Modelos de Pronóstico Multivariables: Cuestiones en el Desarrollo de Modelos, Evaluación de Suposiciones y Adecuación, y Medición y Reducción de Errores

Los modelos de regresión multivariable son herramientas poderosas que se usan frecuentemente en estudios de resultados clínicos. Estos modelos pueden usar una mezcla de variables categóricas y continuas y pueden manejar respuestas parcialmente observadas (censuradas). Sin embargo, la aplicación acrítica de técnicas de modelado puede resultar en modelos que se ajustan mal al conjunto de datos disponible o, aún más probable, predicen resultados de manera inexacta en sujetos nuevos. Se debe saber cómo medir las cualidades del ajuste de un modelo para evitar modelos mal ajustados o sobreajustados. La medición de la precisión predictiva puede ser difícil para datos de tiempo de supervivencia en presencia de censura. Discutimos un índice de discriminación predictiva fácilmente interpretable, así como métodos para evaluar la calibración de las probabilidades de supervivencia predichas. Ambos tipos de precisión predictiva deben ser validados sin sesgos usando bootstrapping o validación cruzada, antes de usar predicciones en una nueva serie de datos. Discutimos algunos de los peligros de los modelos de regresión mal ajustados y sobreajustados y presentamos una estrategia de modelado que evita muchos de los problemas descritos. Los métodos descritos son aplicables a todos los modelos de regresión, pero son particularmente necesarios para resultados binarios, ordinales y de tiempo hasta evento. Los métodos se ilustran con un análisis de supervivencia en cáncer de próstata usando regresión de Cox.