Menu placering: Analysis_Survival_Cox Regression.
denne funktion passer Co.proportional farer model for overlevelse-time (time-to-event) resultater på en eller flere prædiktorer.
Co.regression (eller proportional farer regression) er metode til at undersøge effekten af flere variabler på den tid, en bestemt begivenhed tager at ske. I forbindelse med et resultat som død er dette kendt som co. – regression for overlevelsesanalyse., Metoden antager ikke nogen bestemt “overlevelsesmodel”, men den er ikke rigtig ikke-parametrisk, fordi den antager, at virkningerne af forudsigelsesvariablerne ved overlevelse er konstante over tid og er additive i en skala. Du bør ikke bruge Co.regression uden vejledning fra en statistiker.
forudsat at antagelserne om co.-regression er opfyldt, vil denne funktion give bedre estimater af overlevelsessandsynligheder og kumulativ fare end dem, der leveres af Kaplan-Meier-funktionen.,
Risiko og fare-nøgletal
Kumulative risiko på et tidspunkt, t, er risikoen for at dø mellem tidspunkt 0 og tiden t, og de overlevende funktion på tidspunkt t er sandsynligheden for at overleve til tid t (se også Kaplan-Meier-estimater).
koefficienterne i en co. – regression vedrører fare; en positiv koefficient indikerer en dårligere prognose, og en negativ koefficient indikerer en beskyttende virkning af den variabel, som den er forbundet med.,
fareforholdet, der er forbundet med en forudsigelsesvariabel, gives af eksponenten for dens koefficient; dette gives med et konfidensinterval under indstillingen “koefficientdetaljer” i StatsDirect. Fareforholdet kan også betragtes som den relative dødelighed, se Armitage and Berry (1994). Fortolkningen af fareforholdet afhænger af måleskalaen for den pågældende forudsigelsesvariabel, se Sahai and Kurshid (1996) for yderligere information om relativ risiko for farer.,
tidsafhængige og faste kovariater
i prospektive undersøgelser, når individer følges over tid, kan værdierne af kovariater ændre sig med tiden. Kovariater kan således opdeles i faste og tidsafhængige. Et kovariat er tidsafhængigt, hvis forskellen mellem dets værdier for to forskellige forsøgspersoner ændrer sig med tiden; f.eks. En kovariat er fast, hvis dens værdier ikke kan ændre sig med tiden, f.eks. Livsstilsfaktorer og fysiologiske målinger såsom blodtryk er normalt tidsafhængige., Kumulative eksponeringer såsom rygning er også tidsafhængige, men tvinges ofte ind i en upræcis dikotomi, dvs. “eksponeret” vs. “ikke-eksponeret” i stedet for den mere meningsfulde “eksponeringstid”. Der er ingen hårde og hurtige regler om håndtering af tidsafhængige kovariater. Hvis du overvejer at bruge Co. – regression, skal du søge hjælp fra en statistiker, helst i designfasen af undersøgelsen.
Modelanalyse og afvigelse
en test af den samlede statistiske signifikans af modellen er angivet under indstillingen “modelanalyse”., Her sandsynligheden for, chi-square statistik er beregnet ved at sammenligne afvigelse (- 2 * log sandsynlighed) af din model, med alle kovariater, du har angivet, mod modellen med alle kovariater faldet. Kovariaternes individuelle bidrag til modellen kan vurderes ud fra signifikanstesten, der er givet med hver koefficient i hovedproduktionen; dette forudsætter en rimelig stor stikprøvestørrelse.
afvigelse er minus to gange loggen over sandsynlighedsforholdet for modeller monteret efter maksimal sandsynlighed (Hosmer og Lemesho., 1989 og 1999; Co. og Snell, 1989; Pregibon, 1981)., Værdien af at tilføje en parameter til en Cox-model er testet ved at trække afvigelse af model med den nye parameter fra den afvigelse af model uden den nye parameter, forskellen er derefter testet mod en chi-kvadrat fordelingen med frihedsgrader lig med forskellen mellem grader af frihed, af gamle og nye modeller. Modelanalysemuligheden tester den model, du angiver, mod en model med kun en parameter, The intercept; dette tester den kombinerede værdi af de specificerede forudsigere/kovariater i modellen.,nogle statistiske pakker tilbyder trinvis Co. – regression, der udfører systematiske test for forskellige kombinationer af forudsigere/kovariater. Automatiske modelopbygningsprocedurer som disse kan være vildledende, da de ikke betragter den virkelige betydning af hver forudsigelse, af denne grund inkluderer StatsDirect ikke trinvis valg.
Overlevelse og kumulativ risiko priser
overlevelse/efterladte funktion og den kumulative risiko funktion (som diskuteret i Kaplan-Meier) er beregnet i forhold til baseline (laveste værdi af kovariater) ved hvert tidspunkt., Co.-regression giver et bedre skøn over disse funktioner end Kaplan-Meier-metoden, når antagelserne af Co. – modellen er opfyldt, og modelens pasform er stærk.
Du får mulighed for at ‘centrere kontinuerlige kovariater’ – dette gør overlevelses-og farefunktioner i forhold til gennemsnittet af kontinuerlige variabler snarere end i forhold til minimum, hvilket normalt er den mest meningsfulde sammenligning.
Hvis du har binære / dikotomiske forudsigere i din model, får du mulighed for at beregne overlevelse og kumulative farer for hver variabel separat.,
forberedelse af Data
- tid til begivenhed, f.eks. tid, hvor en person i et forsøg overlevede.
- begivenhed / censor kode – dette skal være ≥1 (begivenhed(er) skete) eller 0 (ingen begivenhed i slutningen af undersøgelsen, dvs. “højre censureret”).
- Strata – f.eks. centerkode til et multicenterforsøg. Vær forsigtig med dit valg af lag; søge råd hos en statistiker.
- forudsigere – disse kaldes også kovariater, som kan være et antal variabler, der menes at være relateret til den undersøgte begivenhed. Hvis en forudsigelse er en klassificeringsvariabel med mere end to klasser (dvs., ordinal eller nominel) så skal du først bruge dummy variabel funktion til at konvertere den til en række binære klasser.
Teknisk validering
StatsDirect optimerer log sandsynlighed, der er forbundet med en Cox regressionsmodel, indtil ændringen i log-likelihood med iterationer er mindre end den nøjagtighed, som du angiver i dialogboksen, der vises lige før beregning finder sted (Lawless, 1982; Kalbfleisch og Prentice, 1980; Harris, 1991; Cox og Oakes, 1984; Le, 1997; Hosmer og Lemeshow, 1999).,
beregningen i dialogboksen indstillinger angiver en værdi (standard er 10000) for “OPDELING RATIO”; dette er forholdet i proportionalitet konstant på et tidspunkt, t, over hvilke StatsDirect vil opdeler dine data i flere lag og beregne en udvidet sandsynligheden løsning, se Bryson og Johnson (1981).
bånd håndteres af Breslo .s tilnærmelse (Breslo., 1974).
Co.-Snell rester er beregnet som specificeret af CO and og Oakes (1984). Co. – Snell, Martingale og deviance rester er beregnet som specificeret af Collett (1994).,
Baseline overlevelse og kumulative ha .ard rates beregnes på hvert tidspunkt. Der anvendes maksimale sandsynlighedsmetoder, som er iterative, når der er mere end en død/begivenhed på et observeret tidspunkt (Kalbfleisch og Prentice, 1973). Anden soft .are kan bruge de mindre præcise Breslo.estimater for disse funktioner.
eksempel
fra Armitage and Berry (1994, s. 479).
Test arbejdsbog (Survival workshorksheet: Stage Group, Time, Censor).
følgende data repræsenterer overlevelsen i dage siden indtræden i forsøget med patienter med diffust histiocytisk lymfom., To forskellige grupper af patienter, dem med fase III og dem med fase IV-sygdom, sammenlignes.,2ee13″>0
Alternatively, open the test workbook using the file open function of the file menu., Vælg derefter Co. – regression fra sektionen for overlevelsesanalyse i analysemenuen. Vælg kolonnen mærket “Tid” når de bliver spurgt til tider, skal du vælge “Censurere” når du bliver spurgt efter døden/ censur, skal du klikke på knappen annuller, når du bliver spurgt om lag og når de bliver spurgt om prædiktorer, og vælg kolonnen mærket “Fase-gruppen”.
i dette eksempel:
Cox (proportional hazards) regression
80 forsøgspersoner med 54 begivenheder
Afvigelse (likelihood ratio) chi-square = 7.634383 df = 1 P = 0.0057
Trin gruppe b1 = 0.96102 z = 2.492043 P = 0.,0127
Cox regression – hazard ratios
| Parameter | Hazard ratio | 95% CI |
| Stage group | 2.614362 | 1.227756 to 5.566976 |
| Parameter | Coefficient | Standard Error |
| Stage group | 0.96102 | 0.,385636 |
Cox regression – model analyse
Log sandsynligheden for, med ingen kovariater = -207.554801
Log sandsynligheden for, med alle model med kovariater = -203.737609
Afvigelse (likelihood ratio) chi-square = 7.634383 df = 1 P = 0.0057
betydningen Af test for koefficienten b1 tester nulhypotesen, at det er lig med nul, og dermed også at dens eksponent lig én., Konfidensinterval for exp(b1) er derfor konfidensinterval for den relative dødelighed eller hazard ratio; vi kan derfor udlede, med 95% tillid til, at dødeligheden fra fase 4-kræft er cirka 3 gange, og mindst 1,2 gange, risikoen fra fase 3 kræftformer.
Skriv et svar