Cox regresyonunda Exp (B) 'yi nasıl yorumlayabilirim?

İstatistikleri anlamaya çalışan bir tıp öğrencisiyim (!) - lütfen nazik olun! ;)

Hayatta kalma analizi (Kaplan-Meier, Log-Rank ve Cox regresyonu) dahil olmak üzere makul miktarda istatistiksel analiz içeren bir makale yazıyorum.

İki gruptaki (yüksek riskli veya düşük riskli hastalar) hastaların ölümleri arasında anlamlı bir fark bulabileceğimi bulmaya çalışırken verilerim üzerinde bir Cox regresyonu yürüttüm.

Etkilerini kontrol etmek için Cox regresyonuna birkaç ortak değişken ekledim.

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

Arter oklüzyonunu eş değişkenler listesinden çıkardım çünkü SE'si çok yüksekti (976). Diğer tüm SE'ler 0,064 ile 1,118 arasındadır. Ne olsun:

                    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

Riskin 0,058'de sadece sınırda önemli olduğunu biliyorum. Ancak bunun yanı sıra Exp (B) değerini nasıl yorumlayabilirim? Exp (B) değerinin şu şekilde yorumlandığı lojistik regresyon (ki Cox regresyonuna biraz benzer mi?) İle ilgili bir makaleyi okudum: bu durumda ölümdür. Yüksek riskli hastalarımın ölme ihtimalinden 8 kat daha fazla olduğunu söyleyebilir miyim ... ne?

Lütfen bana yardım et! ;)

Bu arada analizi çalıştırmak için SPSS 18 kullanıyorum.

Genel olarak konuşursak, , tüm diğer ortak değişkenler sabit tutulduğunda değerleri bir birim farklı olan iki kişi arasındaki tehlikelerin oranıdır . Diğer lineer modellere paralel olarak Cox regresyonunda tehlike fonksiyonunun , burada temel tehlikedir. Bu, . birimindeki birim artış ile ilişkilidir$\exp(\hat\beta_1)$$x_1$$h(t)=h_0(t)\exp(\beta'x)$$h_0(t)$$\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$$x_i$$\beta_i$log tehlike oranında artış. Regresyon katsayısı böylece modele dahil edilen değişkenleri hesaba katarak, tedavi grubundaki (kontrol veya plasebo grubuna kıyasla) tehlike logunu ölçmeyi sağlar; göreceli bir risk olarak yorumlanır (zamanla değişen katsayılar olmadığı varsayılarak).

Lojistik regresyon durumunda, regresyon katsayısı olasılık oranının logunu yansıtır , dolayısıyla riskte k kat artış olarak yorumlanır. Dolayısıyla evet, tehlike oranlarının yorumlanması, oran oranlarının yorumlanması ile bir miktar benzerlik göstermektedir.

Dave Garson'un SPSS ile Cox Regresyonunda bazı iyi malzemelerin bulunduğu web sitesini kontrol ettiğinizden emin olun .

Ben bir istatistikçi değil, istatistik dünyasındaki şeyleri çözmeye çalışan bir MD değilim.

$\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$

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

$\exp(B) = 1$$\exp(B)$

Analizinizden, değişkenlerinizin hiç birinin son noktanızın önemli bir yordayıcısı olmadığı anlaşılıyor ("% 5" işaret düzeyinde), "yüksek riskli" bir hasta olmak sınırda önem taşımaktadır.

Julie Pallant'ın " SPSS hayatta kalma kılavuzu " kitabını okuduğunuzda, muhtemelen bu konu (lar) hakkında daha fazla bilgi edineceksiniz.