Tren tingkat kelangsungan hidup dalam studi kasus-kontrol

Saya mengirimkan artikel yang ditolak karena cara yang tidak tepat melakukan analisis kelangsungan hidup. Wasit tidak meninggalkan detail atau penjelasan lain selain: "analisis kelangsungan hidup pada tren waktu membutuhkan cara penyensoran yang lebih canggih."

Pertanyaan:

Apakah risiko kematian yang berlebihan di kalangan perokok berkurang dalam beberapa dekade terakhir?

Data:

25.000 perokok di Jerman. Mereka terdaftar dalam kohort setiap saat antara 1995 dan 2014. Setiap perokok telah dicocokkan (pada saat pendaftaran) dengan jenis kelamin dan kontrol usia yang cocok dari populasi umum (yang tidak merokok). Saya memiliki waktu kematian yang tepat untuk semua orang yang meninggal selama masa studi keseluruhan. Mereka yang tidak meninggal selama masa tindak lanjut akan disensor. Penelitian ini didukung untuk memeriksa risiko kematian yang berlebihan di kalangan perokok setiap tahun dari 1995 hingga 2014.

Tujuannya untuk menghitung:

• Tingkat insiden kematian untuk perokok dan bukan perokok setiap tahun dan memeriksa tren ini
• risiko kematian yang berlebihan di kalangan perokok, setiap tahun (atau periode beberapa tahun berturut-turut).

Bagaimana seharusnya data dianalisis? Ingatlah bahwa seseorang yang termasuk dalam tahun 1998 akan meninggal pada tahun 2015. Apakah pendekatan yang tepat untuk menggunakan format proses penghitungan dengan mulai dan berhenti diperbarui untuk setiap tahun?

Ini adalah pendekatan yang tidak disukai wasit:

Tingkat kejadian dihitung dengan menggunakan regresi Poisson. Kami memasukkan waktu tindak lanjut sebagai penyeimbang dalam model dan termasuk usia, jenis kelamin, status merokok, dan periode kalender (menggabungkan dua tahun berturut-turut) sebagai prediktor dalam model. Kemudian tingkat dihitung per 1000 orang-tahun menggunakan fungsi prediksi () R. Offset (waktu tindak lanjut) adalah orang-orang seluruh waktu pengamatan (hari) dari pendaftaran.

Model Cox digunakan untuk memperkirakan risiko relatif untuk perokok setiap periode dari awal hingga akhir penelitian. Untuk kesederhanaan kami membandingkan rasio bahaya pada periode pertama dengan rasio bahaya pada periode terakhir.

Masalah: - seseorang (bersama dengan kendalinya) dapat dimasukkan pada tahun 1998 dan dengan demikian termasuk dalam kelompok kalender itu, tetapi mengalami suatu peristiwa pada tahun 2006. - Bagaimana seharusnya data diletakkan untuk analisis Poisson dan regresi Cox? Menghitung proses untuk cox? Apa waktu mulai dan berhenti? - Bagaimana tren dinilai dalam situasi ini?

Beberapa klarifikasi: Katakanlah seorang pasien pertama kali diamati pada 15 Juni 1998 dan mengalami peristiwa 31 Desember 1998, nilai untuk variabel waktu kami untuk pasien ini adalah 182,5 dari 730 hari yang mungkin karena periode waktu terdiri dari 2 tahun berikutnya. Jumlah maksimum waktu yang diamati dalam setiap periode waktu adalah 730 hari.

Ketika seorang pasien diamati dalam satu periode waktu tetapi disensor (yaitu berpengalaman dan kejadian atau putus) dalam periode waktu lain haruskah jumlah hari yang diamati ditambahkan ke periode waktu berikutnya atau apa?

Dengan demikian masalah utama adalah penanganan waktu tindak lanjut dan tahun kalender (yang digunakan sebagai variabel kategori, terdiri dari dua tahun berturut-turut).

Dari penjelasan di atas ada beberapa kemungkinan untuk model Cox:

1. MODEL TERPISAH UNTUK SETIAP WAKTU-PERIODE : Gunakan satu pengamatan untuk setiap orang; menghitung waktu pengamatan (hal-hal terkait kapan sensor / kematian terjadi selama tindak lanjut) dan kemudian menghitung rasio bahaya setiap periode. Kemudian, bandingkan rasio bahaya secara langsung.

2. HITUNG PERUBAHAN RELATIF DALAM BAHAYA DALAM MEROKOK DAN NON-MEROKOK SECARA TERPISAH : satu pengamatan per orang; menghitung waktu pengamatan (terlepas dari kapan sensor / peristiwa terjadi) dan kemudian menggunakan semua pasien (1995-2014) dalam model, gunakan periode waktu sebagai variabel kategori dan tetapkan salah satu periode sebagai nilai referensi.

   3. FORMULASI PROSES PENGHITUNGAN : ini kedengarannya menarik, tapi saya tidak yakin bagaimana menggunakan waktu bertahan hidup, interval mulai berhenti dan tahun kalender.

Meskipun berbahaya untuk membaca terlalu banyak ke dalam komentar samar-samar dari resensi buku, saya akan menduga bahwa keberatan itu berkaitan dengan apakah penyensoran itu informatif.

$T$$T$

Namun, dalam analisis Anda, mereka yang disensor adalah mereka yang bertahan hingga 2014. Jika Anda berpikir bahwa ada perubahan dalam risiko kematian yang berlebihan akibat merokok selama 20 tahun sebelumnya (atau bahkan jika ada perubahan paralel dalam angka kematian untuk kedua kelompok), maka individu yang disensor tersebut mungkin tidak mewakili mereka yang bertahan untuk waktu yang sama tetapi memasuki studi sebelumnya. Di bawah hipotesis Anda, penyensoran mungkin informatif.

Mungkin detail desain analisis Anda menghindari masalah ini, tetapi itu tidak jelas dalam naskah yang ditinjau. Atau mungkin peninjau tidak menyukai studi ini karena beberapa alasan tambahan dan menemukan ini sebagai cara untuk menolaknya sehingga editor tidak akan mempertanyakan. Namun demikian, ini tampaknya menjadi keberatan potensial terhadap cara Anda menganalisis data ini dan Anda harus memastikan bahwa itu ditangani dengan benar. (Ini di luar keahlian pribadi saya; orang lain di situs ini mungkin memiliki petunjuk tentang bagaimana untuk melanjutkan. Judul yang lebih tepat untuk pertanyaan ini, dengan rincian lebih lanjut tentang desain dan analisis studi, mungkin mendapatkan jawaban yang lebih membantu.)

Tidak jelas bagi saya dari pertanyaan Anda dan mengklarifikasi komentar bahwa analisis Cox menambahkan sesuatu yang berguna untuk pemodelan sederhana angka kematian per tahun (atau lebih dari interval 2 tahun). Plus, hipotesis Anda tampaknya menyiratkan bahwa bahaya tidak proporsional dari waktu ke waktu antara non-perokok dan perokok, dasar analisis Cox standar. Jika Anda tertarik pada perbedaan tingkat kematian antara perokok dan bukan perokok sebagai fungsi dari tahun kalender, itu adalah langkah yang paling mudah untuk dimodelkan (walaupun Anda mungkin harus memperhitungkan pengayaan yang diduga bukan perokok dalam sampel studi Anda. sebagai rekan merokok cocok mereka mati).