A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Modelos de Análise de Risco.  Avaliar a Existência de Diferenças entre Variáveis  Analisar a Ocorrência de Associações entre Variáveis  Estimar a Prevalência.

Apresentações semelhantes


Apresentação em tema: "Modelos de Análise de Risco.  Avaliar a Existência de Diferenças entre Variáveis  Analisar a Ocorrência de Associações entre Variáveis  Estimar a Prevalência."— Transcrição da apresentação:

1 Modelos de Análise de Risco

2  Avaliar a Existência de Diferenças entre Variáveis  Analisar a Ocorrência de Associações entre Variáveis  Estimar a Prevalência ou a Incidência de Eventos  Identificar Fatores que Alteram ou Sejam Preditores de Respostas / Eventos Emprego dos Testes Estatísticos na Pesquisa em Medicina

3  Avaliar a Existência de Diferenças entre Variáveis  Analisar a Ocorrência de Associações entre Variáveis  Estimar a Prevalência ou a Incidência de Eventos  Identificar Fatores que Alteram ou Sejam Preditores de Respostas / Eventos Emprego dos Testes Estatísticos na Pesquisa em Medicina

4  Relacionados à Incidência de um Evento em um Período Definido  Relacionados à Estimativa de Incidência de um Evento Curvas de Sobrevivência Curvas de Sobrevivência Curvas de Eventos (Livre de Eventos) Curvas de Eventos (Livre de Eventos) Modelos de Análise de Risco

5  Análise Univariada Identificação de Variáveis Associadas ao Risco de um Evento Identificação de Variáveis Associadas ao Risco de um Evento Modelos de Análise de Risco  Análise Multivariada Identificação de Determinantes Independentes de Risco de um Evento Identificação de Determinantes Independentes de Risco de um Evento

6  Análise Univariada Comparação entre Variáveis Comparação entre Variáveis Correlação entre Variáveis Correlação entre Variáveis Modelos de Regressão Modelos de Regressão Modelos de Análise de Risco  Análise Multivariada Modelos de Regressão Múltipla Modelos de Regressão Múltipla (Variáveis Identificadas por Análise Univariada) (Variáveis Identificadas por Análise Univariada)

7 05101520 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Vivo Óbito Tempo de Seguimento Tabela de Sobrevivência Modelos de Análise de Risco em Períodos Definidos 26,6%

8  Incidência de Eventos em Períodos Definidos Seguimento Completo da AmostraSeguimento Completo da Amostra Número Suficiente de Eventos (>5) Relacionados a cada Variável InvestigadaNúmero Suficiente de Eventos (>5) Relacionados a cada Variável Investigada Modelos de Análise de Risco

9  Análise Univariada Comparação entre Variáveis Comparação entre Variáveis  Análise Multivariada Regressão Logística (Análise Logit) Regressão Logística (Análise Logit) Modelos de Análise de Risco em Períodos Definidos

10  Análise Univariada Comparação entre Proporções nos Grupos Evento / Não Evento Comparação entre Proporções nos Grupos Evento / Não Evento Comparação entre Variáveis Numéricas dos Grupos Evento / Não Evento Comparação entre Variáveis Numéricas dos Grupos Evento / Não Evento Modelos de Análise de Risco em Períodos Definidos

11 Right Ventricular Dysfunction and Inferior Myocardial Infarction Mortalidade Observada IAM c/ DVD IAM s/ DVD (n) 41 58 (n) 41 58 1 mês 10 (24,4%)4 (6,9%) * 1 mês 10 (24,4%)4 (6,9%) * 12 meses 16 (39%)6 (10,3%) * 12 meses 16 (39%)6 (10,3%) * Serrano Júnior CV, Clin Cardiol 1995; 18: 199-205 Modelos de Análise de Risco em Períodos Definidos

12 Right Ventricular Dysfunction and Inferior Myocardial Infarction Risco Relativo  1 mês- 1,95 (1,27 – 3,02)  12 meses- 2,24 (1,48 – 3,39) Right Ventricular Dysfunction and Inferior Myocardial Infarction Risco Relativo  1 mês- 1,95 (1,27 – 3,02)  12 meses- 2,24 (1,48 – 3,39) Serrano Júnior CV, Clin Cardiol 1995; 18: 199-205 Modelos de Análise de Risco em Períodos Definidos

13 (não significante) (correlação negativa) (correlação positiva) 0 1 ++ = IC95% Favorece Presença da Variável Favorece Ausência da Variável Comparação entre Variáveis Risco Relativo / Razão de Chances

14  Comparação entre Duas Proporções Não Pareadas Teste Exato de FisherTeste Exato de Fisher Teste de Qui-quadrado (  2 )Teste de Qui-quadrado (  2 ) Modelos de Análise de Risco em Períodos Definidos

15 Right Ventricular Dysfunction and Inferior Myocardial Infarction Comparação de Proporções  1 mês-  2  1 mês-  2 =6,05 GL= 1 p=0,007  12 meses-  2  12 meses-  2 =11,43 GL= 1 p=0,0004 Right Ventricular Dysfunction and Inferior Myocardial Infarction Comparação de Proporções  1 mês-  2  1 mês-  2 =6,05 GL= 1 p=0,007  12 meses-  2  12 meses-  2 =11,43 GL= 1 p=0,0004 Serrano Júnior CV, Clin Cardiol 1995; 18: 199-205 Modelos de Análise de Risco em Períodos Definidos

16 Var. A C/ Evento Var. A S/ Evento 0 10 20 30 40 Unidade p = 0,005 Modelos de Análise de Risco em Períodos Definidos

17 p = 0,086 85,9 ± 10,4 81,2 ± 6,9 Diam. diast. ventr. esq.(mm) p = 0,061 15,1 ± 4,2 17,7 ± 4,9 Fr. ejeção ventr. esq. (%) p = 0,046 696 ± 268 549 ± 201 Nor-epinefr. plasmática p = 0,041 23,4 ± 2,8 21,5± 2,7 Diâmetro miócitos (  ) ÓbitosSobreviventes Ventriculectomia Parcial Esquerda – (6 meses)

18  Definir uma Equação para Predizer o Resultado de uma Variável Binária (Doença ou Não Doença) a Partir de Várias Variáveis X.  Explorar a relação entre Múltiplas Variáveis para Definir quais Variáveis X Influenciam a Variável Binária de Maneira Independente Modelo de Regressão Logística

19  Análise Multivariada ( Regressão Logística) Seguimento Completo da AmostraSeguimento Completo da Amostra Número Suficiente de Eventos (>5) Relacionados a cada Variável InvestigadaNúmero Suficiente de Eventos (>5) Relacionados a cada Variável Investigada Cada Variável Contribui de Maneira Independente para o ResultadoCada Variável Contribui de Maneira Independente para o Resultado Modelos de Análise de Risco em Períodos Definidos

20  Relação entre Variáveis Nominais – Cálculo da Razão de Chances (Odds Ratio) Modelo de Regressão Logística serser não ser

21 Modelo de Regressão Logística Relação entre Variáveis Numéricas e Variável Binária ProporçãoPresençaAusêncianGrupoEtário 0,80821060-69 0,761341755-59 0,6353850-54 0,46671345-49 0,335101540-44 0,25391235-39 0,132131530-34 Doença Coronária

22 Modelo de Regressão Logística 30 40 60 70 0 20 40 60 80 100 Idade Probabilidade DC 50

23 P = 1 1 + e - z Z = logit units A 1 a A n são os coeficientes X 1 a X n são os valores numéricos das variáveis independentes Z = A 0 +A 1 X 1 + A 2 X 2 +.... +A n X n

24  Regressão Logística Curva Sigmóide (em S) Curva Sigmóide (em S) px = 1 1+exp[-(  o +  1.x1)] Modelos de Análise de Risco

25  Regressão Logística Curva Sigmóide (em S) Curva Sigmóide (em S) OR1 = exp (  1) Modelos de Análise de Risco

26  Regressão Logística Curva Sigmóide (em S) Curva Sigmóide (em S) px = 1 1+exp[-(  o + LnOR1.x1)] 1+exp[-(  o + LnOR1.x1)] Modelos de Análise de Risco

27 P = 1 1 + e - z Z = 1.19 - 4.95 x Ln (cardiac index) p <.0001

28  Regressão Logística Curva Sigmóide (em S) Curva Sigmóide (em S) px= 1 1+exp[-(  o +  1.x1 +  2.x2 )] Modelos de Análise de Risco

29  Análise Multivariada ( Regressão Logística) Método de Escolha de Variáveis Independentes que Participam do Modelo:Método de Escolha de Variáveis Independentes que Participam do Modelo: –Análise de Todos os Modelos Possíveis –Análise dos Modelos em Degraus Modelos de Análise de Risco em Períodos Definidos

30 p = 0,086 85,9 ± 10,4 81,2 ± 6,9 Diam. diast. ventr. esq.(mm) p = 0,061 15,1 ± 4,2 17,7 ± 4,9 Fr. ejeção ventr. esq. (%) p = 0,046 696 ± 268 549 ± 201 Nor-epinefr. plasmática p = 0,041 23,4 ± 2,8 21,5± 2,7 Diâmetro miócitos (  ) ÓbitosSobreviventes Ventriculectomia Parcial Esquerda – (6 meses)

31 Modelos de Análise de Risco em Períodos Definidos Ventriculectomia Parcial Esquerda (6 meses) – Coeficiente  0 : -7,842 ± 3,688 p = 0,033 Diâmetro cardiomiócitos Diâmetro cardiomiócitos –Coeficiente  1 : 0,346 ± 0,165 p = 0,036

32 Modelos de Análise de Risco em Períodos Definidos % 0 20 40 60 80 100 1618202224262830 Diâmetro da Fibra Miocárdica (  m) VPE - Risco de Mortalidade em 6 Meses p=0,042 Stolf et al. - Ann Thorac Surg 1998; 66: 1585-91

33 Aneurismas da Aorta Descendente e Tóraco-Abdominal Suzuki et al. – Eur J Cardiothorac Surg 2003; 24: 119-24 Preditores de Mortalidade Imediata (854 pc.) Análise Univariada OR = 2,14 OR = 3,06 OR = 2,9 OR = 1,77 OR = 1,49 p = 0,005 Fr. Ejeção < 50% p = 0,0001 Emergência Disfunção Renal p = 0,02 RM Prévia p = 0,05 Doença Coronária

34 Aneurismas da Aorta Descendente e Tóraco-Abdominal Suzuki et al. – Eur J Cardiothorac Surg 2003; 24: 119-24 Preditores de Mortalidade Imediata (854 pc.) Fatores Independentes (Regr. Logística) Fr. Ejeção < 50% Adj. OR = 1,85 (1,09 – 3,15) p = 0,03 Disfunção Renal Adj. OR = 2,56 (1,55 – 4,22) p = 0,0002 Emergência Adj. OR = 3,04 (1,69 – 5,47) p = 0,0002

35  Limitação do Modelo de Regressão Múltipla Pessoas Diferentes Analisando os Mesmos Dados Podem Gerar Equações Constituídas por Fatores Diferentes Pessoas Diferentes Analisando os Mesmos Dados Podem Gerar Equações Constituídas por Fatores Diferentes Modelo de Regressão Logística

36  Diferentes Modelos de Risco Modelos Estatísticos DiferentesModelos Estatísticos Diferentes Abordagem Diversa em Relação a Dados PerdidosAbordagem Diversa em Relação a Dados Perdidos Manejo de Variáveis com Pouca InformaçãoManejo de Variáveis com Pouca Informação Tratamento de Dados CorrelatosTratamento de Dados Correlatos Critérios diferentes na Seleção de VariáveisCritérios diferentes na Seleção de Variáveis Modelo de Regressão Logística

37  Coeficiente de Determinação (r 2 ) Cox e SnellCox e Snell NagelkerkeNagelkerke  Grau de Significância do Modelo (p)  Grau de Confiabilidade do Modelo (Goodness of fit) Hosmer and Lemeshow TestHosmer and Lemeshow Test Modelo de Regressão Logística

38  Calibração Resultados Estimados x ObservadosResultados Estimados x Observados  Discriminação Habilidade de Identificar Corretamente Pacientes em Risco (Curva ROC)Habilidade de Identificar Corretamente Pacientes em Risco (Curva ROC)  Validação Confirmação da Acurácia do Modelo em Grupo Diferente de PacientesConfirmação da Acurácia do Modelo em Grupo Diferente de Pacientes Modelo de Regressão Logística Aferição da Qualidade

39 05101520 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Vivo Óbito Tempo de Seguimento Tabela de Sobrevivência Modelos de Análise de Risco em Estimativas de Eventos

40  Relac. à Estimativa da Incidência de um Evento Regressão Proporcional de CoxRegressão Proporcional de Cox Permite Avaliar a Influência de Covariáveis que Podem se Modificar em Função do Tempo Modelos de Análise de Risco

41 Modelo Proporcional de Cox

42 Modelos de Análise de Risco Modelo Proporcional de Cox 05101520 0 20 40 60 80100 Anos de Seguimento % X1X1 X2X2 X3X3

43 Modelos de Análise de Risco Modelo Proporcional de Cox 05101520 0 20 40 60 80100 Anos de Seguimento % X1X1 X2X2 X3X3

44  Regressão Proporcional de Cox Curva Exponencial (Logarítmica) Curva Exponencial (Logarítmica) ln(RR) =  + X 1. ln(RR 1 ) + X 2. ln(RR 2 ) RR =  + X 1.  1 + X 2.  2 Modelos de Análise de Risco

45  Regressão Proporcional de Cox Incidência do Evento Constante ao Longo de toda a Curva (Exponencial)Incidência do Evento Constante ao Longo de toda a Curva (Exponencial) Número Suficiente de Eventos (>5) Relacionados a cada Variável InvestigadaNúmero Suficiente de Eventos (>5) Relacionados a cada Variável Investigada Cada Variável Contribui de Maneira Independente para o ResultadoCada Variável Contribui de Maneira Independente para o Resultado Estudo Mais Apropriado para Gerar Hipóteses do que para Comprová-lasEstudo Mais Apropriado para Gerar Hipóteses do que para Comprová-las Modelos de Análise de Risco

46  Análise Univariada Seleção de Possíveis Variáveis (p<0,1) Seleção de Possíveis Variáveis (p<0,1)  Análise Multivariada Escolha de Variáveis Independentes que Participam do Modelo Escolha de Variáveis Independentes que Participam do Modelo Modelos de Análise de Risco Regressão Proporcional de Cox

47  Método de Escolha de Variáveis Independentes que Participam do Modelo: Análise de Todos os Modelos Possíveis Análise de Todos os Modelos Possíveis Análise dos Modelos em Degraus Análise dos Modelos em Degraus Modelos de Análise de Risco Regressão Proporcional de Cox

48 Determinantes de Mortalidade na ICC (An. Univariada) -0.10-0.05 0.000.050.10 Classe Funcional Nor-adrenalina Diam. Diast. VE Fração Ejeção VE 0.51.01.5 Coeficiente 

49 Modelos de Análise de Risco Regressão Proporcional de Cox Determinantes de Mortalidade na ICC 0,0280,0010,002 Nor-adr. plasma 0,0060,451,231 CF IV 2º Degrau 0,0150,4351,064 CF IV 1º Degrau Valor p EP Coef. 

50 Modelos de Análise de Risco Regressão Proporcional de Cox Determinantes de Mortalidade na ICC 0,0281,0011,002 Nor-adr. plasma 0,0061,563,42 CF IV 2º Degrau 0,0151,622,89 CF IV 1º Degrau Valor p EPRR

51 05101520 0 20 40 60 80100 Anos de Seguimento % Comparação entre Curvas de Eventos de Variáveis Independentes (Log-Rank) Modelos de Análise de Risco

52 Substituição Aorta Ascendente e Arco Aórtico Estrera et al. – Ann Thorac Surg 2002; 74: 1058-64 Preditores de Mortalidade - 5 a (423 pc.) Análise Univariada p = 0,0002 IRA Pós-Operatório p = 0,08 AVC Pós-operatório p = 0,004 Tempo de Perfusão p = 0,042 Envolv. Arco Aórtico p = 0,009 Substituição Valva Aórtica p = 0,005 Presença Outro Aneurisma p = 0,014 DPOC p = 0,0001 Idade

53 Substituição Aorta Ascendente e Arco Aórtico Estrera et al. – Ann Thorac Surg 2002; 74: 1058-64 Preditores Independentes de Mortalidade (5 a) Regressão Proporcional de Cox

54 Banco de Dados KUL (Katholieke Universiteit in Leuven) Bélgica Fonte:Kirklin JW, Barratt-Boyes BG. Cardiac Surgery. 2 nd ed. New York: Churchill Livingstone, 1993. v.1 Casuística: 10.000 pacientes

55 % Prevista de Sobrevivência Homem - 64 anos angina classe IV TE forte positivo DA 80% proximal FE = 0,60 Caso 1 - PTCA

56 % de Sobrevivência Prevista Homem - 67,5 anos PTCA há 3 a ; IAM há 6 meses Angina classe IV; DA 80% + CD 70%; FE = 0,30 Caso 2 - PTCA

57 % de Sobrevivência Prevista Homem - 69,5 a; 2 PTCA (5 e 2 a); IAM há 5,5 a; Angina classe IV; DA 80% + CD 70% + Mg70% ; FE 0,30 Caso 3 - CABG

58  Limitação do Modelo de Regressão Múltipla Pessoas Diferentes Analisando os Mesmos Dados Podem Gerar Equações Constituídas por Fatores Diferentes Pessoas Diferentes Analisando os Mesmos Dados Podem Gerar Equações Constituídas por Fatores Diferentes Modelos de Análise de Risco Regressão Proporcional de Cox

59  Diferentes Modelos de Risco Modelos Estatísticos DiferentesModelos Estatísticos Diferentes Abordagem Diversa em Relação a Dados PerdidosAbordagem Diversa em Relação a Dados Perdidos Manejo de Variáveis com Pouca InformaçãoManejo de Variáveis com Pouca Informação Tratamento de Dados CorrelatosTratamento de Dados Correlatos Critérios diferentes na Seleção de VariáveisCritérios diferentes na Seleção de Variáveis Modelos de Análise de Risco Regressão Proporcional de Cox

60  Correlação entre Variáveis Nominais Relação entre Proporções Relação entre Proporções – Cálculo do Risco Relativo – Cálculo da Razão de Chances (Odds Ratio) Conceitos de Redução de Risco

61 (não significante) (correlação negativa) (correlação positiva) 0 1 ++ = IC95% Favorece o Estudo Favorece o Controle Correlação entre Variáveis Risco Relativo / Razão de Chances

62 (não significante) (correlação negativa) (correlação positiva) 0 +1 = IC95% Favorece o Estudo Favorece o Controle Correlação entre Variáveis Diferença de Riscos

63 Conceitos de Redução de Risco Regressão Logística

64 0123456789101112131415 0 20 40 60 80100 Idade > 3 anos Idade  3 anos 3 anos p = 0,0017 Anos de Seguimento % Conceitos de Redução de Risco Comparação de Curvas de Eventos Conceitos de Redução de Risco Comparação de Curvas de Eventos Risco Relativo = 0,1346 (IC 95% = 0.07767 to 0.5557)

65  Redução do Risco Relativo (RRR)  Redução do Risco Absoluto (RRA)  Número Necessário para Tratar (NNT) Conceitos de Redução de Risco

66  Redução de Risco Relativo (RRR) Inc. Ev. Controle – Inc. Ev. Tratam. Inc. Ev. Controle Inc. Ev. Controle Conceitos de Redução de Risco  Redução de Risco Absoluto (RRA) Inc. Ev. Controle – Inc. Ev. Tratam.

67  Número Necessário para Tratar (NNT) NNT = 1 / RRA Conceitos de Redução de Risco

68  286 0,35%50%0,35%0,7% Trat. 3  29 3,5%50%3,5%7% Trat. 2  3 3 3 335%50%35%70% Trat. 1 NNTRRARRRIETIEC

69 Conceitos de Redução de Risco Número Necessário para Tratar Conceitos de Redução de Risco Número Necessário para Tratar 6 1 / 1 ano Enalapril (ICC) 18 1 / 2 anos Desfibrilador (IAM c/DVE) 42 1 / 30 dias Aspirina (IAM) 36 1 / 30 dias Estreptokinase (IAM) NNTPrevençãoIntervenção

70 Modelos de Análise de Risco  Determinação dos Fatores de Risco de Mortalidade Tardia de Crianças submetidas a Implante de Marcapasso. Estudadas 121 crianças operadas com idade de 0 a 13 anos, seguidos por período médio de 7 ± 5,5 anos (variando de 6 meses a 22 anos).Estudadas 121 crianças operadas com idade de 0 a 13 anos, seguidos por período médio de 7 ± 5,5 anos (variando de 6 meses a 22 anos).

71 Modelos de Análise de Risco Fatores de Risco de Mortalidade Tardia de Crianças submetidas a Implante de Marcapasso.

72 Modelos de Análise de Risco Fatores de Risco de Mortalidade Tardia de Crianças submetidas a Implante de Marcapasso.  Análise Univariada Regressão Proporcional de CoxRegressão Proporcional de Cox Idade p = 0,04 Presença Bloqueio AV Total p = 0,796 Etiologia Cirúrgica p = 0,166 Sintomas ICC p = 0,012 Área Cardíaca Aumentada (RX) p = 0,013 Defeito Cardíaco não Corrigido p < 0,0001

73 Modelos de Análise de Risco Fatores de Risco de Mortalidade Tardia de Crianças submetidas a Implante de Marcapasso.  Análise Univariada Regressão Proporcional de CoxRegressão Proporcional de Cox Idade p = 0,04 Presença Bloqueio AV Total p = 0,796 Etiologia Cirúrgica p = 0,166 Sintomas ICC p = 0,012 Área Cardíaca Aumentada (RX) p = 0,013 Defeito Cardíaco não Corrigido p < 0,0001

74 Modelos de Análise de Risco Fatores de Risco de Mortalidade Tardia de Crianças submetidas a Implante de Marcapasso.  Análise Multivariada Regressão Proporcional de Cox (Em degraus)Regressão Proporcional de Cox (Em degraus) Idade p = 0,04 Sintomas ICC p = 0,012 Área Cardíaca Aumentada (RX) p = 0,013 Defeito Cardíaco não Corrigido p < 0,0001

75 Modelos de Análise de Risco Fatores de Risco de Mortalidade Tardia de Crianças submetidas a Implante de Marcapasso.  Análise Multivariada Regressão Proporcional de Cox (Em degraus)Regressão Proporcional de Cox (Em degraus) Variáveis Fora da Equação Idade p = 0,028 Sintomas ICC p = 0,15 Área Cardíaca Aumentada (RX) p = 0,016 Modelo Defeito Cardíaco não Corrigido p < 0,0001

76 Modelos de Análise de Risco Fatores de Risco de Mortalidade Tardia de Crianças submetidas a Implante de Marcapasso.  Análise Multivariada Regressão Proporcional de Cox (Em degraus)Regressão Proporcional de Cox (Em degraus) Variáveis Fora da Equação Idade p = 0,026 Sintomas ICC p = 0,154 Modelo Defeito Cardíaco não Corrigido p < 0,0001 Área Cardíaca Aumentada (RX) p = 0,029

77 Modelos de Análise de Risco Fatores de Risco de Mortalidade Tardia de Crianças submetidas a Implante de Marcapasso.  Análise Multivariada Regressão Proporcional de Cox (Em degraus)Regressão Proporcional de Cox (Em degraus) Variáveis Fora da Equação Sintomas ICC p = 0,29 Modelo Defeito Cardíaco não Corrigido p < 0,0001 Área Cardíaca Aumentada (RX) p = 0,028 Idade p = 0,033

78 Modelos de Análise de Risco Fatores de Risco de Mortalidade Tardia de Crianças submetidas a Implante de Marcapasso.

79 Modelos de Análise de Risco  Determinação dos Fatores de Risco de Eventos Cardíacos Tardios em Pacientes em Seguimento de Transplante Cardíaco. Estudados 39 pacientes, com média de 7 anos de seguimento pós Transplante. Foram submetidos a avaliação clínica e laboratorial e todos foram seguidos por um período de mais 4 anos.Estudados 39 pacientes, com média de 7 anos de seguimento pós Transplante. Foram submetidos a avaliação clínica e laboratorial e todos foram seguidos por um período de mais 4 anos.

80 Modelos de Análise de Risco Fatores de Risco de Eventos Cardíacos Tardios em Pacientes em Seguimento de Transplante Cardíaco.  Análise Univariada Teste de Qui-quadrado (Exato de Fisher)Teste de Qui-quadrado (Exato de Fisher) Teste t de Student para Valores Não PareadosTeste t de Student para Valores Não Pareados Eventos CV Sem Eventos Valor de p Tempo Transpl. 7,6 ± 2,3 6,8 ± 2,2 0,678 Índ. Massa Corp. 29,5 ± 1,4 24,6 ± 0,7 0,003 Eco de Estresse 5 (+) 3(-) 4(+) 22(-) 0,017 Talium 4(+) 6(-) 3(+) 26(-) 0,056

81 Modelos de Análise de Risco Fatores de Risco de Eventos Cardíacos Tardios em Pacientes em Seguimento de Transplante Cardíaco.  Análise Univariada Teste de Qui-quadrado (Exato de Fisher)Teste de Qui-quadrado (Exato de Fisher) Teste t de Student para Valores Não PareadosTeste t de Student para Valores Não Pareados Eventos CV Sem Eventos Valor de p Tempo Transpl. 7,6 ± 2,3 6,8 ± 2,2 0,678 Índ. Massa Corp. 29,5 ± 1,4 24,6 ± 0,7 0,009 Eco de Estresse 5 (+) 3(-) 4(+) 22(-) 0,017 Talium 4(+) 6(-) 3(+) 26(-) 0,056

82 Modelos de Análise de Risco Fatores de Risco de Eventos Cardíacos Tardios em Pacientes em Seguimento de Transplante Cardíaco.  Análise Multlivariada Regressão Logística (Em degraus)Regressão Logística (Em degraus) Índ. Massa Corp. p = 0,022 Eco de Estresse p = 0,013 Talium p = 0,062

83 Modelos de Análise de Risco Fatores de Risco de Eventos Cardíacos Tardios em Pacientes em Seguimento de Transplante Cardíaco.  Análise Multlivariada Regressão Logística (Em degraus)Regressão Logística (Em degraus) Variáveis Fora da Equação Índ. Massa Corp. p = 0,037 Talium p = 0,415 Modelo Eco de Estresse p = 0,015

84 Modelos de Análise de Risco Fatores de Risco de Eventos Cardíacos Tardios em Pacientes em Seguimento de Transplante Cardíaco.  Análise Multlivariada Regressão Logística (Em degraus)Regressão Logística (Em degraus) Variáveis Fora da Equação Talium p = 0,466 Modelo Eco de Estresse p = 0,042 Índ. Massa Corp. p = 0,048


Carregar ppt "Modelos de Análise de Risco.  Avaliar a Existência de Diferenças entre Variáveis  Analisar a Ocorrência de Associações entre Variáveis  Estimar a Prevalência."

Apresentações semelhantes


Anúncios Google