Meny sted: Analysis_Survival_Cox Regresjon.
Denne funksjonen passer Cox er proporsjonal farer modell for overlevelse-time (tid-til-event) utfall på ett eller flere prediktorer.
Cox-regresjon (eller proporsjonal farer regresjon) er en metode for å undersøke effekten av flere variabler på det tidspunkt som er angitt tilfelle tar til å skje. I sammenheng med et utfall som for eksempel død dette er kjent som Cox-regresjon for å overleve analyse., Metoden påtar seg ikke noe særlig «overlevelse» – modellen, men det er ikke virkelig nonparametric fordi det gjør anta at effekten av prediktor variabler på overlevelse er konstant over tid, og tilsetningsstoff i en skala. Du bør ikke bruke Cox regresjon uten veiledning av en Statistiker.
Gitt at forutsetningene for Cox-regresjon er oppfylt, med denne funksjonen vil gi bedre estimater av overlevelse sannsynligheter og kumulative fare enn de som er gitt av Kaplan-Meier-funksjonen.,
Hazard og fare-ratio
Kumulative fare ved et tidspunkt t er risikoen for å dø mellom 0 tid og tid t, og de overlevende funksjon ved tid t er sannsynligheten for å overleve til tid t (se også Kaplan-Meier estimater).
koeffisientene i en Cox-regresjon er knyttet til fare; en positiv koeffisient indikerer dårligere prognose og en negativ verdi indikerer en beskyttende effekt av variabelen som den er tilknyttet.,
farer forhold forbundet med en prediktor variable er gitt ved eksponent for sitt koeffisient; denne er gitt med et konfidensintervall under «koeffisient detaljer» – alternativet i StatsDirect. De farer forholdet kan også oppfattes som den relative død pris, se Armitage og Bær (1994). Tolkningen av farer forholdet er avhengig av å måle omfanget av prediktor variabel i spørsmålet, se Sahai og Kurshid (1996) for mer informasjon om relativ risiko for farer.,
tidsavhengig og fast covariates
I prospektive studier, når individer følges over tid, er de verdier av covariates kan endre seg med tiden. Covariates kan dermed deles inn i faste og tidsavhengig. En covariate er tidsavhengig hvis forskjellen mellom dens verdier for to ulike fag endres med tid, f.eks. serum kolesterol. En covariate er fast hvis dens verdier kan ikke endres med tiden, for eksempel kjønn eller rase. Livsstilsfaktorer og fysiologiske målinger som for eksempel blodtrykk er vanligvis tidsavhengig., Kumulativ eksponering for eksempel røyking er også tidsavhengig, men er ofte tvunget inn i en upresis dikotomi, dvs. «utsatt» vs. «ikke-eksponert» i stedet for den mer meningsfylt «tid for eksponering». Det er ingen hard og rask regler om håndtering av tidsavhengig covariates. Hvis du vurderer å bruke Cox regresjon bør du søke hjelp av en Statistiker, fortrinnsvis i design fasen av etterforskningen.
Modell analyse og avvik
En test av den samlede statistiske betydningen av modellen er gitt under «modell analyse» alternativet., Her sannsynligheten chi-kvadrat statistikk er beregnet ved å sammenligne avvik (- 2 * log likelihood) av modellen, med alle covariates du har angitt, mot modellen med alle covariates droppet. Den individuelle bidrag av covariates til modellen kan vurderes fra betydningen test gitt med hver koeffisient i de viktigste utgang; dette forutsetter en rimelig stor utvalgsstørrelse.
Avvik er minus to ganger log likelihood ratio for modeller som er utstyrt med maximum likelihood (Hosmer og Lemeshow, 1989 og 1999; Cox og Snell, 1989; Pregibon, 1981)., Verdien av å legge til en parameter til en Cox-modellen er testet ved å trekke fra avvik i modellen med den nye parameteren fra avvik i modellen uten ny parameter, forskjellen er deretter testet mot en chi-kvadrat fordeling med frihetsgrader lik differansen mellom grader av frihet for den gamle og nye modeller. Modellen analyse alternativet tester modellen du angir mot en modell med kun én parameter, skjæringspunktet; denne testen kombinert verdien av den angitte prediktorer/covariates i modellen.,
Noen statistiske pakker tilbyr trinnvis Cox-regresjon som utfører systematisk tester for ulike kombinasjoner av prediktorer/covariates. Automatisk modell bygning prosedyrer slik som disse kan være misvisende, ettersom de ikke anser den virkelige betydningen av hver prediktor, for denne grunn StatsDirect ikke inkluderer trinnvis utvalget.
Overlevelse og kumulative fare priser
overlevelse/survivorship funksjon og den kumulative fare funksjon (som omtalt under Kaplan-Meier) er beregnet i forhold til referansebanen (laveste verdi av covariates) på hvert tidspunkt., Cox-regresjon gir et bedre estimat av disse funksjonene enn Kaplan-Meier-metoden når de forutsetninger som er av Cox-modellen er oppfylt og tilpasning av modellen er sterk.
Du får muligheten til «sentrum kontinuerlig covariates» – dette gjør overlevelse og fare funksjoner i forhold til gjennomsnittet av kontinuerlige variabler snarere enn i forhold til de minste, som er vanligvis den mest meningsfull sammenligning.
Hvis du har binary/dichotomous prediktorer i modellen, har du muligheten til å beregne overlevelse og kumulative farer for hver variabel for seg.,
Data forberedelse
- Tid til en hendelse, som for eksempel tid et emne i en rettssak som overlevde.
- Event / sensurere – kode-denne må være ≥1 (event(s) skjedde) eller 0 (nei hendelse på slutten av studiet, dvs. «rett sensurert»).
- Strata – som f.eks. sentrum-kode for en multi-senter studie. Vær forsiktig med ditt valg av strata; søke råd fra en Statistiker.
- Prediktorer – disse er også referert til som covariates, som kan være en rekke variabler som antas å være relatert til hendelsen under studien. Hvis en prediktor er en classifier variabel med mer enn to klasser (dvs., ordenstallet nominell) så må du først bruke dummy variabel funksjon for å konvertere den til en serie av binære klasser.
Teknisk validering
StatsDirect optimaliserer logg sannsynligheten assosiert med en Cox regresjons til endringen i log likelihood med iterasjoner er mindre enn den nøyaktighet som du har angitt i dialogboksen som vises rett før beregningen skjer (Lawless, 1982; Kalbfleisch og Prentice, 1980; Harris, 1991; Cox og Oakes, 1984; Le, 1997; Hosmer og Lemeshow, 1999).,
beregningen alternativer i dialogboksen angir du en verdi (standard er 10000) for «SPLITTING RATIO»; dette er forholdet i forholdsmessighet konstant i en tid t over som StatsDirect vil dele dataene inn i flere lag og beregne en utvidet sannsynligheten løsning, se Bryson og Johnson (1981).
Bånd håndteres av Breslow ‘ s tilnærming (Breslow, 1974).
Cox-Snell restene er beregnet som angitt av Cox og Oakes (1984). Cox-Snell, Martingale, og avvik restene er beregnet som angitt av Collett (1994).,
Baseline overlevelse og kumulative fare priser er beregnet på hver tid. Maksimum likelihood metodene som er brukt, som er iterativ når det er mer enn én død/hendelse på et observert tid (Kalbfleisch og Prentice, 1973). Annen programvare kan bruke mindre presise Breslow estimater for disse funksjonene.
Eksempel
Fra Armitage og Bær (1994, s. 479).
Test-arbeidsbok (Overlevelse regneark: Scenen Gruppe, Tid, Sensurere).
følgende data representerer overlevelse i dager siden adgang til prøving av pasienter med diffuse histiocytic lymfom., To ulike grupper av pasienter, pasienter med stadium III og de med stage IV sykdom, er sammenlignet.,2ee13″>0
Alternatively, open the test workbook using the file open function of the file menu., Velg deretter Cox regresjon fra overlevelse analyse delen av analyse-menyen. Velg kolonnen merket «Time» når du blir bedt om tider, velger du «Sensurere» når du blir bedt om dødsfall/ sensur, klikk på avbryt-knappen når du blir spurt om strata og når du blir spurt om prediktorer og velg kolonnen merket «Scenen gruppe».
For eksempel:
Cox (proporsjonal farer) regresjon
80 fag med 54 hendelser
Avvik (likelihood ratio) chi-square = 7.634383 df = 1 P = 0.0057
Trinn 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 regresjon – modell analyse
Logg sannsynligheten uten covariates = -207.554801
Logg sannsynligheten med alle modell covariates = -203.737609
Avvik (likelihood ratio) chi-square = 7.634383 df = 1 P = 0.0057
Den betydning test for koeffisienten b1 tester nullhypotesen at det er lik null, og dermed som sin eksponenten er lik én., Konfidensintervallet for exp(b1) er derfor konfidensintervallet for den relative død pris eller hazard ratio; vi kan derfor konkludere med 95% sikkerhet at døden pris fra fase 4 kreft er ca 3 ganger, og minst 1.2 ganger, faren fra scenen 3 kreft.
Legg igjen en kommentar