시간 의존적 공변량을 가진 Cox 회귀 분석을위한 모형 제안


10

나는 질병의 결과에 대한 임신의 영향을 모델링하고있다. 환자의 약 40 %가 진단 시점에 임신했지만 다른 시점에 임신했습니다. 지금까지 생존에 대한 임신의 명확한 보호 효과와 규칙적인 콕스 모델을 보여주는 KM 플롯을 수행했지만 이분법적인 임신 변수 만 사용하여 모델링되었으며 효과가 진단 시점에서 존재한다고 가정하면 분명히 비현실적입니다. 임신까지의 평균 시간은 진단부터 4 년입니다.

진단 후 여러 시점에서 여러 임신의 영향을 흡수하는 모델은 무엇입니까? 시간과 상호 작용하는 임신을 모델링하는 것이 옳은가? (이 문제를 해결할 수있는 자동화 된 소프트웨어가 심각한 데이터 재구성이 필요한가?) 이러한 문제에 대한 다른 바람직한 모델링 전략이 있습니까? 또한 이러한 문제에 대해 선호되는 플로팅 전략은 무엇입니까?


흥미로운 질문 (+1) ...이 최근 논문이 도움이 될 것입니다 : ncbi.nlm.nih.gov/pubmed/21328605
— ocram

흥미롭지 만 시간이 변하는 주요 주제가 있다고 생각합니다 .//M
— Misha

시변 효과는이 논문의 주제입니다.
— ocram

1
이것은 심장 이식 데이터의 "고전적인"생존 분석 예를 상기 시킵니다 . bit.ly/UFX71v- 필요한 것은 시변 계수가 아니라 시변 공변량 입니다. KM 곡선을 사용하여 데이터를 플로팅 할 수 있습니다.
— boscovich

이 방법을 사용하면 추적 기간 동안 일부 여성이 임신을 1 회 이상했을 수도 있다는 사실을 처리 할 수 ​​있습니다.
— boscovich

답변:


4

여기에 필요한 것은 시변 공변량 이며 반드시 시변 계수가 아닙니다 . 분석에 도움이 될 수있는 알려진 예는 Stanford 심장 이식 데이터 입니다.

결과를 제시하기 위해 문제없이 시변 공변량을 처리하는 고전적인 Kaplan-Meier 추정기를 사용할 수 있습니다 (그러나 이것은 잘 알려진 모든 제한 사항이있는 조잡하거나 조정되지 않은 분석임을 기억하십시오).

예를 들어, 다음 그래프는 시변 이식 상태를 정확하게 고려할 때 (상단 패널) 설명하지 않고 (하단 패널) Stanford HT 데이터의 분석을 보여줍니다.

여기에 이미지 설명을 입력하십시오


마침내이 작업을 수행하고 다음 줄거리를 얻었습니다
— Misha

정규 KM은 이러한 모델을 그래프로 그리는 올바른 방법이 아닙니다. 오히려 Stata에서 구현 된 Simon과 Makuch의 KM 확장입니다. stats.stackexchange.com/posts/46754
— Misha

KM을 이와 같이 사용할 수 없습니다. 예를 들어 나이를 기본 시간으로하는 임신을 고려하십시오. 여성이 두 번째 자녀를 낳을 때 최소 20 세이고 세 번째를 낳을 때 22 세 이상이라고 가정 해 봅시다. 모든 연령과 모든 그룹 (태어난 자녀 수)에 대해 지속적인 위험을 가정합시다. 그러면 2 군과 3 군은 같은 비율로 죽을 것이지만, 3 군 추정은 언제라도 t에서 더 커질 것입니다. 단지 3 군이 후기에 죽기 시작하기 때문입니다. 이것은 데이터의 잘못된 표현입니다.
— swmo


1

이 상황에서 불멸의 시간 편향에주의하십시오. 당신이 임신 한 후에는 임신 할 수 없기 때문에 임신하지 않은 그룹보다 임신 그룹이 필연적으로 더 나은 생존을 할 것입니다.

당사 사이트를 사용함과 동시에 당사의 쿠키 정책과 개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.