如何最好地分析基于医院的RCT中的住院时间数据？

我很想知道是否存在关于分析来自RCT的住院时间（LOS）数据的最佳方法的共识。这通常是一个非常偏斜的分布，其中大多数患者在几天到一周内出院，但是其余患者的停留时间非常不可预测（有时甚至很长），形成分布的右尾。

分析选项包括：

• t检验（假设不可能出现正态性）
• 曼·惠特尼U检验
• 对数秩检验
• 组分配的Cox比例风险模型条件

这些方法中的任何一种具有明显更高的功效吗？

我实际上正在着手一个完全做到这一点的项目，尽管它具有观察性而非临床数据。我的想法一直是，由于大多数停留时间数据的形状不寻常，而且时间刻度的确很好地表征（您基本上知道起点和终点时间），因此该问题非常适合进行某种生存分析。要考虑的三个选项：

• 正如您所建议的，Cox比例风险模型用于比较治疗方案和裸露的手臂。
• 使用对数秩或其他测试之一检验直线之间的Kaplan-Meyer曲线之间的差异。Miguel Hernan 认为，在许多情况下，这实际上是首选的方法，因为它不一定假定恒定的危险比。进行临床试验后，生成协变量调整后的Kaplan-Meyer曲线的难度不应该成为问题，但是即使您要控制某些残留变量，也可以通过以下方法实现处理重量。
• 参数生存模型。诚然，这种方法不那么常用，但就我而言，我需要对潜在危害进行参数估计，因此，这些确实是唯一的解决方法。我不建议您直接使用广义伽玛模型。使用它有点痛苦-我会尝试简单的指数，威布尔和对数正态，看看是否有任何适合的拟合。

我赞成Cox比例风险模型，该模型还将处理审查的住院时间（成功出院前死亡）。相关的讲义可在http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf上找到，代码如下：http：//biostat.mc.vanderbilt.edu/wiki/pub/主要/ FH讲义/model.s

我建议使用logrank测试来测试组之间以及每个自变量之间的差异。也许您需要在Cox比例风险模型中调整几个变量（至少对那些在对数秩检验中有意义的变量）。如果您需要基线（危害）风险估算，则可以使用Gamma广义模型（参数）替代Cox。

死亡是有放电的竞争事件。审查死亡人数将不会随机审查丢失的数据。检查死亡和出院的累积发生率并比较子分布的危害可能更合适。