Sugestia modelowa dla regresji Coxa z współzmiennymi zależnymi od czasu


10

Modeluję wpływ ciąży na wynik choroby (martwy-żywy). Około 40% pacjentów zaszło w ciążę po diagnozie, ale w różnych momentach. Do tej pory wykonałem wykresy KM pokazujące wyraźny ochronny wpływ ciąży na przeżycie, a także zwykły model Coxa - jednak zostały one modelowane przy użyciu tylko zdychotomicznej zmiennej ciążowej i zakładając, że efekt jest obecny od czasu diagnozy, co jest wyraźnie nierealne ponieważ mediana czasu do zajścia w ciążę wynosi 4 lata od diagnozy.

Jaki model pochłonąłby efekt ciąży mnogiej w różnych punktach czasowych po diagnozie? Czy poprawne byłoby modelowanie ciąż oddziaływujących w czasie (co wymagałoby poważnej rekonstrukcji danych - jakiekolwiek zautomatyzowane oprogramowanie, które mogłoby w tym pomóc?) Czy istnieje inna preferowana strategia modelowania tych problemów? Jaka jest preferowana strategia spisku dla tych problemów?


interesujące pytanie (+1) ... ten ostatni artykuł może być pomocny: ncbi.nlm.nih.gov/pubmed/21328605
ocram

Ciekawe, ale uważam, że głównym tematem są różne efekty czasowe .//M
Misha

efekty zmieniające się w czasie są tematem pracy ...
ocram

1
Przypomina mi to „klasyczny” przykład analizy przeżycia danych z przeszczepu serca: bit.ly/UFX71v - potrzebna jest zmienna towarzysząca w czasie , niekoniecznie współczynnik zmienny w czasie . Możesz wykreślić swoje dane za pomocą krzywych KM.
boscovich

Dzięki tej metodzie można również poradzić sobie z faktem, że niektóre kobiety mogły mieć więcej niż 1 ciążę podczas obserwacji.
boscovich

Odpowiedzi:


4

To, czego potrzebujesz tutaj, to zmienna towarzysząca w czasie i niekoniecznie zmienny w czasie współczynnik . Znanym przykładem, który może pomóc w twoich analizach, są dane z przeszczepu serca Stanforda .

Aby zaprezentować swoje wyniki, możesz użyć klasycznego estymatora Kaplana-Meiera, który bez problemu radzi sobie ze zmiennymi zmiennymi w czasie (pamiętaj jednak, że jest to prymitywna lub nieskorygowana analiza ze wszystkimi jej dobrze znanymi ograniczeniami).

Na przykład poniższy wykres pokazuje analizę danych HT Stanforda przy prawidłowym uwzględnieniu zmieniającego się w czasie statusu przeszczepu (górny panel) i bez uwzględnienia go (dolny panel).

wprowadź opis zdjęcia tutaj


W końcu udało mi się to zrobić i otrzymałem następujący spisek
Misha

Zwykły KM NIE jest właściwym sposobem tworzenia wykresów tych modeli. Jest to raczej rozszerzenie do KM autorstwa Simona i Makucha, które jest zaimplementowane w Stata. stats.stackexchange.com/posts/46754
Misha

Nie możesz używać KM w ten sposób. Rozważ ciążę, na przykład wiek, jako podstawowy czas: Załóżmy, że kobiety mają co najmniej 20 lat, kiedy dostają drugie dziecko, i co najmniej 22 lata, kiedy dostają trzecie dziecko. Przyjmijmy stałe zagrożenie dla wszystkich grup wiekowych i wszystkich grup (liczba urodzonych dzieci). Wtedy grupy 2 i 3 umrą w tym samym tempie, ale oszacowanie 3 grup będzie (najprawdopodobniej) większe w dowolnym momencie t, po prostu dlatego, że grupy 3 zaczną umierać w późniejszym wieku. Jest to nieprawdziwe przedstawienie danych.
swmo


1

Strzeż się nieśmiertelnego uprzedzenia czasowego w tej sytuacji. Twoja grupa w ciąży nieuchronnie przeżyje lepiej niż grupa nie będąca w ciąży, ponieważ nie możesz zajść w ciążę po śmierci (o ile mi wiadomo!)

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.