अस्पताल-आधारित आरसीटी में डेटा की लंबाई का विश्लेषण करना कितना अच्छा है?

11

मुझे यह जानने में दिलचस्पी है कि आरसीटी से डेटा (एलओएस) रहने की अस्पताल की लंबाई का विश्लेषण करने के लिए इष्टतम तरीके के बारे में आम सहमति है या नहीं। यह आम तौर पर एक बहुत ही सही-तिरछा वितरण होता है, जिसके तहत अधिकांश रोगियों को कुछ दिनों से एक सप्ताह के भीतर छुट्टी दे दी जाती है, लेकिन बाकी रोगियों में काफी अप्रत्याशित (और कभी-कभी काफी लंबा) रहता है, जो वितरण की सही पूंछ बनाते हैं।

विश्लेषण के विकल्प में शामिल हैं:

टी टेस्ट (सामान्यता मानता है जो वर्तमान में मौजूद नहीं है)
मान व्हिटनी यू परीक्षण
logrank परीक्षण
समूह आवंटन पर कॉक्स आनुपातिक खतरों मॉडल कंडीशनिंग

क्या इनमें से किसी भी विधि में उच्च शक्ति है?

— pmgjones
स्रोत

क्या आपके पास hh में घटना के लिए समय है: मिमी या घंटे?

— मुनोज़ेदग

9

मैं वास्तव में एक ऐसी परियोजना को शुरू कर रहा हूं जो वास्तव में ऐसा करता है, हालांकि नैदानिक डेटा के बजाय अवलोकन के साथ। मेरा विचार है कि अधिकांश डेटा के रहने की असामान्य आकार, और वास्तव में अच्छी तरह से विशेषता समय के पैमाने (आप मूल और निकास समय दोनों को पूरी तरह से जानते हैं) के कारण, प्रश्न कुछ प्रकार के उत्तरजीविता विश्लेषण के लिए वास्तव में अच्छी तरह से उधार देता है । विचार करने के लिए तीन विकल्प:

कॉक्स आनुपातिक खतरों के मॉडल, जैसा कि आपने सुझाव दिया है, उपचार और उजागर हथियारों के बीच तुलना करने के लिए।
सीधे कपलान-मेयर घटता है, उनके बीच के मतभेदों की जांच करने के लिए लॉग-रैंक या अन्य परीक्षणों में से एक का उपयोग करता है। मिगुएल हर्नन ने तर्क दिया है कि यह वास्तव में कई मामलों में उपयोग करने के लिए बेहतर तरीका है, क्योंकि यह आवश्यक रूप से एक निरंतर खतरा अनुपात नहीं मानता है। जैसा कि आपको क्लिनिकल ट्रायल मिला है, कोवरिएट एडजस्टेड कपलान-मेयेर कर्व्स के उत्पादन में कठिनाई एक समस्या नहीं होनी चाहिए, लेकिन फिर भी अगर कुछ अवशिष्ट चर हैं जिन्हें आप नियंत्रित करना चाहते हैं, तो इसका उलटा-संभाव्यता के साथ किया जा सकता है -ट्रीटमेंट वेट।
पैरामीट्रिक उत्तरजीविता मॉडल। वहाँ, आमतौर पर, कम इस्तेमाल किया जाता है, लेकिन मेरे मामले में मुझे अंतर्निहित खतरे के एक पैरामीट्रिक अनुमान की आवश्यकता है, इसलिए ये वास्तव में जाने का एकमात्र तरीका है। मैं सामान्यीकृत गामा मॉडल का उपयोग करके सीधे कूदने का सुझाव नहीं दूंगा। यह एक दर्द के साथ काम करने के लिए कुछ है - मैं एक सरल घातीय, वेइबल और लॉग-नॉर्मल की कोशिश करूंगा और देखूंगा कि क्या उनमें से कोई भी स्वीकार्य फिट बैठता है।

— Fomite
स्रोत

4

मैं कॉक्स आनुपातिक खतरों के मॉडल का समर्थन करता हूं, जो कि रहने की सेंसर लंबाई (सफल अस्पताल में छुट्टी से पहले मौत) को भी संभाल लेगा। एक प्रासंगिक हैंडआउट http://biostat.mc.vanderbilt.edu/wiki/pub/Main/FHHandouts/slide.pdf पर यहां कोड के साथ पाया जा सकता है: http://biostat.mc.vanderbilt.edu/wiki/pub/ मुख्य / FHHandouts / model.s

— फ्रैंक हैरेल
स्रोत

धन्यवाद फ्रैंक। क्या लॉगरेंक टेस्ट भी सेंसर नहीं करेगा? तो, क्या कॉक्स का लाभ सहसंयोजकों के लिए समायोजित करने की क्षमता है?

— pmgjones

1

logrank कॉक्स मॉडल का एक विशेष मामला है, इसलिए इसकी कोई आवश्यकता नहीं है, और यह आपको कॉक्स मॉडल के रूप में निरंतर कॉवरिएट्स के लिए समायोजित करने की अनुमति नहीं देगा। कॉक्स मॉडल भी संबंधों को संभालने के कई तरीके प्रदान करता है।

— फ्रैंक हर्रेल

2

मैं समूहों और प्रत्येक स्वतंत्र चर के बीच अंतर के परीक्षण के लिए लॉगरेंक परीक्षण की सलाह देता हूं। हो सकता है कि आपको कॉक्स आनुपातिक खतरों के मॉडल में कई चर (कम से कम उन लोगों के लिए लॉग्रैंक टेस्ट में महत्वपूर्ण) के लिए समायोजित करने की आवश्यकता हो। गामा सामान्यीकृत मॉडल (पैरामीट्रिक) कॉक्स का एक विकल्प हो सकता है यदि आपको आधारभूत (खतरे) जोखिम अनुमान की आवश्यकता होगी।

— munozedg
स्रोत

0

मृत्यु निर्वहन के साथ एक प्रतिस्पर्धात्मक घटना है। मौतों को रोकने के लिए यादृच्छिक पर लापता डेटा को सेंसर नहीं किया जाएगा। मृत्यु और निर्वहन की संचयी घटना की जांच करना और उपविभाजन खतरों की तुलना करना अधिक उपयुक्त हो सकता है।

— user60368
स्रोत