Model saran untuk regresi Cox dengan kovariat bergantung waktu


10

Saya memodelkan efek kehamilan pada hasil suatu penyakit (mati-hidup). Kira-kira 40% dari pasien memang hamil setelah waktu diagnosis-tetapi pada titik yang berbeda dalam waktu. Sejauh ini saya sudah melakukan plot KM yang menunjukkan efek perlindungan yang jelas dari kehamilan pada kelangsungan hidup dan juga model Cox biasa - namun ini telah dimodelkan hanya menggunakan variabel kehamilan dikotomisasi dan dengan asumsi efeknya hadir dari saat diagnosis yang jelas tidak realistis. sejak median waktu kehamilan adalah 4 tahun dari diagnosis.

Model seperti apa yang akan menyerap efek kehamilan ganda pada titik waktu yang berbeda setelah diagnosis? Apakah benar untuk memodelkan kehamilan yang berinteraksi dengan waktu (yang akan memerlukan beberapa rekonstruksi data serius - perangkat lunak otomatis apa pun yang dapat membantu dengan ini?) Atau adakah strategi pemodelan yang lebih disukai untuk masalah ini? Juga apa strategi merencanakan yang disukai untuk masalah-masalah ini?


pertanyaan menarik (+1) ... makalah baru-baru ini mungkin dapat membantu: ncbi.nlm.nih.gov/pubmed/21328605
ocram

Menarik - tapi saya percaya topik utama ada efek waktu yang bervariasi.//M
Misha

efek waktu yang bervariasi adalah topik makalah ini ...
ocram

1
Ini mengingatkan saya pada contoh analisis survival "klasik" dari data transplantasi jantung: bit.ly/UFX71v - yang Anda butuhkan adalah kovariat yang bervariasi waktu , tidak perlu koefisien yang bervariasi waktu . Anda dapat memplot data Anda menggunakan kurva KM.
boscovich

Dengan metode ini Anda juga dapat menangani fakta bahwa beberapa wanita mungkin telah mengalami lebih dari 1 kehamilan selama masa tindak lanjut.
boscovich

Jawaban:


4

Yang Anda butuhkan di sini adalah kovariat yang bervariasi waktu dan tidak selalu koefisien yang bervariasi waktu . Contoh yang diketahui yang dapat membantu Anda dengan analisis Anda adalah data transplantasi jantung Stanford .

Untuk menyajikan hasil Anda, Anda dapat menggunakan estimator Kaplan-Meier klasik yang menangani kovariat yang bervariasi waktu tanpa masalah (ingat, bahwa ini adalah mentah - atau analisis yang tidak disesuaikan dengan semua keterbatasannya yang terkenal).

Sebagai contoh, grafik berikut menunjukkan analisis data Stanford HT ketika menghitung dengan benar status transplantasi yang bervariasi waktu (panel atas) dan tanpa memperhitungkannya (panel bawah).

masukkan deskripsi gambar di sini


Saya akhirnya berhasil melakukan ini dan saya mendapatkan plot berikut
Misha

KM Reguler BUKAN cara yang tepat untuk menggambarkan model-model ini. Melainkan merupakan perluasan ke KM oleh Simon dan Makuch yang diterapkan di Stata. stats.stackexchange.com/posts/46754
Misha

Anda tidak dapat menggunakan KM seperti ini. Pertimbangkan kehamilan dengan usia misalnya sebagai waktu yang mendasarinya: Katakanlah wanita paling sedikit 20 ketika mereka mendapatkan anak kedua dan setidaknya 22 ketika mereka mendapatkan anak ketiga. Mari kita asumsikan bahaya konstan untuk semua umur dan semua kelompok (jumlah anak yang lahir). Kemudian kelompok 2 dan 3 akan mati pada tingkat yang sama, tetapi perkiraan 3 kelompok akan (kemungkinan besar) akan lebih besar setiap saat t, hanya karena 3 kelompok mulai mati pada usia yang lebih kemudian. Ini adalah representasi data yang keliru.
Berenang


1

Waspadai bias waktu abadi dalam situasi ini. Kelompok hamil Anda pasti akan memiliki kelangsungan hidup yang lebih baik daripada kelompok yang tidak hamil karena Anda tidak dapat hamil setelah Anda mati (sejauh yang saya tahu!)

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.