Wie lassen sich die Daten zur Aufenthaltsdauer in einem RCT in einem Krankenhaus am besten analysieren?

Ich bin daran interessiert zu wissen, ob es einen Konsens darüber gibt, wie die Daten zur Krankenhausaufenthaltsdauer (LOS) eines RCT optimal analysiert werden können. Dies ist in der Regel eine sehr rechtwinklige Verteilung, bei der die meisten Patienten innerhalb weniger Tage bis zu einer Woche entlassen werden, der Rest der Patienten jedoch recht unvorhersehbare (und manchmal recht lange) Aufenthalte hat, die den rechten Schwanz der Verteilung bilden.

Zu den Analyseoptionen gehören:

• t-Test (setzt Normalität voraus, die wahrscheinlich nicht vorhanden ist)
• Mann Whitney U-Test
• Logrank-Test
• Cox Proportional Hazards Modell Konditionierung auf Gruppenzuordnung

Hat eine dieser Methoden nachweislich eine höhere Leistung?

Ich beginne tatsächlich ein Projekt, das genau dies tut, obwohl es sich eher um Beobachtungsdaten als um klinische Daten handelt. Meine Gedanken waren, dass sich die Frage aufgrund der ungewöhnlichen Form der meisten Aufenthaltsdaten und der wirklich gut charakterisierten Zeitskala (Sie kennen sowohl die Ursprungs- als auch die Austrittszeit im Wesentlichen perfekt) sehr gut für eine Überlebensanalyse eignet . Drei zu berücksichtigende Optionen:

• Cox-Modelle für proportionale Gefahren, wie Sie vorgeschlagen haben, zum Vergleich zwischen der Behandlung und freiliegenden Armen.
• Gerade Kaplan-Meyer-Kurven unter Verwendung eines Log-Rangs oder eines der anderen Tests, um die Unterschiede zwischen ihnen zu untersuchen. Miguel Hernan hat argumentiert, dass dies in vielen Fällen tatsächlich die bevorzugte Methode ist, da nicht unbedingt ein konstantes Gefährdungsverhältnis angenommen wird. Da Sie eine klinische Studie haben, sollte die Schwierigkeit, kovariatenangepasste Kaplan-Meyer-Kurven zu erstellen, kein Problem sein, aber selbst wenn Sie einige Restvariablen kontrollieren möchten, kann dies mit der inversen Wahrscheinlichkeit von erfolgen -Behandlungsgewichte.
• Parametrische Überlebensmodelle. Es gibt zwar weniger häufig verwendete, aber in meinem Fall benötige ich eine parametrische Schätzung der zugrunde liegenden Gefahr, so dass dies wirklich der einzige Weg ist. Ich würde nicht empfehlen, direkt in das Generalized Gamma-Modell einzusteigen. Es ist etwas mühsam, damit zu arbeiten - ich würde ein einfaches Exponential, Weibull und Log-Normal ausprobieren und sehen, ob eines davon akzeptable Passungen ergibt.

Ich bevorzuge das Cox-Proportional-Hazards-Modell, das auch die zensierte Aufenthaltsdauer (Tod vor erfolgreicher Entlassung aus dem Krankenhaus) behandelt. Ein relevantes Handout finden Sie unter http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf mit Code hier: http://biostat.mc.vanderbilt.edu/wiki/pub/ Main / FHHandouts / model.s

Ich empfehle den Logrank-Test zum Testen auf Unterschiede zwischen Gruppen und für jede unabhängige Variable. Möglicherweise müssen Sie in einem Cox-Proportional-Hazards-Modell mehrere Variablen (zumindest die im Logrank-Test signifikanten) anpassen. Das verallgemeinerte Gamma-Modell (parametrisch) könnte eine Alternative zu Cox sein, wenn Sie eine Risikoabschätzung für die Basislinie (Gefahr) benötigen.

Der Tod ist ein konkurrierendes Ereignis mit Entlassung. Die Zensur der Todesfälle würde nicht dazu führen, dass fehlende Daten zufällig zensiert werden. Die kumulative Inzidenz von Tod und Entlassung zu untersuchen und die Unterverteilungsgefahren zu vergleichen, könnte angemessener sein.