समय पर निर्भर सहसंयोजकों के साथ कॉक्स प्रतिगमन के लिए मॉडल सुझाव


10

मैं एक बीमारी (मृत-जीवित) के परिणाम पर गर्भावस्था के प्रभाव को मॉडलिंग कर रहा हूं। निदान के समय के बाद लगभग 40% रोगी गर्भवती हो गए-लेकिन समय पर विभिन्न बिंदुओं पर। अब तक मैंने केएम प्लॉट किए हैं जो जीवित रहने पर गर्भावस्था के स्पष्ट सुरक्षात्मक प्रभाव दिखाते हैं और एक नियमित कॉक्स मॉडल भी हैं-हालांकि ये केवल एक द्विगुणित गर्भावस्था चर का उपयोग करके बनाए गए हैं और प्रभाव को निदान के समय से मौजूद है जो स्पष्ट रूप से अवास्तविक है चूंकि गर्भधारण का माध्य समय निदान से 4 वर्ष है।

निदान के बाद विभिन्न समय बिंदुओं पर किस तरह का मॉडल कई गर्भधारण के प्रभाव को अवशोषित करेगा? क्या समय के साथ बातचीत करने वाली गर्भधारण को मॉडल करना सही होगा (जिसके लिए कुछ गंभीर डेटा पुनर्निर्माण-किसी भी स्वचालित सॉफ़्टवेयर की मदद करनी चाहिए?) या इन समस्याओं के लिए एक और पसंदीदा मॉडलिंग रणनीति है? इसके अलावा इन समस्याओं के लिए पसंदीदा प्लॉटिंग रणनीति क्या है?


दिलचस्प सवाल (+1) ... इस हाल के कागज मदद की हो सकती है: ncbi.nlm.nih.gov/pubmed/21328605
ocram

दिलचस्प है, लेकिन मेरा मानना ​​है कि मुख्य विषय अलग-अलग समय पर प्रभाव है ।//M
मिशा

समय-अलग-अलग प्रभाव कागज़ का विषय है ...
ओकराम

1
यह मुझे हृदय प्रत्यारोपण डेटा के "शास्त्रीय" उत्तरजीविता विश्लेषण उदाहरण की याद दिलाता है: bit.ly/UFX71v - आपको जो समय की आवश्यकता होती है वह एक अलग कोवेरिएट है , जरूरी नहीं कि एक समय-भिन्न गुणांक हो । आप केएम घटता का उपयोग करके अपने डेटा को प्लॉट कर सकते हैं।
बोसोविच

इस पद्धति से आप इस तथ्य को भी संभाल पाएंगे कि कुछ महिलाओं को फॉलो-अप के दौरान 1 से अधिक गर्भावस्था हो सकती है।
बोसोविच

जवाबों:


4

यहां आपको जिस चीज की आवश्यकता है, वह समय-भिन्न कोवरिएट है और जरूरी नहीं कि समय-भिन्न गुणांक हो । एक ज्ञात उदाहरण जो आपके विश्लेषण में आपकी सहायता कर सकता है वह है स्टैनफोर्ड हार्ट ट्रांसप्लांट डेटा

अपने परिणामों को प्रस्तुत करने के लिए आप क्लासिक कापलान-मीर अनुमानक का उपयोग कर सकते हैं जो बिना किसी समस्या के समय-भिन्न कोवेरियेट्स को संभालता है (याद रखें, हालांकि, यह एक कच्चा - या अनजाने में अपनी सभी ज्ञात सीमाओं के साथ विश्लेषण है)।

एक उदाहरण के रूप में, निम्नलिखित ग्राफ स्टैनफोर्ड एचटी डेटा के विश्लेषण को दिखाता है जब समय-अलग-अलग प्रत्यारोपण की स्थिति (शीर्ष पैनल) के लिए सही ढंग से लेखांकन और इसके बिना (नीचे पैनल) के लिए लेखांकन।

यहां छवि विवरण दर्ज करें


मैं आखिरकार ऐसा करने में कामयाब रहा और मुझे निम्नलिखित प्लॉट मिले
मीशा

नियमित केएम इन मॉडलों को रेखांकन करने का उचित तरीका नहीं है। बल्कि यह साइमन और केम द्वारा KM के लिए एक विस्तार है जो स्टाटा में लागू किया गया है। आंकड़े.स्टैकएक्सचेंज.com
मिशा

आप इस तरह से KM का उपयोग नहीं कर सकते हैं। उदाहरण के लिए गर्भधारण की उम्र के साथ अंतर्निहित समय के रूप में विचार करें: मान लें कि महिलाएं कम से कम 20 वर्ष की होती हैं, जब उन्हें अपना दूसरा बच्चा मिलता है और कम से कम 22 को जब उन्हें तीसरा मिलता है। आइए सभी आयु और सभी समूहों (जन्म लेने वाले बच्चों की संख्या) के लिए निरंतर खतरा मानें। फिर 2- और 3-समूह एक ही दर पर मर जाएंगे, लेकिन 3-समूह का अनुमान (सबसे अधिक संभावना) किसी भी समय टी में बड़ा होगा, बस इसलिए कि 3-समूह बाद की उम्र में मरने लगते हैं। यह आंकड़ों की गलत व्याख्या है।
swmo

4

आर में, यह एक अस्तित्व वस्तु के प्रारंभ / रोक संस्करण के साथ संबोधित किया जा सकता है, उदाहरण के लिए

fit <- coxph(Surv(time1, time2, status) ~ is.pregnant + other.covariates, data=mydata)

यह पत्र इस पर अधिक विस्तार से चर्चा करता है: http://cran.r-project.org/web/packages/survival/vignettes/timedep.pdf


1

इस स्थिति में अमर समय पूर्वाग्रह से सावधान रहें। आपका गर्भवती समूह अनिवार्य रूप से गैर-गर्भवती समूह की तुलना में बेहतर जीवित होगा क्योंकि आप मरने के बाद गर्भवती नहीं हो सकती (मेरे ज्ञान का सबसे अच्छा करने के लिए!)

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.