College of Wisconsin), o banco de dados é constituído de um total de 137 pacientes (38 LLA, 99 LMA) os quais apresentam uma distinção entre os tipos de câncer, leucemia mieloide aguda (LMA) de auto e baixo risco e leucemia linfoblástica aguda (LLA), os pacientes foram tratados em quatro hospitais. Na realização deste trabalho foram estimadas as curvas de sobrevivência por meio de estimador não paramétrico de Kaplan-Meier para os 3 grupos de pacientes com diferentes tipos de leucemia, em seguido o teste log-rank foi utilizado para investigar se existe diferença significativa entre as curvas. Os modelos Exponencial, Weibull e Log-normal foram ajustados para avaliar a influência das covariáveis no tempo de sobrevida dos pacientes. Por fim, o modelo de Cox e os modelos de fragilidades Gama e Log-normal foram usados para modelar o risco de morte dos pacientes e identificar os fatores contribuintes para o desfecho. O estimador de Kaplan-Meier e o teste log-rank revelaram diferença significativa nas curvas de sobrevivência nos diferentes tipos de câncer. Entre os modelos ajustados, o modelo de fragilidade apresentou melhor adequabilidade, com resultados mais fidedignos, sendo este, o modelo a ser utilizado para as inferências.

References

BOGAERTS, K; KOMAREK, A; LESAFFRE, E. Survival analysis with interval-censored data: A practical approach with examples in R, SAS, and BUGS. CRC Press, 2017.

COLOSIMO, E. A.; GIOLO, S. R. Análise de Sobrevivência Aplicada. 1. ed. São Paulo:

Edgard Blucher, 2006.

COX, D. R. Regression models and life tables (with discussion). Journal Royal of

Statistical Society, B, v. 34, p. 187–220, 1972.

DINIZ, C.; LOUZADA, F. Modelagem estatística para risco de crédito. ABE, São

Paulo-SP, 2012.

DUCHATEAU, L.; JANSSEN, P. The Frailty Models. 1. ed. New York: Springer Science & Business Media, 2008.

EMURA, T.; CHEN, Y. Analysis of Survival Data with Dependent Censoring: Copula-Based Approaches. 1st ed. 2018.

FUERST, Daniel et al. Time-dependent effects of clinical predictors in unrelated hematopoietic stem cell transplantation. haematologica, v. 101, n. 2, p. 241-247, 2016.

KAPLAN, E. L.; MEIER, P. Nonparametric estimation from incomplete observations.

Journal of the American statistical association, Taylor & Francis, v. 53, n. 282, p. 457–481, 1958.

KARIM, M. R., & ISLAM, M. A. Reliability and Survival Analysis. Springer Singapore. 2019.

KLEIN, J. P.; MOESCHBERGER, M. L. Survival Analysis: Techniques for Censored and Truncated Data. 2. ed. New York: Springer Science & Business Media, 2005.

HARRELL Jr, F. E. Regression modeling strategies: with applications to linear models, logistic and ordinal regression, and survival analysis. Springer, 2015.

Lin Y (2018) AFT survival model to capture the rate of aging and age-specific mortality trajectories among first-allogeneic hematopoietic stem cells transplant patients. PLOS ONE 13(3): e0193287. https://doi.org/10.1371/journal.pone.0193287

LEE, E. T.; WANG, J. Statistical methods for survival data analysis. John Wiley & Sons, 2003.

MOORE, D. F. Applied survival analysis using R. New Jersey: Springer, 2016.

SAYEH, MIRI K., et al. "Predictive factors of survival time after hematopoietic stem cell transplant in acute myeloid leukemia patients who received allogeneic BMT from matched sibling donors using Generalized Gamma models." International Journal Of Hematology-Oncology And Stem Cell Research (IJHOSCR), Volume 3 , Number 1; 2009: 21-26.

THERNEAU, T. Survival: A Package for Survival Analysis in S. R package version 2.37-7, URL http://CRAN.R-project.org/package=survival. 2014.

WEIBULL, W. A statistical theory of the strength of materials. Stockholm: Generalstabens litografiska anstalts fo?rlag, 1939.

WIENKE, A. Frailty Models in Survival Analysis. Boca Raton: CRC Press, 2010

Published

2020-08-07

How to Cite

Isidro, M. J., Isidro, R. de A., Brito, A. de L., & Oliveira, T. A. de. (2020). Modelos de fragilidade aplicados a análise de fatores contribuintes na morte de pacientes portadores de leucemia / Models of fragility applied to analysis of contributing factors in the death of patients with leukemia. Brazilian Journal of Development, 6(8), 54802–54820. https://doi.org/10.34117/bjdv6n8-046

Issue

Section

Original Papers