El análisis de supervivencia responde una pregunta que ni la t de Student ni la regresión logística pueden contestar bien: no solo si ocurrió un evento, sino cuánto tiempo tardó en ocurrir, incluso cuando algunos pacientes salen del estudio antes de que el evento ocurra. El método estándar para describirlo es el estimador de Kaplan-Meier, publicado por Edward L. Kaplan y Paul Meier en 1958 (“Nonparametric estimation from incomplete observations”, Journal of the American Statistical Association). Aquí tienes cuándo usarlo en tu tesis de Medicina, cómo se construye y un ejemplo redactado de principio a fin.
A pesar del nombre, “análisis de supervivencia” no se limita a estudios sobre mortalidad: el “evento” puede ser cualquier ocurrencia bien definida en el tiempo —alta hospitalaria, recurrencia de una enfermedad, aparición de una complicación, abandono de un tratamiento—. Esa flexibilidad es la que lo hace útil en tesis clínicas de licenciatura y posgrado, mucho más allá de la oncología.
Antes de comprometerte con este método, confirma con tu asesor que tu diseño realmente registra tiempos (fechas exactas o al menos con precisión de días) y no solo resultados binarios en un único corte transversal: sin esa variable de tiempo bien registrada desde el diseño del estudio, no hay curva de Kaplan-Meier posible, sin importar qué tan interesante sea tu pregunta de investigación.
Cuándo Kaplan-Meier es la herramienta correcta (y cuándo no lo es)
Usa Kaplan-Meier cuando tu variable de interés es un tiempo hasta un evento —tiempo hasta el alta, hasta la recurrencia de una enfermedad, hasta la muerte, hasta la readmisión hospitalaria— y cuando es probable que algunos participantes no lleguen a experimentar el evento durante el periodo de seguimiento (lo que se llama censura). Si tu variable es simplemente “sí ocurrió / no ocurrió” el evento en un periodo fijo igual para todos, sin importar el tiempo, una prueba de proporciones o una chi-cuadrada puede ser suficiente y Kaplan-Meier sería innecesariamente complejo. Si en cambio quieres ajustar el efecto de varias variables a la vez sobre el tiempo hasta el evento (edad, comorbilidades, tipo de tratamiento), Kaplan-Meier solo te sirve para comparar curvas entre grupos definidos de antemano; para ese ajuste multivariable necesitas dar el siguiente paso: la regresión de riesgos proporcionales de Cox, que se construye sobre la misma lógica pero permite incluir varias covariables.
El concepto que hay que entender antes de calcular nada: la censura
Un paciente está censurado cuando el estudio termina, o el paciente se pierde de seguimiento, antes de que ocurra el evento que estudias. Kaplan-Meier es precisamente el método que permite usar la información parcial de esos pacientes (sabemos que no tuvieron el evento hasta el momento X) sin descartarlos del análisis, que es lo que ocurriría si usaras una prueba más simple. Hay dos tipos de censura que debes distinguir en tu metodología: la censura por fin de estudio (el paciente sigue en seguimiento cuando termina la recolección de datos) y la censura por pérdida de seguimiento (el paciente deja de asistir a sus citas antes de tiempo); esta segunda es más problemática porque puede introducir sesgo si los pacientes que se pierden son sistemáticamente distintos de los que permanecen —por ejemplo, si los pacientes que se sienten peor son también los que dejan de acudir a control, tu curva podría sobreestimar artificialmente la supervivencia real.
Esto tiene un nombre técnico que conviene usar en tu metodología: Kaplan-Meier supone censura no informativa, es decir, que el motivo por el que un paciente sale del seguimiento no está relacionado con su probabilidad de tener el evento. Declara ese supuesto y explica por qué es razonable en tu estudio (o por qué no lo es, como limitación).
Ejemplo ilustrativo: tiempo hasta el alta tras una cirugía
Planteamiento (ilustrativo, para mostrar la estructura): “Se buscó estimar el tiempo hasta el alta hospitalaria en pacientes sometidos a colecistectomía laparoscópica electiva, comparando quienes recibieron un protocolo de recuperación acelerada (ERAS) contra quienes recibieron el manejo posoperatorio convencional.” Aquí, el evento es “alta hospitalaria”, el tiempo de origen es el momento de la cirugía, y un paciente estaría censurado si fue trasladado a otra institución antes del alta o si el seguimiento del estudio terminó mientras seguía hospitalizado.
Con datos puramente ilustrativos, así se vería el inicio de una tabla de seguimiento antes de calcular la curva: un paciente del grupo ERAS con alta al día 2 (evento), otro del mismo grupo trasladado al día 3 (censurado), un paciente del grupo convencional con alta al día 5 (evento). Cada fila de tu base de datos real necesita exactamente estos dos campos por paciente: el tiempo transcurrido y un indicador binario de si ese tiempo terminó en evento o en censura; sin ambos campos, ningún software puede construir la curva correctamente.
Un caso especial en este ejemplo: ¿qué haces con un paciente que fallece en el hospital antes del alta? No es una censura común, porque la muerte impide para siempre que ocurra el alta; se trata de un riesgo competitivo. Si lo censuras como si fuera una pérdida de seguimiento, la curva de “tiempo hasta el alta” queda sesgada. Con pocos casos, la solución práctica en una tesis de licenciatura es reportarlos aparte y discutirlos como limitación; si son frecuentes, consulta con tu asesor métodos específicos para riesgos competitivos (por ejemplo, la función de incidencia acumulada).
Cómo se construye e interpreta la curva
La curva de Kaplan-Meier es una función escalonada que empieza en 1 (100 % de los pacientes sin el evento) y desciende cada vez que ocurre el evento en algún participante; los pacientes censurados se marcan en la curva pero no la hacen descender. En cada momento en que ocurre un evento, la probabilidad acumulada se multiplica por la proporción de pacientes en riesgo que no tuvieron el evento: por ejemplo, si 20 pacientes están en riesgo y 2 tienen el evento, la curva se multiplica por 18/20 = 0.90. La lectura clave para tu capítulo de resultados es la mediana de supervivencia (o mediana de tiempo hasta el evento): el tiempo en el que la curva cruza el 50 %, es decir, el momento en que se estima que la mitad de los pacientes ya experimentó el evento. Si tu curva nunca baja del 50 % durante el periodo de seguimiento, la mediana no puede calcularse y debes reportarlo explícitamente en lugar de forzar un número que tus datos no permiten estimar.
Cómo comparar dos grupos: la prueba de log-rank
Para comparar estadísticamente si dos curvas de Kaplan-Meier (por ejemplo, protocolo ERAS vs. manejo convencional) son diferentes, la prueba habitual es el log-rank test, no una t de Student ni una chi-cuadrada aplicada directamente a los tiempos. El log-rank compara las curvas completas a lo largo de todo el seguimiento, no solo en un punto de tiempo, y es la prueba que un jurado de Medicina espera ver reportada junto a la curva, con su valor de p correspondiente. Ten en cuenta que pierde potencia cuando las curvas se cruzan; si eso ocurre en tus datos, menciónalo y discútelo con tu asesor antes de interpretar el resultado.
Cuándo dar el salto a la regresión de Cox
Si tu pregunta de investigación no es solo “¿el grupo A tiene mejor supervivencia que el grupo B?” sino “¿qué variables se asocian de forma independiente con el tiempo hasta el evento, después de ajustar por edad, comorbilidades y otros factores?”, necesitas un modelo de regresión de Cox. Este modelo reporta un hazard ratio (razón de riesgos) por cada variable incluida, interpretable como cuánto aumenta o disminuye el riesgo instantáneo del evento por cada variable, manteniendo las demás constantes. La regresión de Cox exige un supuesto adicional —el de riesgos proporcionales— que debes verificar y reportar, no simplemente asumir, antes de interpretar los hazard ratios como válidos. En una tesis de licenciatura, el modelo de Cox suele ser opcional y reservado para quienes ya dominan Kaplan-Meier y log-rank; en una tesis de posgrado con un diseño más complejo, suele ser lo que un comité espera ver si el estudio tiene más de una covariable relevante.
Qué software usar y cómo reportar los resultados
SPSS, Stata y R calculan Kaplan-Meier y log-rank sin mayor complicación; la diferencia práctica está en el costo de la licencia y en la facilidad para exportar el gráfico en un formato editable para tu tesis. En tu capítulo de resultados, reporta siempre: el número de eventos observados y el número de censurados por grupo, la mediana de supervivencia con su intervalo de confianza del 95 % (cuando se pueda calcular), el valor de p del log-rank, y la curva graficada con una tabla de “número en riesgo” debajo del eje del tiempo —un elemento que muchos tesistas olvidan y que revistas y jurados médicos consideran parte estándar de una curva de Kaplan-Meier bien reportada.
Errores frecuentes en tesis que usan Kaplan-Meier
El más común es tratar la censura como si fuera un dato faltante y eliminar a esos pacientes del análisis, lo que desperdicia información válida y puede sesgar los resultados. El segundo es reportar la curva sin indicar cuántos pacientes seguían “en riesgo” en cada tramo del tiempo, lo que hace que la parte final de la curva —basada en muy pocos pacientes— parezca tan confiable como la parte inicial. El tercero es comparar más de dos grupos haciendo varias pruebas log-rank por pares sin corrección por comparaciones múltiples (o sin especificar qué corrección se usó), lo que infla el riesgo de encontrar diferencias significativas por azar. Un cuarto error, frecuente en trabajos retrospectivos de expediente, es definir de forma ambigua el “tiempo cero” del análisis —¿es la fecha de diagnóstico, la fecha de ingreso, la fecha de cirugía?—, lo que hace que dos investigadores que revisen el mismo expediente lleguen a tiempos de seguimiento distintos. Un quinto error es reportar un hazard ratio de un modelo de Cox sin haber verificado el supuesto de riesgos proporcionales, presentando el resultado como si fuera automáticamente válido solo porque el software lo calculó sin arrojar un mensaje de error.
Preguntas frecuentes
¿Necesito un tamaño de muestra especial para un análisis de supervivencia?
Sí: el cálculo de tamaño de muestra para Kaplan-Meier y log-rank no se basa solo en el número de participantes, sino en el número esperado de eventos, que depende de la tasa de ocurrencia del evento y de la duración de tu periodo de seguimiento. Un estudio con muchos participantes pero pocos eventos observados (por ejemplo, porque el seguimiento fue corto) tiene poca potencia estadística aunque la muestra parezca grande.
¿Puedo aplicar Kaplan-Meier con datos retrospectivos de expediente clínico?
Sí, es una aplicación frecuente en tesis de Medicina, siempre que el expediente registre con claridad la fecha de origen (por ejemplo, fecha de cirugía o de diagnóstico) y la fecha del evento o la última fecha de contacto conocida para los pacientes censurados. La calidad de esas dos fechas por paciente es lo que determina la calidad de todo tu análisis.
¿Qué diferencia hay entre Kaplan-Meier y una simple comparación de porcentajes de eventos entre grupos?
Una comparación de porcentajes ignora el tiempo: trata igual a un paciente que tuvo el evento al día 2 que a uno que lo tuvo al día 200, y no aprovecha la información de los pacientes censurados. Kaplan-Meier usa el tiempo exacto de cada evento y de cada censura, lo que da una estimación más precisa y es el estándar que la literatura médica espera para este tipo de pregunta.
¿Puedo usar Kaplan-Meier fuera de un contexto puramente clínico, por ejemplo en enfermería o salud pública?
Sí, el método es igual de válido para “tiempo hasta el abandono de un tratamiento”, “tiempo hasta la readmisión” o “tiempo hasta la adherencia a una intervención” en tesis de Enfermería o Salud Pública, siempre que definas con la misma precisión el evento, el tiempo de origen y los criterios de censura.
Antes de decidir tu método de análisis, revisa la comparativa de SPSS, Stata y R para tesis de Medicina para elegir la herramienta según tu presupuesto y tu curva de aprendizaje. Si todavía estás en la etapa de diseño, la guía de protocolo de investigación para una tesis clínica de Medicina te ayuda a estructurar el planteamiento antes de llegar al análisis, y el estado del arte de una tesis de Medicina te muestra cómo organizar la revisión de literatura que sostiene tu elección metodológica.