Análisis de Supervivencia
Más allá del seguimiento: entendiendo el tiempo hasta el evento
Objetivo: Comprender la censura, construir e interpretar curvas Kaplan-Meier y evitar los errores más frecuentes en la lectura de estudios de supervivencia.
Puente con el libro base — Reyes-Reyes (2019)
Probabilidad y aplicaciones en ciencias de la salud.
El análisis de supervivencia no cubre el libro de Reyes-Reyes, pero el estimador de Kaplan-Meier es una aplicación directa de la probabilidad condicional que sí estudia en profundidad (pp. 8–9). En cada escalón de la curva, Kaplan-Meier calcula: P(sobrevivir hasta el tiempo t+1 | haber sobrevivido hasta t) — exactamente la fórmula de probabilidad condicional multiplicativa. Relee esa sección si quieres entender la mecánica matemática detrás de cada paso de la curva.
Cuando el tiempo cambia la historia: la lección del melanoma
Imagina que en un congreso de oncología te presentan dos tratamientos para el melanoma metastásico. A los dos años, la supervivencia es del 40% en ambos grupos. La comparación simple de proporciones diría que son iguales. Pero al observar las curvas Kaplan‑Meier, descubres que con el tratamiento A la mortalidad se concentra en los primeros 8 meses (la curva cae en picado al inicio y luego se estabiliza), mientras que con el tratamiento B las muertes se reparten de forma más gradual a lo largo de los dos años.
Esta diferencia temporal tiene consecuencias humanas enormes. El paciente que recibe el tratamiento A, si sobrevive al período crítico inicial, disfruta de una larga meseta de estabilidad. Con el tratamiento B, la amenaza permanece latente durante todo el seguimiento.La misma tasa a los 24 meses esconde dos experiencias vitales completamente distintas.
El análisis de supervivencia no solo responde ¿cuántos? sino ¿cuándo?. Y eso, en la clínica, lo cambia todo.
El origen del nombre
El término “supervivencia” viene de las ciencias actuariales y la oncología, donde el desenlace era la muerte. Hoy lo usamos para cualquier evento cuyo tiempo de ocurrencia sea la variable de interés: cicatrización de una herida, abandono del tabaco, primera caída en ancianos, reingreso hospitalario… Por eso también se le llama análisis de tiempo hasta el evento.
Los pilares del análisis de supervivencia
| Concepto | Definición | Por qué es clave |
|---|---|---|
| Tiempo hasta evento | Período desde un origen definido hasta que ocurre el desenlace (o se censura al paciente). | Captura la velocidad del efecto, no solo la tasa cruda al final. |
| Censura | Situación en la que no observamos el evento. No es un dato perdido, es información parcial válida. | Eliminar a los censurados sesga el resultado; el análisis de supervivencia los incorpora hasta el último momento observado. |
| Curva Kaplan‑Meier | Gráfico en escalera que estima la probabilidad de no haber experimentado el evento en cada momento. | Es el estándar visual para comunicar resultados de tiempo hasta evento. |
| Log‑Rank test | Prueba estadística que compara dos o más curvas de supervivencia. | Indica si hay diferencias significativas globales, pero asume riesgos proporcionales. |
La censura: el concepto que no puedes ignorar
Ignorar la censura es un sesgo grave
Si descartas a los pacientes que no han tenido el evento (porque terminó el estudio o se perdieron), estás eliminando precisamente a los que mejor o peor podrían estar. Imagina un estudio sobre abandono del tabaco: eliminar a los que no recaen (censurados) haría que pareciera que todos recaen. La censura no es un fallo, es una realidad del seguimiento y el análisis debe reflejarla.
| Tipo de censura | Cuándo ocurre | Ejemplo clínico real |
|---|---|---|
| Censura a la derecha (la más habitual) | El evento no ha ocurrido al finalizar el seguimiento. | En el estudio DAPA‑HF (dapagliflozina en IC), el 82% de los pacientes no había fallecido al cierre; son censuras a la derecha. |
| Censura a la izquierda | El evento ocurrió antes de entrar al estudio, pero desconocemos el momento exacto. | Niño con caries al ingresar a un programa preventivo; no sabemos cuándo apareció la lesión. |
| Censura por pérdida de seguimiento | El participante abandona el estudio sin que sepamos si experimentó el evento. | Paciente que deja de acudir a las visitas de control en un ensayo de anticoagulación. |
| Evento competitivo | Otro evento impide observar el desenlace principal. | Fallecimiento por accidente en un estudio de recaída de cáncer de mama; la muerte compite con la recaída. |
Visualiza la censura en un estudio con 6 pacientes
Cada línea horizontal representa a un paciente. Los círculos rojos son eventos; las flechas verdes son pacientes que llegan al final sin evento (censura a la derecha); el triángulo naranja es una pérdida de seguimiento. Todos ellos aportan información valiosa hasta el momento en que dejan de ser observados.
Anatomía de una curva Kaplan‑Meier
La curva Kaplan‑Meier parece una escalera que desciende. Cada escalón hacia abajo es un evento; las marcas verticales pequeñas (ticks) que ves sobre la curva indican pacientes censurados. Fíjate bien: una curva que cae mucho al principio pero luego se vuelve plana cuenta una historia muy distinta de otra que desciende de manera constante.
Regla nemotécnica para leer la curva
Escalón = evento.
Tick (+) = censura.
Meseta larga = estabilidad.
Caída brusca = muchos eventos simultáneos.
Tabla debajo = número real de pacientes que “sostienen” la curva.
Ejemplos multidisciplinarios con estudios reales
🔬 Insuficiencia cardíaca: DAPA‑HF (dapagliflozina)
En el estudio DAPA‑HF (n=4744), la variable principal fue un compuesto de muerte cardiovascular u hospitalización por insuficiencia cardíaca. Las curvas Kaplan‑Meier mostraron una separación precoz (hacia los 28 días) que se mantuvo y amplió durante 18 meses de seguimiento. El Hazard Ratio fue de 0.74 (IC 95%: 0.65‑0.85). La velocidad con que las curvas se separan es casi tan importante como el HR mismo: indica un beneficio rápido, algo que una simple comparación de proporciones ignoraría.
🧠 Recaída en trastorno por consumo de alcohol (psicología)
En un ensayo aleatorizado de dos terapias tras deshabituación, la “supervivencia” es el tiempo hasta el primer consumo. Pacientes que completan 12 meses sin recaer son censurados al final del estudio. Las curvas mostraron que la terapia intensiva reducía las recaídas tempranas (la curva del grupo control caía abruptamente en las primeras 4 semanas, mientras la del grupo intervención se mantenía más alta). El test de Log‑Rank dio p=0.03. Una caída brusca al inicio obliga a diseñar refuerzos precoces.
👶 Lactancia materna exclusiva (nutrición / enfermería pediátrica)
Evento: abandono de la lactancia materna exclusiva (medido en meses). Un estudio comparó consejería estándar frente a un programa intensivo de apoyo telefónico. La curva del grupo apoyo se mantuvo por encima, con una mediana de 5.2 meses frente a 2.8 meses. La inspección visual reveló que la mayor diferencia se acumulaba en los primeros 3 meses, precisamente cuando la curva del grupo control caía en picado. Conclusión: el apoyo temprano es crítico.
Caso práctico: interpretemos juntos una curva real (estudio KEYNOTE‑024)
Contexto: KEYNOTE‑024 comparó pembrolizumab frente a quimioterapia basada en platino en cáncer de pulmón no microcítico avanzado con expresión de PD‑L1 ≥50%. El desenlace primario fue supervivencia global. Las curvas Kaplan‑Meier (ver figura original en N Engl J Med 2016;375:1823‑33) muestran:
- Ambas curvas parten juntas y no se separan hasta aproximadamente los 3 meses.
- A partir del 3er mes, la curva de pembrolizumab se mantiene más alta, con un descenso más lento.
- Alrededor de los 6‑9 meses la diferencia se acentúa.
- Las colas de ambas curvas (más de 18 meses) se basan en menos de 20 pacientes en riesgo.
Interpretación guiada:
- La separación tardía indica que el beneficio de la inmunoterapia no es inmediato; algunos pacientes pueden incluso fallecer antes de que el efecto se manifieste.
- El Hazard Ratio global fue 0.60 (IC 95%: 0.41‑0.89, p=0.005), pero la violación de la asunción de riesgos proporcionales (curvas que se separan después) sugiere que el HR no es constante en el tiempo.
- Los IC en la cola son amplios: no podemos afirmar con certeza qué ocurre más allá de 24 meses con este tamaño muestral.
¿Qué nos enseña este caso?
Que la inspección visual de las curvas y el número en riesgo es complementaria al Log‑Rank y al HR. Una curva que se separa tardíamente puede tener implicaciones para el diseño de ensayos (seguimiento prolongado necesario) y para la decisión clínica (no esperar beneficio inmediato).
Cómo construir e interpretar una curva (proceso paso a paso)
Define el evento y el inicio del reloj
El evento debe ser binario y clínicamente relevante. El tiempo se mide desde un mismo origen para todos (aleatorización, diagnóstico, alta hospitalaria). Ejemplo: ‘tiempo hasta primer reingreso cardiovascular desde el alta’.
Codifica cada paciente: tiempo y estado
Necesitas dos variables: (1) tiempo hasta el evento o la censura, y (2) indicador de si ocurrió el evento (1) o fue censurado (0).
Lee los escalones: cada bajada es un evento
Cada caída vertical en la curva corresponde a uno o más eventos en ese instante. Cuanto más juntos los escalones, más densidad de eventos.
Busca las marcas de censura (tick marks)
Cada ‘+’ o pequeño trazo vertical sobre la curva indica un paciente censurado. Muchas marcas al final te alertan de que la cola es poco fiable.
No ignores la tabla de pacientes en riesgo
Debajo del gráfico verás una tabla con el número de pacientes aún en seguimiento en distintos momentos. Con menos de 10‑15, los intervalos de confianza se disparan.
Compara curvas con el test de Log‑Rank y el Hazard Ratio
El Log‑Rank da un p‑valor global. El Hazard Ratio cuantifica la diferencia relativa en el riesgo instantáneo entre grupos. Verifica la asunción de riesgos proporcionales; si las curvas se cruzan, el HR puede no ser válido.
Errores que aún cometen profesionales brillantes
| Error | Consecuencia | Cómo corregirlo |
|---|---|---|
| Mirar solo la cola sin comprobar cuántos pacientes quedan | Puedes creer que una meseta con 5 pacientes representa estabilidad real. | Siempre revisa la tabla de número en riesgo debajo de la curva. |
| Confundir ticks de censura con eventos | Sobreestimarás el número de eventos y la caída de la curva. | Recuerda: escalón = evento, tick (+) = paciente que sale sin evento. |
| Decir que dos curvas son iguales porque se cruzan | El cruce de curvas viola la asunción de riesgos proporcionales; el Log‑Rank puede no ser la herramienta adecuada. | Cuando las curvas se cruzan, explora el Landmark analysis o el test de Fleming‑Harrington. |
| Comparar solo proporciones al final del seguimiento | Ignoras cuándo ocurrieron los eventos. Dos curvas con igual tasa al año pueden tener trayectorias muy distintas. | El análisis de supervivencia te muestra el camino, no solo el destino. |
Quiz de verificación
Observas una curva Kaplan‑Meier que desciende de forma brusca en los primeros 3 meses y luego se mantiene casi plana hasta los 24 meses. ¿Qué interpretación es más acertada?
Quiz de verificación
¿Cuál es la principal limitación al interpretar la parte final (cola) de una curva Kaplan‑Meier?
Recursos Curados para Profundizar
📖 Lecturas Fundamentales
- Hosmer, D. W., Lemeshow, S. & May, S. (2008). Applied Survival Analysis: Regression Modeling of Time-to-Event Data (2ª ed.). Wiley.Texto de referencia para profundizar en modelos de regresión de Cox y diagnósticos.
- Kleinbaum, D. G. & Klein, M. (2012). Survival Analysis: A Self-Learning Text (3ª ed.). Springer.Excelente para autodidactas, con ejemplos clínicos paso a paso.
- Altman, D. G. & Bland, J. M. (1998). Time to event (survival) data. BMJ, 317(7156), 468–469.Lectura breve y clarísima sobre los fundamentos del análisis de supervivencia.
🎬 Videos y Recursos Online
- StatQuest — Survival Analysis (Kaplan-Meier, Log-Rank, Hazard Ratio): youtube.com/c/joshstarmerExplicación visual y amena de los tres conceptos centrales del módulo. Ideal para empezar.
- MarinStatsLectures — Survival Analysis Series: youtube.com/c/MarinStatsLecturesCurso completo en vídeos cortos, desde censura hasta modelos de Cox. Muy riguroso.
- Calculadora online de Kaplan-Meier (Evan Miller): evanmiller.orgPermite cargar datos propios y generar curvas Kaplan-Meier interactivas.
- OpenEpi — módulo de estadística: openepi.comHerramienta gratuita en línea para cálculos epidemiológicos y de supervivencia básicos.
- Curso "Survival Analysis in R" (DataCamp).Introduce el análisis práctico con los paquetes `survival` y `survminer` en R.
📚 Referencias Clave del Módulo
- Kaplan, E. L. & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.
- Pocock, S. J., Clayton, T. C. & Altman, D. G. (2002). Survival plots of time-to-event outcomes in clinical trials: Good practice and pitfalls. The Lancet, 359(9318), 1686–1689.
- McMurray, J. J. V. et al. (2019). Dapagliflozin in patients with heart failure and reduced ejection fraction (DAPA-HF). New England Journal of Medicine, 381, 1995–2008.
- Reck, M. et al. (2016). Pembrolizumab versus chemotherapy for PD-L1-positive non-small-cell lung cancer (KEYNOTE-024). New England Journal of Medicine, 375, 1823–1833.
- Reyes-Reyes, A. (2019). Probabilidad y aplicaciones en ciencias de la salud. (pp. 8–9, probabilidad condicional aplicada a Kaplan-Meier).
Detrás de cada escalón de una curva Kaplan-Meier hay una historia clínica real: no solo cuántos, sino cuándo. Aprender a leer el tiempo hasta el evento es aprender a ver el camino completo del paciente, no solo su destino final.