Curva de Kaplan-Meier: como interpretar

A curva de Kaplan-Meier é a imagem mais reconhecível da pesquisa clínica: aquelas linhas em degraus que descem com o tempo. Ela resume a análise de sobrevida — o estudo do tempo até um evento. Mas ler a curva corretamente exige entender três conceitos: a censura, o teste de log-rank e o que a curva não consegue fazer sozinha.

O que a análise de sobrevida mede

Apesar do nome, "sobrevida" não se limita a morte. O método se aplica a qualquer tempo até um evento: recidiva de um tumor, alta hospitalar, falha de uma prótese, abandono de tratamento. O que importa é que cada participante contribui com quanto tempo levou até o evento — ou até deixar de ser observado.

Como ler a curva

• Eixo X: o tempo de seguimento (dias, meses, anos).
• Eixo Y: a probabilidade estimada de ainda não ter sofrido o evento. Começa em 1 (100%) e desce.
• Os degraus: cada queda vertical marca o momento em que um evento ocorreu. Curvas mais íngremes indicam eventos mais frequentes.
• Os tracinhos (marcas de censura): sinalizam participantes censurados — que saíram do estudo sem ter o evento.
• A tabela de números em risco, abaixo do gráfico: mostra quantos participantes ainda estão sob acompanhamento em cada tempo. É essencial: a cauda da curva costuma se basear em pouquíssimas pessoas e deve ser interpretada com cautela.

Censura: o coração do método

A censura é o que torna a análise de sobrevida diferente. Quando o estudo termina e um participante ainda não teve o evento — ou quando ele se perde do seguimento —, não sabemos quando (ou se) o evento ocorrerá. Mas sabemos que ele sobreviveu pelo menos até aquele ponto. Kaplan-Meier aproveita essa informação parcial em vez de descartá-la.

Há um pressuposto importante: a censura deve ser não informativa — quem é censurado não pode ter um prognóstico sistematicamente diferente de quem permanece. Se pacientes mais graves saem do estudo justamente por estarem piores, a curva fica enviesada.

Comparar grupos: o teste de log-rank

Quando há duas ou mais curvas (por exemplo, tratamento A vs. B), a pergunta é se elas diferem. O teste de log-rank compara as curvas ao longo de todo o seguimento e produz um valor de p. Dois pontos a lembrar:

• O log-rank diz se as curvas diferem, mas não quantifica a magnitude da diferença.
• Ele tem mais poder quando as curvas se separam de forma consistente. Se elas se cruzam, o log-rank pode falhar em detectar diferenças reais.

Quando partir para o modelo de Cox

Kaplan-Meier e log-rank são não ajustados: comparam grupos sem levar em conta outras variáveis (idade, estágio, comorbidades). Para estimar o efeito de um fator controlando por outros, usa-se o modelo de regressão de Cox, que fornece o hazard ratio (HR) — a razão entre as taxas instantâneas de evento de dois grupos.

Um HR de 2 significa o dobro da taxa de evento a cada instante; um HR de 0,5, metade (efeito protetor). O modelo de Cox assume riscos proporcionais: a razão entre os grupos se mantém ao longo do tempo. Esse pressuposto precisa ser verificado — curvas que se cruzam são um sinal de alerta de que ele pode não valer. Veja o detalhe em regressão de Cox e hazard ratio.

Como reportar

Uma análise de sobrevida bem relatada traz: a curva de Kaplan-Meier com a tabela de números em risco, o valor de p do log-rank, e — quando há ajuste — o hazard ratio com seu intervalo de confiança. O número de eventos importa tanto quanto o número de participantes para o poder do estudo. Diretrizes de relato como o checklist STROBE reforçam a transparência sobre seguimento, censura e métodos.