कॉक्स PH विश्लेषण और सहसंयोजक चयन में प्रवृत्ति स्कोर भार


11

समय-दर-घटना उत्तरजीविता डेटा के कॉक्स आनुपातिक खतरे मॉडलिंग करते समय प्रवृत्ति स्कोर वेटिंग (IPTW) के बारे में:

मेरे पास संभावित रजिस्ट्री डेटा है जहां हम एक दवा के उपचार प्रभाव को देखने में रुचि रखते हैं जो कि ज्यादातर मामलों में मरीज पहले से ही बेसलाइन पर ले रहे थे। इसलिए मुझे यकीन नहीं है कि डेटा का सबसे अच्छा विश्लेषण कैसे किया जाए। संभावित, आधारभूत चरों का एक बड़ा प्रभावित डिग्री करने के लिए कर रहे हैं के द्वारा और न इलाज दूसरी तरह के आसपास (जैसे कुछ बायोमार्कर)। मैं थोड़ा सा खो गया हूं, जिससे वजन कम करने के लिए मुझे प्रोविडेंस स्कोर मॉडल में शामिल होना चाहिए और जो coxphमॉडल (यदि कोई हो) में कोवरिएट्स के रूप में शामिल होना चाहिए । सही दिशा में कोई संकेत सहायक होगा! मैं अभी तक CoxPh मॉडलिंग में इस बारे में कोई साहित्य नहीं खोज पाया।

मुझे लगता है कि covariates कि बेसलाइन पर स्थापित उपचारों का प्रतिनिधित्व करते हैं (जो परिणाम को प्रभावित कर सकते हैं) को Cox PH covariates के रूप में शामिल किया जाना चाहिए, लेकिन मुझे इस पर यकीन नहीं है।

मैं यह कैसे निर्धारित करूं कि प्रवृत्ति अंक की गणना में उपयोग किए जाने के बजाय कॉक्स मॉडल में कोवरिएट्स के रूप में कौन से चर शामिल किए जाने चाहिए?


अनुवर्ती सवाल:

मैं एक निश्चित हस्तक्षेप के उपचार प्रभाव का मूल्यांकन करने की विरासत की समस्या को समझता हूं जो पहले से ही शुरू हो गया है - अर्थात अवलोकन शुरू करने से पहले रोगियों के बीच प्रचलित है। दोनों जोखिम के समय-भिन्नता से संबंधित पूर्वाग्रह को पेश करने के संबंध में (जैसे प्रतिकूल दुष्प्रभाव चिकित्सा के पहले वर्ष में अधिक सामान्य होते हैं) और सहसंयोजक उपचार से प्रभावित होते हैं। अगर मैं गलत नहीं हूँ - यह अवलोकन और यादृच्छिक के बीच विसंगति के कारण के रूप में प्रस्तावित किया गया है जो कि कार्डियोवास्कुलर एंडपॉइंट और हार्मोन रिप्लेसमेंट थेरेपी के संबंध में है। दूसरी ओर मेरे डेटासेट में, हम उपचार के संभावित प्रतिकूल प्रभाव को देखने में रुचि रखते हैं।

यदि मैं प्रचलित उपयोगकर्ताओं के बीच उपचार के प्रभाव की जांच करने के लिए प्रॉपर्टीज स्कोर समायोजन का उपयोग करता हूं, अर्थात निरीक्षण शुरू होने से पहले ही दवा का उपयोग कर रहा हूं, तो कोहोर्ट डेटा में और हम एक फार्माकोलॉजिकल थेरेपी के प्रतिकूल प्रभाव का निरीक्षण करते हैं (और यही हम देख रहे थे)। क्या मैं उपचार से जुड़े जोखिम को कम करके आंकने से इनकार कर सकता हूं? यानी जब तक जोखिम काफी बढ़ जाता है, यह सबसे "निश्चित रूप से" सुरक्षात्मक नहीं है?

मैं इस तरह के पूर्वाग्रह के संदर्भ में इस तरह के झूठे जोखिम संघ के जोखिम का एक overestimation परिचय कर सकते हैं, जहां मैं एक तस्वीर नहीं कर सकते।

जवाबों:


9

सिद्धांत रूप में, आपके द्वारा चुने गए प्रत्येक चर का जो कि प्रसार स्कोर के वजन के भाग के रूप में होता है, को मॉडल में सहसंयोजक के रूप में शामिल करने की आवश्यकता नहीं होती है, क्योंकि भार उनके संभावित भ्रम के लिए पहले से ही नियंत्रित होता है। एक उचित वजन वाले मॉडल के साथ, आप काफी हद तक, बस प्रदर्शन के प्रभाव को मॉडल कर सकते हैं।

कहा जा रहा है, ऐसे कारण हैं जो आप मॉडल में शर्तों को शामिल करना चाहते हैं:

  • "संदेह मजबूत" अनुमान। कोई कारण नहीं है, परिशुद्धता में एक नुकसान के लिए बचा है, कि आप वजन मॉडल में और कोवरिएट्स दोनों के रूप में चर का उपयोग नहीं कर सकते। सिद्धांत रूप में, आप अपने आप को दो तरीकों से भ्रमित करने से बचा रहे हैं (इसलिए इस तकनीक को "दोगुना मजबूत" कहा जा रहा है)। ध्यान रखें कि यह केवल पीएस मॉडल या कोवरिएट मॉडल के खिलाफ आपकी सुरक्षा करता है, आपको सही मॉडल को निर्दिष्ट करने के लिए "दूसरा मौका" देकर गलत तरीके से याद किया जा रहा है, यह एक मैजिक फिक्स-ऑल नहीं है।
  • ब्याज के कई अनुमान। वेटिंग कोविरेट्स से प्रभाव के अनुमान को गायब कर देता है - यदि आप चर के लिए एक प्रतिगमन गुणांक चाहते हैं, तो आप इसे कॉक्सहेयर चरण में कोवरिएट के रूप में शामिल करना चाहते हैं और पीएस मॉडल में नहीं

"संदिग्ध रूप से मजबूत" और एपिडेमियोलॉजी या अमेरिकन जर्नल ऑफ एपिडेमियोलॉजी जैसी पत्रिकाओं में इसी तरह के शब्दों की खोज करने की कोशिश करें और साथ ही साथ जीवविज्ञान साहित्य और आपको कुछ उपयोगी स्रोतों को उजागर करना चाहिए।


(त्वरित) और स्पष्ट उत्तर के लिए धन्यवाद! मैंने दोगुना मजबूत उल्लेख किया है, लेकिन बहुत में देखा है। मैं निश्चित रूप से अब करूंगा। क्या आप कहेंगे कि दोगुने मजबूत अनुमानों का उपयोग करते हुए वारंट किया जाता है, जब उपचार समूहों के बीच महत्वपूर्ण अंतर होने के बाद भी वजन (जैसे) के बाद कोविरेट्स को पर्याप्त रूप से समायोजित नहीं किया जाता है?
Kjetil Loland

1
@KjetilLoland यह दोगुना मजबूत आकलन का उपयोग करने का एक कारण हो सकता है - आम तौर पर, जब भी आप चिंतित होते हैं, तो यह देखने के लिए कुछ है कि चरों के लिए नियंत्रित करने के लिए एक विधि गलत वर्तनी से पीड़ित है। मैं यह भी सुनिश्चित करने के लिए जाँच करूँगा कि आपका पीएस मॉडल अभिनय नहीं कर रहा है और आपको दो समूहों के बीच अच्छा, अतिव्यापी प्रवृत्ति स्कोर दे रहा है।
फोमाइट

1
खतरे के अनुपात की गैर-समाप्यता के कारण यह केवल चर को पीएस में शामिल करने के लिए पर्याप्त नहीं है। पीएस को "किचन सिंक" और ज्ञात सबसे महत्वपूर्ण भविष्यवक्ताओं के लिए फिर से सहसंयोजक के रूप में शामिल किया जाना आम है। इससे जोखिम के जोखिम अनुपात को कम करके रोका जा सकेगा।
फ्रैंक हरेल

फिर से, आपके उत्तर के लिए @EpiGrad और Frank दोनों को धन्यवाद। मैं वास्तव में यह नहीं कह सकता कि उपचार समूहों में अच्छा, अतिव्यापी प्रवृत्ति स्कोर है। तो मैं शायद व्यापक कोवरिएट समायोजन का उपयोग कर समाप्त हो जाएगा। एक साइड नोट पर, मैंने देखा कि मैंने IPTW लिखा था, जब मैं वास्तव में ट्वैंग पैकेज का उपयोग कर रहा हूं - जो वज़न का अनुमान लगाने के लिए सामान्यीकृत संवर्धित प्रतिगमन का उपयोग करता है (यदि मैं सही हूं) - लेकिन मुझे लगता है कि सामान्य दृष्टिकोण को नहीं बदलता है बहुत।
Kjetil लोलैंड

@KjetilLoland आप कम से कम नेत्रहीन निरीक्षण कर सकते हैं कि आपके पीएस स्कोर उपचार समूह द्वारा उनके वितरण के अतिव्यापी भूखंडों को देखकर ओवरलैप करते हैं या नहीं।
फोमाइट

3

"उपचार से प्रभावित" और "उपचार से संबंधित" में अंतर करना महत्वपूर्ण है। उत्तरार्द्ध में उपचार के चयन कारक शामिल हो सकते हैं, जैसे कि हम प्रवृत्ति और / या सहसंयोजक समायोजन के साथ समायोजित करने का प्रयास कर रहे हैं। "उपचार से प्रभावित" का तात्पर्य है कि कोवरेट्स को समय शून्य के बाद मापा जाता है (उदाहरण के लिए, यादृच्छिकरण के बाद या उपचार शुरू होने के बाद), जिसका अर्थ है कि उन्हें शायद ही कभी इस्तेमाल किया जाना चाहिए।


फिर से शुक्रिया डॉ। हैरेल। हमारे कुछ चर निश्चित रूप से "उपचार से प्रभावित" हैं। जिस उपचार की हम जांच करने की कोशिश कर रहे हैं, वह बेसलाइन से पहले शुरू किया गया था, जो निश्चित रूप से आदर्श नहीं है। इस तरह के विश्लेषण के लिए प्रॉपरिटी स्कोर समायोजन उपयुक्त है या नहीं यह शायद एक बेहतर सवाल है। हालाँकि मुझे इसकी जाँच करने के किसी अन्य तरीके की जानकारी नहीं है।
काजेटिल लोलैंड

अध्ययन डिजाइन आप क्या करना चाहते हैं के लिए उपयुक्त नहीं हो सकता है। अध्ययन की व्याख्या करना बहुत मुश्किल होगा। आपको विषय वस्तु विशेषज्ञ मिल सकते हैं जो चर के एक उपसमूह के साथ आने की कोशिश करते हैं जो उपचार के साथ बदलने की संभावना नहीं है, लेकिन निहितार्थ द्वारा भ्रमित करने के लिए समायोजन अधूरा हो सकता है।
फ्रैंक हर्रेल

समझा। मुझे लगता है कि यह सीवीडी पर पुराने ऑब्जर्वेशनल बनाम रैंडमाइज्ड एचआरटी अध्ययनों की तरह लग रहा है। मुझे गलत होने पर ठीक करें, लेकिन संभावित प्रतिकूल उपचार प्रभाव के जोखिम को कम करने के लिए मैं सभी "जोखिम" नहीं है (जो कि हम देख रहे हैं) - यानी जब तक हम उपचार को प्रतिकूल बताते हैं, उन प्रकार के कन्फ़्यूडर केवल खोज को कमजोर कर सकते थे? मैंने उसी हिसाब से सवाल अपडेट किया है।
Kjetil Loland

2
यह एक पर्यवेक्षी बनाम यादृच्छिक मुद्दे से अधिक है, लेकिन एचआरटी अध्ययनों के लिए एक संबंध है। आप सही हो सकते हैं कि कुछ सावधान तर्क एक कम बाउंड प्रदान करने के रूप में परिणामों के उपचार को सही ठहरा सकते हैं।
फ्रैंक हरेल
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.