¿Qué modelo debo usar para los riesgos proporcionales de Cox con datos emparejados?

Espero que alguien pueda ayudarme con qué modelo (fragilidad, estratos o clúster) debería usar para mis datos. He emparejado datos, así que tengo que tenerlos en cuenta al modelar el Cox PH y no estoy seguro de qué modelo me dará un resultado más preciso.

Mi estudio analizó el tiempo que le tomó a una persona calmarse después de haber sido sometida a un estímulo particular. Cada persona fue sometida a dos estímulos diferentes, en días separados. Se les asignó al azar qué estímulo fue primero. He modelado esto con análisis de supervivencia (tiempo hasta el evento) pero ahora tengo que tener en cuenta que los datos están emparejados.

Cualquier ayuda con respecto a cuándo usaría modelos de fragilidad, estratos o clúster sería excelente.

Este tema está cubierto por una serie de documentos que incluyen:

• Modelado de datos de supervivencia agrupados de ensayos clínicos multicéntricos
• El modelo de fragilidad compartida y el poder de las pruebas de heterogeneidad en ensayos multicéntricos.
• El modelo de fragilidad, Capítulo 3
• Modelos de riesgos proporcionales con fragilidades y efectos aleatorios.

Aquí hay un resumen muy breve (y no exhaustivo) de las diferencias entre los dos enfoques.

Enfoque estratificado

Para cada par, hay una función de riesgo inicial no especificada. La idea de probabilidad parcial se adapta fácilmente multiplicando las probabilidades parciales específicas de cada estrato.

Pros :

• Falta de estructura.

Contras :

• No proporciona ninguna información sobre la heterogeneidad entre pares;
• Los pares en los que ambos miembros compartieron la misma información covariable o que solo proporcionan observaciones de censura no contribuyen a la probabilidad; Esto se debe a que no se intentan comparaciones entre pares.

Enfoque de fragilidad

La asociación dentro del par se explica por un efecto aleatorio común a ambos miembros del mismo par. Por lo tanto, nuevamente existe un riesgo de referencia diferente para cada par, pero no están totalmente sin especificar; Hay alguna estructura. La estimación se basa en la probabilidad marginal.

Pros :

• Parsimonia: la heterogeneidad se describe por un solo parámetro;
• Se encuentran disponibles medidas resumidas sobre la heterogeneidad ( Comprensión de la heterogeneidad ... );
• Es posible estudiar el efecto de las variables comunes dentro de los pares.

Contras :

• disponibilidad de software (en R, puede mirar coxph()o parfm(); en SAS, puede mirar proc phreg);
• La investigación aún está en curso.

Como conclusión, la elección depende de su investigación. Sin embargo, la última referencia de la lista ofrece algunas pautas:

Para situaciones donde el tamaño del grupo es cinco o más, es difícil justificar el uso del modelo de efectos aleatorios sobre el modelo estratificado, este último modelo se implementa mucho más fácilmente. La historia cambia para grupos de menos de cinco y, para los estudios de gemelos en particular, las ganancias de eficiencia son tales que preferiríamos usar un modelo de efectos aleatorios sobre un modelo estratificado. El modelo estratificado sigue siendo válido, pero puede requerir del 20% al 30% más de observaciones para lograr la misma precisión.