Copyrights. PSIKOVERO,
2026. Todos los derechos reservados.
El análisis de supervivencia es un conjunto de técnicas estadísticas diseñadas para estudiar el tiempo que transcurre hasta que ocurre un evento de interés. Aunque el término proviene de la epidemiología y la oncología, su aplicación se ha extendido a la psicología clínica, la neuropsicología y las ciencias del comportamiento. En estos campos, el evento no siempre es la muerte; puede ser una recaída en un trastorno de ansiedad, el abandono de una intervención terapéutica, el tiempo hasta la reincorporación laboral tras un episodio depresivo o la aparición de efectos secundarios en un ensayo farmacológico.
La gran ventaja de estos modelos frente a otros análisis tradicionales, como la regresión logística, es su capacidad para manejar datos censurados. En cualquier estudio longitudinal, algunos participantes no experimentarán el evento durante el periodo de observación. Ignorar a estos sujetos o tratarlos como si hubieran completado el seguimiento sin matices introduce sesgos importantes. El análisis de supervivencia incorpora toda la información disponible, respetando la naturaleza dinámica del riesgo a lo largo del tiempo. Esto lo convierte en una herramienta indispensable para interpretar correctamente los resultados en investigación sanitaria y psicológica.
Los datos de supervivencia se componen de dos elementos para cada participante: el tiempo de seguimiento y un indicador de si el evento ocurrió o si el dato fue censurado. La censura ocurre cuando un paciente abandona el estudio, se pierde durante el seguimiento o simplemente llega al final del periodo de observación sin haber presentado el evento. Un supuesto fundamental es que la censura debe ser no informativa, es decir, que el motivo por el que se pierde a un sujeto no esté relacionado con la probabilidad de sufrir el evento. Si esto se viola, las estimaciones pueden ser engañosas.
En psicología clínica, imaginemos un estudio sobre la adherencia a un programa de terapia cognitivo-conductual. El evento podría ser el abandono de la terapia. Los pacientes que completan el programa y asisten a todas las sesiones no han experimentado el evento, pero aportan información valiosa hasta el final de su participación. Otros pueden dejar de acudir por motivos ajenos a la terapia, como un cambio de ciudad. Estos últimos serían casos censurados. El análisis de supervivencia permite calcular correctamente la probabilidad acumulada de permanecer en terapia a lo largo de las semanas, algo que una simple tasa de abandono no reflejaría con precisión.
Para entender los resultados de cualquier análisis de supervivencia es necesario familiarizarse con tres funciones básicas. La función de supervivencia, S(t), indica la probabilidad de que un individuo sobreviva más allá de un tiempo t. Es una curva que comienza en 1 y desciende a medida que ocurren eventos. La función de riesgo, h(t), representa la tasa instantánea de ocurrencia del evento en el momento t, condicionada a haber sobrevivido hasta ese instante. Mientras que la supervivencia mira el pasado acumulado, el riesgo se enfoca en la probabilidad inmediata de fallo.
El cociente de riesgos instantáneos, conocido como hazard ratio (HR), es la medida de asociación más utilizada en estos modelos. Compara el riesgo de dos grupos en cada instante del seguimiento. Una HR de 1 indica igualdad de riesgo; superior a 1, mayor riesgo en el grupo expuesto o de intervención; e inferior a 1, un efecto protector. A diferencia del riesgo relativo estático, la HR tiene en cuenta la cronología de los eventos, lo que la hace más adecuada cuando los tiempos de seguimiento son heterogéneos. Por ejemplo, en un ensayo sobre dos abordajes psicoterapéuticos para la depresión, una HR de 0,70 indicaría que, en cualquier momento del seguimiento, los pacientes del grupo experimental tienen un 30% menos de riesgo instantáneo de recaer que los del grupo control.
El método de Kaplan-Meier es la técnica no paramétrica más extendida para estimar la función de supervivencia. No asume ninguna distribución subyacente para los tiempos de supervivencia y calcula la probabilidad de permanecer libre del evento cada vez que ocurre un fallo. La curva resultante tiene forma de escalera descendente: cada peldaño representa la ocurrencia de uno o varios eventos, mientras que los tramos horizontales reflejan periodos sin cambios. Esta representación visual es intuitiva y permite comparar de forma preliminar la supervivencia entre distintos grupos, como pacientes tratados con diferentes modalidades terapéuticas.
Para contrastar estadísticamente si dos o más curvas de supervivencia son diferentes se emplea la prueba de rangos logarítmicos o log-rank test. Su lógica consiste en comparar el número de eventos observados en cada grupo con los que se esperarían si no existieran diferencias reales. Esta prueba otorga el mismo peso a los eventos tempranos y tardíos, lo que la hace especialmente sensible cuando el efecto es relativamente constante a lo largo del tiempo. Como inconveniente, no proporciona una medida de la magnitud del efecto —solo un valor de significación— y no puede ajustar por variables de confusión. Por ello, suele ser un primer paso exploratorio antes de aplicar modelos de regresión más complejos.
Un gráfico de Kaplan-Meier mal diseñado puede distorsionar la interpretación de los resultados. Se recomienda representar la proporción acumulada de eventos en sentido ascendente, en lugar de la supervivencia descendente, ya que permite apreciar mejor las diferencias entre grupos cuando las tasas de eventos son bajas. También es esencial evitar interrupciones en el eje vertical, pues magnifican artificialmente las diferencias. Además, debe incluirse una medida de incertidumbre, como el intervalo de confianza al 95%, que naturalmente se ensanchará en los tramos finales del seguimiento debido a la reducción del número de pacientes en riesgo.
Otra recomendación clave es mostrar, debajo del eje temporal, la tabla con el número de sujetos en riesgo a intervalos regulares. Esta información ayuda a calibrar cuánta confianza merecen las estimaciones en cada momento del seguimiento. Si la muestra en riesgo se reduce drásticamente hacia el final del estudio, las diferencias entre curvas en esa zona deben interpretarse con mucha cautela. En investigación psicológica, donde las muestras pueden ser limitadas, esta transparencia es fundamental para no sobredimensionar hallazgos preliminares ni generar expectativas clínicas infundadas.
Los modelos paramétricos asumen que los tiempos de supervivencia siguen una distribución de probabilidad conocida. El más sencillo es el modelo exponencial, que presupone una función de riesgo constante a lo largo del tiempo. Esta propiedad, llamada ausencia de memoria, implica que la probabilidad de experimentar el evento en el siguiente intervalo no depende de cuánto tiempo haya transcurrido ya. Aunque poco realista en muchos contextos clínicos —el riesgo de abandono terapéutico suele ser mayor al principio—, puede ser útil en fases exploratorias o cuando los eventos son puramente aleatorios.
El modelo de Weibull añade un parámetro de forma que confiere flexibilidad: permite que el riesgo aumente, disminuya o se mantenga constante. Si el parámetro de forma es mayor que 1, el riesgo crece con el tiempo; si es menor, decrece. Esta adaptabilidad lo hace más adecuado para modelar fenómenos como el agotamiento del efecto de un fármaco o la habituación a una intervención conductual. A pesar de sus ventajas, los modelos paramétricos requieren una cuidadosa validación del supuesto distribucional y no son la primera elección en la práctica habitual, donde domina el enfoque semiparamétrico de Cox.
El modelo de regresión de Cox es la joya del análisis de supervivencia. Se trata de un modelo semiparamétrico porque no especifica la forma de la función de riesgo basal —la que depende únicamente del tiempo—, pero sí parametriza el efecto de las variables explicativas. La ecuación del modelo expresa el riesgo instantáneo como el producto de una función basal desconocida y una función exponencial que combina linealmente las covariables. Esta propiedad permite estimar la hazard ratio asociada a cada factor sin necesidad de conocer la distribución subyacente del tiempo de supervivencia, lo que le confiere una enorme robustez.
En un estudio psicológico sobre el tiempo hasta la reincorporación laboral tras una baja por estrés, podríamos incluir como covariables la edad, el sexo, la puntuación basal en una escala de burnout y el tipo de intervención recibida. El modelo de Cox proporcionaría una HR ajustada para cada variable. Si la HR de la intervención activa frente al cuidado habitual fuera 0,65 con un intervalo de confianza del 95% que no incluyera el 1, concluiríamos que el tratamiento acelera significativamente la vuelta al trabajo, manteniendo constantes las demás características. Esta capacidad de ajuste multivariante es la que convierte a Cox en la opción preferida tanto en ensayos clínicos como en estudios observacionales.
Los coeficientes beta del modelo de Cox se estiman mediante el método de máxima verosimilitud parcial. Un coeficiente positivo implica que el riesgo aumenta con cada unidad adicional de la variable; uno negativo, que disminuye. La HR se obtiene exponenciando el coeficiente. Para variables continuas, la HR refleja el cambio en el riesgo por cada incremento unitario. Para variables categóricas, compara cada categoría con la de referencia. El paquete estadístico R y otros programas ofrecen la HR, su error estándar y el intervalo de confianza. La significación se evalúa mediante la prueba de Wald o, preferiblemente, la prueba de razón de verosimilitud.
Un error común es interpretar la HR como un riesgo relativo clásico. Aunque se parecen en su lectura, la HR es un cociente de tasas instantáneas y asume que este cociente permanece constante durante todo el seguimiento. Si la HR de un factor de riesgo es 2, significa que, en cualquier instante del periodo de observación, un individuo expuesto tiene el doble de riesgo de experimentar el evento que uno no expuesto, dado que ambos han llegado hasta ese momento sin haberlo sufrido. Esta matización temporal es esencial para no malinterpretar los resultados, especialmente cuando los seguimientos son largos y las curvas de supervivencia se cruzan.
El supuesto más importante es el de riesgos proporcionales. Exige que la HR entre dos individuos con distintos valores de una covariables sea constante a lo largo del tiempo. Si el efecto de un tratamiento es intenso al inicio pero se desvanece después, este supuesto se viola. Gráficamente, las curvas de log(-log(supervivencia)) frente al logaritmo del tiempo deberían ser aproximadamente paralelas para los distintos grupos. También se emplean métodos formales, como la prueba basada en los residuos de Schoenfeld escalados. Un valor de p significativo en esta prueba sugiere que el efecto de la variable cambia con el tiempo y obliga a considerar alternativas, como los modelos de Cox estratificados o las covariables dependientes del tiempo.
Otro supuesto relevante es la linealidad en el log-riesgo para las variables continuas. Esto puede comprobarse mediante los residuos de martingala. Si se detecta no linealidad, se puede categorizar la variable, aplicar transformaciones logarítmicas o usar splines. Además, deben evaluarse posibles valores atípicos e influyentes con los residuos DFBETA, que cuantifican cuánto cambia el coeficiente estimado al eliminar cada observación. Por último, los eventos deben ser independientes entre sí y la censura no informativa. En la práctica, muchos de estos supuestos no se verifican plenamente, pero conocerlos permite matizar las conclusiones y, si es necesario, recurrir a modelos más avanzados que se abordarán en revisiones complementarias.
La elección de la estrategia analítica depende del diseño del estudio y de la pregunta de investigación. En un ensayo clínico aleatorizado donde se compara una nueva intervención psicológica con el tratamiento habitual, el análisis principal suele comenzar con la estimación de Kaplan-Meier para ambos grupos y la prueba de log-rank. Si las curvas son aproximadamente paralelas, se ajusta un modelo de Cox univariante para obtener la HR bruta con su intervalo de confianza. La aleatorización garantiza, en teoría, el equilibrio de los factores pronósticos, pero es recomendable comprobar los supuestos del modelo y realizar un análisis de sensibilidad ajustado por variables basales si se detectan desequilibrios.
En los estudios observacionales, el control de la confusión es crítico. Se inicia con un análisis exploratorio univariante para cada potencial predictor. Después se construye un modelo multivariante introduciendo la exposición principal y los factores de confusión identificados por plausibilidad clínica o por cambios sustanciales en la HR de la exposición al incluirlos. Se evalúa la presencia de interacciones y, una vez alcanzado un modelo satisfactorio, se comprueban los residuos de Schoenfeld y la bondad de ajuste mediante la prueba de razón de verosimilitud y el índice de concordancia. Este índice, análogo al área bajo la curva ROC, mide la capacidad discriminativa del modelo y oscila entre 0,5 (no discriminativo) y 1 (discriminación perfecta).
| Característica | Kaplan-Meier y log-rank | Modelos paramétricos | Regresión de Cox |
|---|---|---|---|
| Supuestos distribucionales | Ninguno | Requiere especificar la distribución (exponencial, Weibull, etc.) | Semiparamétrico; no especifica el riesgo basal |
| Medida de efecto | No proporciona; solo valor de p | HR y efectos absolutos | HR ajustada con intervalo de confianza |
| Ajuste multivariante | No permite | Sí permite | Sí permite, es su principal fortaleza |
| Uso de variables continuas | Requiere categorización | Puede incorporarlas directamente | Puede incorporarlas, pero exige verificar linealidad |
| Comprobación de supuestos | Mínima | Validación de la distribución | Proporcionalidad de riesgos, linealidad, valores influyentes |
| Aplicación típica | Análisis exploratorio y descripción gráfica | Predicción y modelización de fenómenos con riesgo variable | Inferencia causal y ajuste de confusión en la mayoría de estudios |
Para ilustrar la aplicación del modelo de Cox, recurrimos a un ejemplo simulado inspirado en los artículos analizados. Supongamos un estudio sobre la permanencia en un programa de deshabituación tabáquica en pacientes con trastorno de ansiedad. La variable de tiempo es el número de semanas hasta el abandono del programa. El evento es la interrupción definitiva de la terapia. Se incluyen como covariables la edad categorizada en menor o mayor de 40 años, el sexo y la puntuación basal en el cuestionario de ansiedad de Beck. Tras instalar el paquete survival en R, la función coxph() ajusta el modelo con la fórmula Surv(semanas, abandono) ~ edad + sexo + beck.
La salida del modelo ofrece la HR para cada variable. Si la HR de la edad mayor de 40 años es 0,72 (IC 95%: 0,58-0,89), interpretamos que los pacientes de más edad tienen un 28% menos de riesgo instantáneo de abandonar el programa en cualquier momento, en comparación con los más jóvenes y una vez ajustado el resto de factores. A continuación, se comprueba la proporcionalidad de riesgos con la función cox.zph(), que devuelve un valor de p global y por covariable. Si todas las p superan 0,05, el supuesto se mantiene. Luego se examinan los residuos de martingala para verificar la linealidad de la variable continua de ansiedad basal. Este flujo de trabajo, aunque técnico, es accesible para investigadores con formación estadística básica y proporciona una base sólida para la publicación de resultados.
El análisis de supervivencia es, ante todo, una manera honesta de mirar los datos cuando el tiempo hasta que ocurre algo es la pregunta central. En lugar de comparar porcentajes estáticos al final del estudio, se respeta la historia de cada paciente: cuándo entró, cuándo salió, si experimentó el evento o no. La curva de Kaplan-Meier ofrece una fotografía intuitiva: visualmente se aprecia si un grupo se mantiene mejor que otro a lo largo del seguimiento. Si las curvas se separan y no se cruzan, probablemente exista un efecto real. Pero ojo, no basta con el ojo; la prueba de log-rank nos dice si esa diferencia es estadísticamente fiable.
Cuando hablamos de la hazard ratio, podemos quedarnos con una idea sencilla: es el número de veces que se multiplica el riesgo instantáneo en un grupo respecto al otro. Un valor por debajo de 1 sugiere protección; por encima, riesgo añadido. La clave es que este concepto incorpora el paso del tiempo, algo que los clínicos entienden intuitivamente: no es lo mismo recaer a las dos semanas que al año. Por tanto, cuando lean un artículo que utilice regresión de Cox, deben comprobar que los autores verificaron el supuesto de riesgos proporcionales y que mostraron el número de pacientes en riesgo bajo las curvas. Con estos elementos, podrán valorar críticamente la solidez de las conclusiones y su aplicabilidad a la toma de decisiones en el ámbito psicológico y sanitario.
La regresión de Cox sigue siendo el estándar de referencia para el análisis de datos de tiempo hasta evento, pero su correcta aplicación exige un riguroso control de sus premisas. La comprobación de la proporcionalidad de riesgos mediante residuos de Schoenfeld debe ser sistemática, y ante violaciones debe considerarse el uso de interacciones con el tiempo, modelos estratificados o enfoques paramétricos flexibles como el de Royston-Parmar. Asimismo, la evaluación de la forma funcional de las variables continuas con residuos de martingala o splines penalizados mejora la especificación del modelo y previene sesgos por mala calibración. La concordancia y la calibración del modelo, aunque menos reportadas, son esenciales cuando el objetivo es predictivo y no meramente explicativo.
Finalmente, en contextos aplicados con eventos múltiples o recurrentes, la regresión de Cox tradicional puede ser insuficiente. Modelos de riesgos competitivos, extensiones para eventos recurrentes (como los de Andersen-Gill o Prentice-Williams-Peterson) y los modelos multiestado ofrecen un marco más realista para la investigación psicológica y sanitaria contemporánea. La elección del método debe guiarse por la naturaleza de la pregunta y la estructura de los datos, no por la inercia metodológica. Dominar estos conceptos y su implementación en lenguajes como R no solo eleva la calidad técnica de los estudios, sino que fortalece la credibilidad de la evidencia sobre la que se construyen las intervenciones clínicas.
Mejora tus habilidades en estadística y análisis de datos con expertos en psicología y ciencias sociales. ¡Tu éxito académico comienza aquí!
