Bagaimana cara menginterpretasikan Exp (B) dalam regresi Cox?


17

Saya seorang mahasiswa kedokteran yang mencoba memahami statistik (!) - jadi harap bersikap lembut! ;)

Saya sedang menulis esai yang mengandung cukup banyak analisis statistik termasuk analisis survival (Kaplan-Meier, Log-Rank dan regresi Cox).

Saya menjalankan regresi Cox pada data saya mencoba mencari tahu apakah saya dapat menemukan perbedaan yang signifikan antara kematian pasien dalam dua kelompok (risiko tinggi atau pasien risiko rendah).

Saya menambahkan beberapa kovariat pada regresi Cox untuk mengendalikan pengaruh mereka.

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

Saya menghapus oklusi Arteri dari daftar kovariat karena SE-nya sangat tinggi (976). Semua UK lainnya adalah antara 0,064 dan 1.118. Inilah yang saya dapatkan:

                    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

Saya tahu bahwa risiko hanya signifikan pada batas 0,058. Tapi selain itu bagaimana cara menginterpretasikan nilai Exp (B)? Saya membaca sebuah artikel tentang regresi logistik (yang agak mirip dengan regresi Cox?) Di mana nilai Exp (B) ditafsirkan sebagai: "Berada dalam kelompok berisiko tinggi termasuk peningkatan 8 kali lipat dalam kemungkinan hasil," yang dalam hal ini adalah kematian. Dapatkah saya mengatakan bahwa pasien berisiko tinggi saya 8 kali lebih mungkin meninggal lebih awal daripada ... apa?

Tolong bantu aku! ;)

Ngomong-ngomong saya menggunakan SPSS 18 untuk menjalankan analisis.

Jawaban:


23

Secara umum, exp(β^1) adalah rasio bahaya antara dua individu yang nilai x1 berbeda dengan satu unit ketika semua kovariat lainnya diadakan konstan. Paralel dengan model linier lainnya adalah bahwa dalam regresi Cox fungsi bahaya dimodelkan sebagai h(t)=h0(t)exp(βx) , di mana h0(t) adalah bahaya awal. Ini sama dengan mengatakan log(group hazard/baseline hazard)=log((h(t)/h0(t))=iβixi . Kemudian, peningkatan unitxi dikaitkan denganβi kenaikan tingkat log bahaya. Koefisien regresi memungkinkan dengan demikian untuk menghitung log bahaya pada kelompok perlakuan (dibandingkan dengan kelompok kontrol atau plasebo), menghitung kovariat yang termasuk dalam model; itu ditafsirkan sebagai risiko relatif (dengan asumsi tidak ada koefisien waktu yang bervariasi).

Dalam kasus regresi logistik, koefisien regresi mencerminkan log dari odds-rasio , karenanya interpretasi sebagai peningkatan risiko k-fold. Jadi ya, interpretasi rasio hazard memiliki kemiripan dengan interpretasi odds rasio.

Pastikan untuk memeriksa situs web Dave Garson di mana ada beberapa materi bagus tentang Cox Regression dengan SPSS.


Terima kasih banyak atas balasan Anda! Saya mengalami kesulitan menguraikan rumus berbasis teks Anda. Bisakah Anda memanusiakan mereka? ;) Artikel bagus yang Anda referensikan. Saya akan membacanya tiga kali lipat dan kembali ...
Alex

1
Ahhh ... Internet Explorer gagal membuat formula. Firefox memperbaiki ini. :)
Alex

2
Sumber lain yang sangat baik untuk belajar tentang dan memahami analisis survival adalah Analisis Data Longitudinal Terapan oleh Singer dan Willett. Juga memberikan contoh kode / output untuk semua model mereka menggunakan setiap paket statistik di bawah matahari .
M Adams

@M Adams Terima kasih telah menambahkan tautan ini. Ya, server UCLA benar-benar penuh dengan sumber daya yang bermanfaat.
chl

Terima kasih atas tautan hebat ke UCLA! Saya akan menggali ke dalamnya ...;)
Alex

8

Saya bukan ahli statistik, tetapi seorang MD, mencoba untuk menyelesaikan masalah di dunia statistik.

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

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

exp(B)=1exp(B)

Dari analisis Anda, tampaknya tidak ada satu pun dari variabel Anda yang merupakan prediktor signifikan (pada level tanda 5%) dari titik akhir Anda, meskipun menjadi pasien "berisiko tinggi" memiliki signifikansi batas.

Membaca buku " manual bertahan hidup SPSS ", oleh Julie Pallant mungkin akan mencerahkan Anda lebih jauh tentang topik (dan lebih banyak) ini.


Terima kasih. Dukungan luar biasa dari sesama petualang di dunia statistik ini! ;) Saat ini saya sedang membaca Discovering Statistics menggunakan SPSS oleh Andy Field, yang saya terkejut nikmati (karena ini adalah buku teks statistik). Saya mengubah analisis COX saya untuk mengukur kelangsungan hidup pada hari bukan bulan, yang untungnya mendorong saya pentingnya kovariat 'risiko' saya di bawah 0,05 ... :)
Alex
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.