Zamana bağlı ortak değişkenlerle Cox regresyonu için model önerisi


10

Hamileliğin bir hastalığın sonucu üzerindeki etkisini modelliyorum (ölü canlı). Hastaların yaklaşık% 40'ı tanıdan sonra gebe kalmıştır - ancak farklı zamanlarda. Şimdiye kadar gebeliğin sağkalım üzerine açık bir koruyucu etkisi ve aynı zamanda düzenli bir Cox modeli gösteren KM grafikleri yaptım - ancak bunlar sadece ikiye bölünmüş bir gebelik değişkeni kullanılarak modellenmiştir ve etkinin, tanılama anından itibaren gerçekçi olmayan gerçekçi olduğu varsayılmıştır. çünkü gebeliğe kadar geçen medyan süre tanıdan 4 yıldır.

Teşhisten sonra farklı zaman noktalarında çoğul gebeliklerin etkisini ne tür bir model absorbe eder? Zamanla etkileşen hamileliklerin modellenmesi doğru olabilir mi (bu, bazı ciddi veri rekonstrüksiyonu gerektirebilir - buna yardımcı olabilecek herhangi bir otomatik yazılım?) Veya bu problemler için tercih edilen başka bir modelleme stratejisi var mı? Ayrıca bu sorunlar için tercih edilen çizim stratejisi nedir?


ilginç soru (+1) ... bu son yazı yardımcı olabilir: ncbi.nlm.nih.gov/pubmed/21328605
ocram

İlginç-ama ana konunun zamanla değişen etkileri olduğuna inanıyorum. / M
Misha

zamanla değişen etkiler makalenin konusudur ...
ocram

1
Bu bana kalp nakli verisinin "klasik" hayatta kalma analizi örneğini hatırlatıyor: bit.ly/UFX71v - ihtiyacınız olan şey, zamanla değişen bir katsayı değil, zamanla değişen bir değişken . KM eğrilerini kullanarak verilerinizi çizebilirsiniz.
boscovich

Bu yöntemle, bazı kadınların takip sırasında 1'den fazla hamilelik geçirmiş olabileceği gerçeğini de ele alabilirsiniz.
boscovich

Yanıtlar:


4

Burada ihtiyacınız olan, zamanla değişen bir değişken ve mutlaka zamanla değişen bir katsayıdır . Analizlerinizde size yardımcı olabilecek bilinen bir örnek, Stanford kalp nakli verileridir .

Sonuçlarınızı sunmak için, zamanla değişen değişkenleri sorunsuz bir şekilde işleyen klasik Kaplan-Meier tahmincisini kullanabilirsiniz (bunun, tüm iyi bilinen sınırlamaları ile ham veya ayarlanmamış bir analiz olduğunu unutmayın).

Örnek olarak, aşağıdaki grafik, zamana göre değişen nakil durumunu (üst panel) doğru olarak muhasebeleştirdiğinde ve hesaba katmadan (alt panel) Stanford HT verilerinin analizini göstermektedir.

resim açıklamasını buraya girin


Sonunda bunu yapmayı başardım ve aşağıdaki komployu aldım
Misha

Düzenli KM, bu modelleri grafik olarak doğru şekilde göstermek DEĞİLDİR. Bunun yerine, Stata'da uygulanan Simon ve Makuch tarafından KM'nin bir uzantısıdır. stats.stackexchange.com/posts/46754
Misha

KM'yi bu şekilde kullanamazsınız. Yaşı olan hamilelikleri altta yatan zaman olarak düşünelim: Diyelim ki kadınlar ikinci çocuklarını aldıklarında en az 20, üçüncü çocuklarını aldıklarında en az 22 yaşında. Her yaş ve tüm gruplar için (sürekli doğan çocuk sayısı) sürekli tehlike alalım. Daha sonra 2 ve 3 grupları aynı oranda ölecektir, ancak 3 grup tahmini (büyük olasılıkla) herhangi bir zamanda daha büyük olacaktır, çünkü 3 grup daha sonraki bir yaşta ölmeye başlar. Bu, verilerin yanlış temsilidir.
swmo


1

Bu durumda ölümsüz zaman yanlılığına dikkat edin. Hamile grubunuz kaçınılmaz olarak hamile kalmayan gruptan daha iyi bir hayatta kalmaya sahip olacaktır, çünkü öldükten sonra hamile kalamazsınız (bilgim dahilinde!)

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.