Модельна пропозиція щодо регресії Кокса з коваріатами, залежними від часу


10

Я моделюю вплив вагітності на результат захворювання (мертвий-живий). Приблизно 40% пацієнтів завагітніли після встановлення діагнозу, але в різні моменти часу. Поки я робив графіки КМ, що демонструють чіткий захисний вплив вагітності на виживання, а також звичайну модель Кокса, проте вони моделювались, використовуючи лише дихотомізовану змінну вагітності, і припускаючи, що ефект присутній з моменту встановлення діагнозу, що явно нереально з медіани часу до вагітності - 4 роки від встановлення діагнозу.

Яка модель поглинула б ефект багатоплідної вагітності в різні моменти часу після встановлення діагнозу? Чи було б правильним моделювати вагітність, яка взаємодіє з часом (що вимагає серйозної реконструкції даних - будь-яке автоматизоване програмне забезпечення, яке могло б допомогти у цьому?) Чи існує інша бажана стратегія моделювання цих проблем? Також яка найкраща стратегія побудови цих проблем?


цікаве запитання (+1) ... Цей останній документ може бути корисним
ocram

Цікаво, але я вважаю, що головною темою є час, що впливає на час .// М
Міша


1
Це нагадує мені про «класичному» аналізі виживання прикладу даних по пересадці серця: bit.ly/UFX71v - то , що вам потрібно , це час зміни коваріати , не обов'язково постійно змінюваних у час коефіцієнта . Ви можете побудувати свої дані за допомогою кривих KM.
boscovich

За допомогою цього методу ви також зможете впоратися з тим, що деякі жінки, можливо, мали більше 1 вагітності під час спостереження.
боскович

Відповіді:


4

Що вам тут треба , це змінюється під час коваріати і не обов'язково змінюються в час коефіцієнта . Відомий приклад, який може допомогти вам у аналізі, - це дані про трансплантацію серця Стенфорда .

Щоб представити свої результати, ви можете використовувати класичний оцінювач Каплан-Мейєра, який без проблем обробляє коваріати, що змінюються часом (пам’ятайте, що це грубий аналіз або невідрегульований аналіз з усіма відомими обмеженнями).

Як приклад, наступний графік показує аналіз даних Stanford HT при коректному обліку змінного часу трансплантації (верхня панель) та без обліку його (нижня панель).

введіть тут опис зображення


Нарешті мені вдалося це зробити, і я отримую наступний сюжет
Міша

Регулярний КМ НЕ є правильним способом графіки цих моделей. Скоріше це розширення до KM від Саймона та Макуча, яке реалізовано в Stata. stats.stackexchange.com/posts/46754
Міша

Ви не можете використовувати KM, як це. Розглянемо вагітність, наприклад, вік як основний час: Скажімо, що жінкам принаймні 20 років, коли вони отримують другу дитину, і щонайменше 22, коли отримують свою третю. Припустимо постійну небезпеку для будь-якого віку та всіх груп (кількість народжених дітей). Тоді 2- і 3 групи вмирають з однаковою швидкістю, але оцінка 3-групи (швидше за все) буде більша в будь-який момент t, просто тому, що 3-групи починають вмирати в більш пізньому віці. Це неправильне представлення даних.
swmo


1

Остерігайтеся безсмертних упереджень у цій ситуації. Ваша група вагітних неминуче виживе, ніж не вагітна група, оскільки ви не можете завагітніти після смерті (наскільки мені відомо!)

Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.