Модельное предложение для регрессии Кокса с зависимыми от времени ковариатами

Я моделирую влияние беременности на исход болезни (мертвый жив). Приблизительно 40% пациентов забеременели после постановки диагноза, но в разные моменты времени. До сих пор я делал графики КМ, показывающие явный защитный эффект беременности на выживаемость, а также обычную модель Кокса - однако они были смоделированы с использованием только дихотомической переменной беременности и предполагая, что эффект присутствует со времени диагностики, что явно нереально так как среднее время до беременности составляет 4 года с момента постановки диагноза.

Какая модель будет поглощать эффект многоплодной беременности в разные моменты времени после постановки диагноза? Было бы правильно моделировать беременность, взаимодействующую со временем (что потребовало бы некоторой серьезной реконструкции данных - любого автоматизированного программного обеспечения, которое могло бы помочь с этим?), Или есть другая предпочтительная стратегия моделирования для этих проблем? Также, какова предпочтительная стратегия заговора для этих проблем?

survival Миша
источник

интересный вопрос (+1) ... эта недавняя статья может быть полезна

ocram

Интересно - но я считаю, что главной темой здесь являются эффекты, меняющиеся во времени .// М

Миша

изменяющиеся во времени эффекты - тема статьи ...

ocram

Это напоминает мне о «классическом» примере анализа выживаемости данных трансплантации сердца: bit.ly/UFX71v - вам нужен переменный по времени ковариат , не обязательно изменяющийся во времени коэффициент . Вы можете построить свои данные, используя кривые КМ.

Boscovich

С помощью этого метода вы также сможете справиться с тем фактом, что у некоторых женщин во время наблюдения было более 1 беременности.

Boscovich

Ответы:

Здесь вам нужен изменяющийся во времени ковариат и не обязательно изменяющийся во времени коэффициент . Известный пример, который может помочь вам в ваших анализах, - данные о пересадке сердца Стэнфорда .

Чтобы представить свои результаты, вы можете использовать классический оценщик Каплана-Мейера, который обрабатывает изменяющиеся во времени ковариаты без проблем (помните, однако, что это грубый - или нескорректированный анализ со всеми его известными ограничениями).

В качестве примера на следующем графике показан анализ данных Stanford HT при правильном учете изменяющегося во времени состояния трансплантата (верхняя панель) и без учета его (нижняя панель).

введите описание изображения здесь

Boscovich
источник

Мне наконец удалось это сделать, и я получил следующий сюжет

Миша

Обычный КМ НЕ является правильным способом построения графиков для этих моделей. Скорее это расширение к KM от Simon и Makuch, которое реализовано в Stata. stats.stackexchange.com/posts/46754

Миша

Вы не можете использовать KM, как это. Рассмотрим беременность, например, с возрастом в качестве основного времени: допустим, женщинам не менее 20 лет, когда у них появляется второй ребенок, и не менее 22 лет, когда у них появляется третий. Давайте предположим постоянную опасность для всех возрастов и всех групп (количество рожденных детей). Тогда 2- и 3-группы погибнут с одинаковой скоростью, но оценка для 3-х групп (скорее всего) будет больше в любое время t просто потому, что 3-группы начинают умирать в более позднем возрасте. Это искажение данных.

swmo

В R это может быть решено с помощью начальной / конечной версии объекта Survival, например

fit <- coxph(Surv(time1, time2, status) ~ is.pregnant + other.covariates, data=mydata)

В этом документе это обсуждается более подробно: http://cran.r-project.org/web/packages/survival/vignettes/timedep.pdf

Макс Генис
источник

Остерегайтесь бессмертного смещения времени в этой ситуации. Ваша группа беременных неизбежно будет иметь лучшую выживаемость, чем группа небеременных, поскольку вы не можете забеременеть после смерти (насколько мне известно!)

drstevok
источник