Kaplan-Meier eğrileri Cox regresyonundan farklı diyor


9

R'de kanser hastalarının sağkalım veri analizini yapıyorum.

CrossValidated ve diğer yerlerde hayatta kalma analizi hakkında çok yararlı şeyler okudum ve Cox regresyon sonuçlarını nasıl yorumlayacağımı anladığımı düşünüyorum. Ancak, bir sonuç hala beni rahatsız ediyor ...

Hayatta kalma ile cinsiyet karşılaştırıyorum. Kaplan-Meier eğrileri kadın hastalar için açıktır (Eklediğim efsanenin doğru olduğunu, maksimum sağkalımı olan, 4856 gün olan hastanın gerçekten bir kadın olduğunu birkaç kez kontrol ettim): resim açıklamasını buraya girin

Ve Cox regresyonu geri dönüyor:

Call:
coxph(formula = survival ~ gender, data = Clinical)

  n= 348, number of events= 154 

              coef exp(coef) se(coef)      z Pr(>|z|)  
gendermale -0.3707    0.6903   0.1758 -2.109    0.035 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1   1

           exp(coef) exp(-coef) lower .95 upper .95
gendermale    0.6903      1.449    0.4891    0.9742

Concordance= 0.555  (se = 0.019 )
Rsquare= 0.012   (max possible= 0.989 )
Likelihood ratio test= 4.23  on 1 df,   p=0.03982
Wald test            = 4.45  on 1 df,   p=0.03499
Score (logrank) test = 4.5  on 1 df,   p=0.03396

Yani erkek hastalar için Tehlike Oranı (HR) gendermale0.6903'tür. (Kaplan-Meier eğrisine bakmadan) şu şekilde yorumlayacağım: İK <1 olduğundan, erkek cinsiyetinin bir hastası olmak koruyucudur. Ya da daha doğrusu, bir kadın hasta 1 / 0.6903 = exp (-coef) = 1.449'un erkeklerden herhangi bir zamanda ölme olasılığı daha yüksektir.

Ama bu Kaplan-Meier eğrilerinin söylediği gibi görünmüyor! Benim yorumumda yanlış olan ne?


3
KM eğrinizden, Cox regresyonunun PH varsayımı geçerli değil gibi görünüyor.
Deep North

Anlıyorum. Daha önce buna bakmadım! Grafiksel olarak, Kaplan-Meier eğrilerimin paralel olması gerektiği anlamına geliyor, böylece Cox'u güvenle kullanabiliyorum, değil mi? Bu ~ 2200 gün önce az ya da çok iyi görünüyor. Kesişmeden biraz önce tüm veriler için Cox sonuçlarına bakmak uygun mudur?
francoiskroll

4
Dikkat eğrileri günlük-günlükS^ben(t), nerede S^ben(t)grup için orantılı tehlikeler altında paralel olması gereken tahmini hayatta kalma fonksiyonudur . @IWS'nin işaret ettiği gibi, yaklaşık 3000 gün sonra kadın grubu için güven aralıkları çok geniş olacaktır (bu noktayı geçen sadece iki kişi var mı?) Bu nedenle PH varsayımı çok kötü olmayabilir . ben
Scortchi - Monica'yı eski durumuna döndürün

@DeepNorth: Orantılı tehlikelere karşı güçlü kanıtlar görmüyorum. Evet eğriler teknik olarak örtüşüyor ... ama bu aşırı kuyruklarda.
Cliff AB

Diğer cevapları ve yorumları tamamlamak için, erkekler ve kadınlar için medyan sağkalımı veya beş yıllık sağkalımı karşılaştırın. Cox PH analizi ile uyumlu olarak bu verilerde erkekler için açık bir fayda vardır.
Itamar

Yanıtlar:


12

Bu orantısız tehlikelerin çok iyi bir örneğidir VEYA sağkalım analizinde 'tükenmenin' etkisi. Anlatmaya çalışacağım.

İlk önce Kaplan-Meier (KM) eğrisine iyi bir göz atın: ilk bölümde (yaklaşık 3000 güne kadar) risk altındaki popülasyonda hala hayatta olan erkeklerin oranının kadınlardan daha büyük olduğunu görebilirsiniz. (yani mavi çizgi kırmızı çizgiden 'daha yüksektir). Bu, aslında erkek cinsiyetinin incelenen olay (ölüm) için 'koruyucu' olduğu anlamına gelir. Buna göre tehlike oranı 0 ile 1 arasında olmalıdır (ve katsayı negatif olmalıdır).

Bununla birlikte, 3000. günden sonra kırmızı çizgi daha yüksektir! Bu gerçekten de tam tersini önerir. Sadece bu KM grafiğine dayanarak, bu ayrıca orantısız bir tehlike de önerecektir. Bu durumda 'orantısız', bağımsız değişkeninizin (cinsiyet) etkisinin zaman içinde sabit olmadığı anlamına gelir. Başka bir deyişle, tehlike oranı zaman geçtikçe değişebilir. Yukarıda açıklandığı gibi, durum böyle görünüyor. Düzenli orantılı tehlike Cox modeli bu tür etkileri barındırmaz. Aslında, ana varsayımlardan biri tehlikelerin orantılı olduğudur! Şimdi orantısız tehlikeleri de modelleyebilirsiniz, ancak bu bu cevabın kapsamı dışındadır.

Yapılacak ek bir yorum var: Bu fark, gerçek tehlikelerin orantısız olması veyaKM eğrilerinin kuyruk tahminlerinde çok fazla varyans olması. Bu noktada, toplam 348 hasta grubunun hala risk altında olan çok küçük bir nüfusa düştüğünü unutmayın. Gördüğünüz gibi, her iki cinsiyet grubunda da olayı yaşayan hastalar ve sansürlenen hastalar (dikey çizgiler) var. Risk altındaki nüfus azaldıkça, hayatta kalma tahminleri daha az kesinleşecektir. KM çizgileri etrafında% 95 güven aralığı çizmiş olsaydınız, güven aralığının genişliğinin arttığını görürsünüz. Bu, tehlikelerin tahmini için de önemlidir. Basitçe söylemek gerekirse, çalışmanızın son dönemindeki risk altındaki nüfus ve olay miktarı düşük olduğundan, bu dönem ilk cox modelinizdeki tahminlere daha az katkıda bulunacaktır.

Son olarak, bu, tehlikenin (zaman içinde sabit olduğu varsayılır), son bitiş noktası yerine KM'nizin ilk kısmı ile neden daha uyumlu olduğunu açıklar.

DÜZENLEME: bkz. @ Scrotchi'nin asıl soruya ilişkin yerinde yorumu: Belirtildiği gibi, çalışmanın son döneminde düşük sayıların etkisi, zamanın bu noktalarındaki tehlikelerin tahminlerinin belirsiz olmasıdır. Sonuç olarak, oransal tehlikeler varsayımının görünür ihlalinin şansa bağlı olup olmadığından da daha az eminiz. @ Scrotchi'nin belirttiği gibi, PH varsayımı o kadar da kötü olmayabilir.


1
(-1) Kuyruklar, son derece az veriye sahip olduğumuz uç uçlarda kesişiyor. Aslında, "orantısal olmayan tehlikeler" ile ilgili kanıtlar sadece iki gözlem üzerine kuruludur (yani t> 2800 olduğunda, kadın kohortunda sadece iki konu kalmıştır ve bunun yanı sıra, gruptan önceki son olay etraftaydı t = 2100)
Cliff AB

2
@CliffAB Geri bildiriminiz için teşekkür ederiz Cliff AB. Yine de biraz kafam karıştı, çünkü sözlerin tam olarak söylemeye çalıştığım şeydi. Kabul edeceğim: biraz daha kısa olabilirdi. -1 biraz zor: '(
IWS

2
belki de bu benim için biraz anlam ifade ediyordu. Tek noktam, buna baktığımda, orantılı olmayan tehlikelere ilişkin iyi bir örnek görmüyorum, ancak kuyruklarda çok az veri görüyorum. İlk cümlenin düzeltildiğini görüyorum (bunu ilk kez kaçırmadıkça düşünüyorum?) Yine de, (-1) kesinlikle çağrılmadı.
Cliff AB

1
Hata! İlk defa özlediğim anlaşılıyor. Afedersiniz!
Cliff AB

Sorun değil, leest'te cevabı kabul ediyoruz: D
IWS

5

Çıktınızın doğası konusunda kafanız karıştı. Bu veriler şunları söylüyor: Eğer bir erkekseniz, bir kadından daha uzun yaşama olasılığınız daha yüksektir; Kadınların erkeklerden KÖK hayatta kalmaları vardır. Bu, regresyon çıktısında yansıtılmaktadır, çünkü MALE olmanın etkisi negatif bir log tehlike oranına sahip olmaktır, örneğin erkeklerin kadınlardan daha düşük riski vardır. Çoğu olay zamanında (eğriler "adım" olduğunda), erkek hayatta kalma eğrisi dişilerinkinden daha büyüktür, Cox modeli sonuçları ve grafiği çok iyi anlaşmaktadır. KM eğrileri bunu regresyon modeli çıktısı gibi onaylar. "Çapraz" önemsizdir.

KM eğrileri, özellikle% 0'a yakın olduklarında ve / veya yatay olarak sivrildiklerinde kuyruklarda kötü davranırlar. Y ekseni hayatta kalan orandır. Çalışmada uzun süre hayatta kalan nispeten az sayıda ve o sırada ölen az sayıda kişi ile tahminlerin güvenilirliği sezgisel ve grafiksel olarak korkunçtur. Örneğin, kohortunuzda erkeklerden gözle görülür şekilde daha az kadın olduğunu ve 2.800 gün sonra hayatta kalma eğrisindeki adımların ve sansür olaylarının eksikliğinin kanıtladığı gibi kohortta 10'dan az kadın kaldığını not ediyorum .

KM eğrileri, log rank testi ve Cox modellerini kullanarak hayatta kalma analizleri kullanmak çünkü İlginç bir not olarak, sıralanmış hayatta kalma süresini, hayatta kalma fiili süresi biraz alakasız. Hayatta kalan en uzun dişi, 100 yıl daha yaşayabilirdi ve analizler üzerinde hiçbir etkisi olmayacaktı. Bunun nedeni, temel tehlike işlevinin (son 13 yıldır herhangi bir olay gözlemlememiş olması), o zaman kimsenin ölmediği için, gelecek 87 yıl için ölüm riski olmadığını varsaymasıdır.

Bunun için sağlam bir HR değerinin doğru% 95 CI ve p değerleri almasını istiyorsanız, robust=TRUEsandviç standart hataları elde etmek için Cox-PH'da belirtin . Bu durumda İK, tüm başarısızlık zamanlarında erkekleri kadınlarla karşılaştıran zaman ortalamalı bir İK'dır.


Açıklığa kavuşturmak için: KM grafiğinde, erkekler yaklaşık 2700 güne kadar daha iyi hayatta kalma süresine sahiptir. Bundan sonra, kadınların hayatta kalması daha iyi olur. Ama bu kuyruk kesin değil çünkü orada çok az veri var. KM eğrisindeki iki adımın kadın hayatta kalma oranını yaklaşık% 35'ten% 0'a çıkardığını görebilirsiniz, bu muhtemelen iki kişidir.KM eğrilerini güven bantlarıyla çizmek yararlı olacaktır. Sonra yaklaşık 2000 güne kadar net bir ayrılık göreceğinizi ve sonra da örtüştüğünüzü tahmin ediyorum.
Harvey Motulsky

2
@HarveyMotulsky doğru ama KM'lerin kuyrukları çok güvenilmez. OP CI'leri çekerse güçlü bir şekilde örtüşürlerdi, böylece çıkarımsal olarak hayatta kalmanın muhtemelen 2.700 gün sonra kuşkulu olduğunu söyleyebiliriz.
AdamO

Demek istediğim. Veriler, erkeklerin (bu durumda, her ne olursa olsun) en azından ilk 2000+ gün boyunca daha iyi hayatta kaldıklarını açıkça göstermektedir.
Harvey Motulsky
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.