Как интерпретировать Exp (B) в регрессии Кокса?

17

Я студент-медик, пытаюсь понять статистику (!) - так что будьте осторожны! ;)

Я пишу эссе, содержащее достаточное количество статистического анализа, включая анализ выживания (Kaplan-Meier, Log-Rank и регрессия Кокса).

Я провел регрессию Кокса на моих данных, пытаясь выяснить, могу ли я найти значительную разницу между смертями пациентов в двух группах (пациенты с высоким или низким риском).

Я добавил несколько ковариат к регрессии Кокса, чтобы контролировать их влияние.

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

Я удалил окклюзию артерии из списка ковариат, потому что ее SE была чрезвычайно высокой (976). Все остальные SE находятся между 0,064 и 1118. Вот что я получаю:

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

Я знаю, что риск только погранично-значимый в 0,058. Но помимо этого, как мне интерпретировать значение Exp (B)? Я читал статью о логистической регрессии (которая чем-то похожа на регрессию Кокса?), Где значение Exp (B) интерпретировалось как: «Нахождение в группе высокого риска включает 8-кратное увеличение вероятности исхода», которая в этом случае смерть. Могу ли я сказать, что мои пациенты с высоким риском в 8 раз чаще умирают раньше, чем ... что?

Пожалуйста, помогите мне! ;)

Кстати, я использую SPSS 18 для запуска анализа.

Alex
источник

Ответы:

23

Вообще говоря, exp(β^1) представляет собой отношение опасности между двумя людьми , чьи значения x1 отличаются на одну единицу , когда все остальные ковариаты остаются постоянными. Параллель с другими линейными моделями заключается в том, что в регрессии Кокса функция опасности моделируется как h(t)=h0(t)exp(βx) , где h0(t) - базовая опасность. Это эквивалентно тому, что log(group hazard/baseline hazard)=log((h(t)/h0(t))=iβixi . Затем, увеличение единицы вxi ассоциируется сβi увеличение скорости опасности журнала. Коэффициент регрессии позволяют таким образом, для количественной оценки журнала опасности в группе лечения (по сравнению с контрольной или плацебо-группой) с учетом ковариат, включенных в модель, это интерпретируется как относительный риск (при условии отсутствия изменяющихся во времени коэффициентов).

В случае логистической регрессии коэффициент регрессии отражает логарифм отношения шансов , поэтому интерпретируется как увеличение риска в k раз. Так что да, интерпретация коэффициентов опасности имеет некоторое сходство с интерпретацией коэффициентов шансов.

Обязательно зайдите на сайт Дэйва Гарсона, где есть хороший материал по регрессии Кокса с помощью SPSS.

хл
источник
Большое спасибо за ваш ответ! Мне трудно расшифровывать ваши текстовые формулы. Можете ли вы гуманизировать их? ;) Отличная статья, на которую вы ссылаетесь. Я внимательно прочитаю и вернусь ...
Алекс
1
Аааа ... Internet Explorer не смог отобразить формулы. Firefox исправил это. :)
Alex
2
Другим отличным ресурсом для изучения и понимания анализа выживаемости является Прикладной продольный анализ данных Зингера и Виллетта. Также приведен пример кода / вывода для всех их моделей, использующих каждый пакет статистики под солнцем .
М Адамс
@M Adams Спасибо за добавление этой ссылки. Да, сервер UCLA действительно полон полезных ресурсов.
хл
Спасибо за отличную ссылку на UCLA! Я буду копаться в этом ...;)
Алекс
8

Я не статистик, а доктор медицины, пытающийся разобраться в мире статистики.

exp(B)1/exp(B)exp(B)=0.4071/0.407=2.46

exp(B)>1exp(B)=1.259

exp(B)=1exp(B)

Из вашего анализа кажется, что ни одна из ваших переменных не является значимым предиктором (на уровне знака 5%) вашей конечной точки, хотя наличие пациента «высокого риска» имеет пограничное значение.

Читая книгу « Руководство по выживанию SPSS » Джулии Паллант, вероятно, вы узнаете больше об этой (и более) темах.

хл
источник
Благодарю. Отличная поддержка со стороны искателей приключений в этом мире статистики! ;) В настоящее время я читаю «Обнаружение статистики с использованием SPSS» Энди Филда, которое мне очень нравится (так как это учебник по статистике). Я изменил свой анализ ЦОГ, чтобы измерить выживаемость по дням, а не по месяцам, что, к счастью, повысило мою значимость моего ковариата «риска» ниже 0,05 ... :)
Alex