Zamana bağlı değişkenlerle tekrarlanan olay verileri için veri yapısı ve fonksiyon çağrısı

2 ilacın ( drug1, drug2) hastanın düşme olasılığı üzerindeki etkisini tahmin etmeye çalışıyorum ( event). Hastalar bir kereden fazla düşebilir ve herhangi bir noktada ilaçlara konabilir veya çıkarılabilir.

Benim sorum, verinin zaman dilimi (günler), özellikle de günler arasında çakışma olması gerekip gerekmediğine göre nasıl yapılandırılması gerektiğidir. Yapımın yanlış olduğunu düşündüğüm iki neden var, ilki görünüşte yanlış N. Süre tek bir gün (yani nerede olduğunu da bazı hatalar alıyorum time1=4, time2=4) ve bu kodlanmalıdır nasıl emin değilim. Sonraki girişlerin başlangıç ​​zamanı önceki girişin bitiş saati olmalı mı? Her iki şekilde de denedim (örtüşmeli ve örtüşmesiz) ve örtüşme olması uyarıdan kurtulurken N, hala yanlış.

Warning message:
In Surv(time = c(0, 2, 7, 15, 20, 0, 18, 27, 32, 35, 39, 46, 53,  :
  Stop time must be > start time, NA created

Şu anda, bir sonraki girişin başlangıcının ertesi gün olduğu verileri ayarladım. Eşsiz hastalar, onların tarafından tanımlanır chart numbers.

Time1    Time2    Drug1    Drug2   Event    ChartNo
    0        2        1        0       0        123
    3       10        1        1       1        123
   11       14        1        1       1        123
    0       11        0        1       0        345
    0       19        1        0       1        678
    0        4        0        1       0        900
    5       18        1        1       0        900

Hasta 123, 2. günden başlangıcında ilaç1 üzerindeydi, bundan sonra ilaç2 eklendi. İlk kez düşmeden önce 3. günden 10. güne her iki ilaca gittiler, daha sonra hala her iki ilacı da kullanırken 14. günde ikinci kez düştüler. Hasta 345, düşmeden (daha sonra sansürlendi) vb.

Gerçek tahmin şu şekildedir:

S <- Srv(time=time1, time2=time2, event=event)
cox.rms <- cph(S ~ Drug1 + Drug2 + cluster(ChartNo), surv=T)

Temel kaygım, nanalizim için 2017(verilerdeki satır sayısı) olduğu bildirildi , gerçekte sadece 314benzersiz hastalarım olduğunda. Bunun normal olup olmadığından veya yol boyunca yaptığım bazı hataların sonucundan emin değilim.

> cox.rms$n
Status
No Event    Event 
    1884      133 

coxph()Hayatta kalma paketinden kullanırken de aynı şey geçerlidir .

 n= 2017, number of events= 133

Ancak olay sayısı doğrudur.

Bu yazı , tarif ettiğim 'örtüşme' ile kurulmuş gibi görünüyor, ama hakkında emin değilim Nve onlar tarafından kümeleniyor gibi görünmüyor ID.

Veri biçimlendirmeniz doğru.

Tekrarlayan olaylar ve ilacın eklenen karmaşıklığı zamanla değişen bir değişken olduğundan dolayı hasta başına birden fazla kaydınız vardır. Kullanarak yazdırdığınız çıktı headbu verileri anlamak için yararlıdır.

Tekrarlayan olayların ve zamanla değişen değişkenlerin analizine yönelik tipik yaklaşım, verileri "uzun" bir formatta olacak şekilde biçimlendirmektedir; burada her satır, bir risk-değişken gözlem aralığını temsil etmektedir. Örneğin, hasta 123'ün 0 ila 2 zamanından yalnızca İlaç1'de olduğunu, ardından İlaç 1 ve İlaç 2'yi zaman 3'ten alacak şekilde değiştiğini görüyoruz. Bu noktada bir düşüş yaşamadılar, bu nedenle gözlemleri 0-2'den bu noktada sansürlenir, çünkü sadece İlaç 1'i almaya devam etmeleri durumunda düşüşlerinin ne kadar daha uzun süreceğini bilmiyoruz. 3. zamanda, her iki ilacı 7 zaman birimi alan bir hasta olarak kodlanan kohort içine tekrar girilir ve daha sonra ilk düşüşlerini yaşarlar. Aynı ilaç kombinasyonunda sadece 4 zaman biriminden sonra ikinci bir düşüş yaşarlar.

Kayıt sayısı, kohort verilerinin yararlı bir özeti değildir. Sıra sayısının hasta sayısından çok daha fazla olması şaşırtıcı değildir. Bunun yerine, başlangıçtan bitişe kadar süreleri toplayın ve risk altındaki kişi sayısı olarak kaydedin. Kohort payda insidansı anlamak için yararlıdır. Ham hasta sayısını özetlemek de yararlıdır, ancak verilerin "uzun" biçiminde olduğunu ve böylece veri kümenizdeki satır sayısından daha az olduğunu unutmayın.

Hata için, "durdurma" tarihine 1 birim eklemeniz gerekebileceğini düşünüyorum. Hasta 123, 0, 1 ve 2. günler için ilaç 1'i alır ve sonra 3. günde ilaç 2'ye başlarsa, ilaç 1'in düşmesi için 3 gün risk altındaydılar. Ancak, 2-0 = 2 ve bu doğru değil payda.

"Küme" argümanının yaptığı (tipik olarak), ölçülmemiş birkaç risk faktörüne atfedilebilecek orantılı risk farklılıklarının ne olabileceğini açıklayan bir tür rastgele kesişme noktasıdır. Sıklıkla kırılganlıklarla analiz yapmam. "Küme" komutunu atlayabilir ve sonuçları insidans oranları olarak yorumlayabilirsiniz. Tüm modellerde ilk düşüşe kadar geçen süre için cox modelini sırayla takabilir ve tehlike oranlarını risk oranları olarak yorumlayabilirsiniz. Bence kırılganlık sonucu bu ikisinin arasında bir yere düşmeli ve yorumun ne olması gerektiği konusunda hiçbir zaman netlik kazanmamıştım.