Põhiline Muu Aja-sündmuseni andmete analüüs

Aja-sündmuseni andmete analüüs

Ülevaade

Tarkvara

Kirjeldus

Veebisaidid

Näidud

Kursused

Ülevaade

Sellel lehel kirjeldatakse lühidalt rida küsimusi, mida tuleks arvesse võtta sündmuse ajahetke andmete analüüsimisel, ja lisateabe saamiseks esitatakse kommenteeritud ressursside loend.

Kirjeldus

Mis on ainulaadne sündmuse toimumise aja (TTE) andmetes?

Ajad sündmuseni (TTE) on ainulaadsed, kuna huvipakkuv tulemus pole mitte ainult see, kas sündmus toimus või mitte, vaid ka see, millal see sündmus aset leidis. Traditsioonilised logistilise ja lineaarse regressiooni meetodid ei sobi, et oleks võimalik mudelisse lisada tulemuseks nii sündmuse kui ka aja aspekt. Traditsioonilised regressioonimeetodid ei ole samuti varustatud tsenseerimise - spetsiaalse tüüpi puuduvate andmete - käitlemiseks aeg-sündmus-analüüsides, kui katsealused ei kogenud jälgimisaja jooksul huvitavat sündmust. Tsenseerimise juures alahinnatakse sündmuse tõelist aega. TTE andmete erimeetodid, mida arutatakse allpool, on välja töötatud, et kasutada tsenseeritud andmetega iga subjekti osalist teavet ja pakkuda erapooletuid elulemuse hinnanguid. Need meetodid hõlmavad andmeid mitme ajahetke kohta subjektide lõikes ja neid saab kasutada kiiruste, ajavahemike ja ohusuhete otseseks arvutamiseks.

Millised on sündmuse toimumise aja olulised metoodilised kaalutlused?

Sündmuse aja või ellujäämise andmete analüüsimisel on neli peamist metodoloogilist kaalutlust. Oluline on selgelt määratleda sihtüritus, aja algus, ajakava ja kirjeldada, kuidas osalejad uuringust lahkuvad. Kui need on täpselt määratletud, muutub analüüs sirgjoonelisemaks. Tavaliselt on üks sihtüritus, kuid on olemas ellujäämisanalüüside laiendusi, mis võimaldavad mitut sündmust või korduvat sündmust.

Mis on aja päritolu?

Aja alguspunkt on see, millal jälgimisaeg algab. TTE andmed võivad kasutada mitmesugust aja päritolu, mille määravad suuresti uuringu ülesehitus, millest kõigil on seonduvad eelised ja puudused. Näideteks on lähte aeg või vanus. Aja päritolu saab määrata ka määratleva tunnuse, näiteks kokkupuute alguse või diagnoosi abil. See on sageli loomulik valik, kui tulemus on selle tunnusega seotud. Muud näited hõlmavad sündi ja kalendriaastat. Kohordi uuringute puhul on ajakava kõige sagedamini õppimise aeg.

Kas ajakava jaoks on mõni muu võimalus kui õppimise aeg?

Vanus on teine ​​sageli kasutatav ajaskaala, kus lähte vanus on aja algus ja isikud lahkuvad oma sündmusest või tsensuurist. Vanuse kui ajaskaala mudeleid saab kalenderefektide jaoks kohandada. Mõned autorid soovitavad, et ajaskaalana kasutataks pigem vanust kui õppimise aega, kuna see võib anda vähem kallutatud hinnanguid.

Mis on tsenseerimine?

Üks ellujäämisanalüüsiga seotud väljakutseid on see, et ainult mõned isikud on uuringu lõpuks sündmust kogenud ja seetõttu pole uurimisrühma alamhulga jaoks ellujäämisajad teada. Seda nähtust nimetatakse tsensuuriks ja see võib tekkida järgmistel viisidel: uuringus osaleja ei ole uuringu lõpuks veel kogenud asjakohast tulemust, näiteks ägenemist või surma; uuringus osaleja kaotatakse uurimisperioodil järelkontrollile; või kogeb uuringus osaleja teistsugust sündmust, mis muudab edasise jälgimise võimatuks. Sellised tsenseeritud intervalliajad alahindavad tõelist, kuid teadmata sündmuse aega. Enamiku analüütiliste lähenemisviiside puhul eeldatakse, et tsenseerimine on juhuslik või mitteinformatiivne.

Tsenseerimisel on kolm peamist tüüpi - parem, vasak ja intervall. Kui sündmused toimuvad pärast uuringu lõppu, siis andmeid tsenseeritakse parempoolselt. Vasakult tsenseeritud andmed ilmnevad sündmuse jälgimisel, kuid täpne sündmuse aeg pole teada. Intervallitsenseeritud andmed ilmnevad sündmuse jälgimisel, kuid osalejad tulevad vaatlusest sisse ja välja, seega pole sündmuse täpne aeg teada. Enamik ellujäämisanalüüsi meetodeid on mõeldud paremtsensuuriga vaatluste jaoks, kuid intervall- ja vasaktsenseeritud andmete meetodid on olemas.

Mis on huvi küsimus?

Analüütilise vahendi valimisel tuleks lähtuda huvipakkuvast uurimisküsimusest. TTE andmetega võib uurimisküsimus olla mitmel kujul, mis mõjutab seda, milline ellujäämisfunktsioon on uurimisküsimuse jaoks kõige asjakohasem. Kolm erinevat tüüpi uurimisküsimusi, mis võivad TTE andmete jaoks huvi pakkuda, hõlmavad järgmist:

  1. Kui suur osa inimestest jääb teatud aja pärast üritusest vabaks?

  2. Kui suur osa inimestest toimub teatud aja pärast?

  3. Milline on sündmuse oht konkreetsel ajahetkel nende seas, kes on selle ajani ellu jäänud?

Kõik need küsimused vastavad erinevat tüüpi funktsioonidele, mida kasutatakse ellujäämisanalüüsis:

  1. Ellujäämisfunktsioon, S (t): tõenäosus, et indiviid elab üle aja t [Pr (T> t)]

  2. Tõenäosustihedusfunktsioon F (t) või kumulatiivse esinemissageduse funktsioon, R (t): tõenäosus, et indiviidi ellujäämisaeg on väiksem või võrdne t [Pr (T≤t)]

  3. Ohufunktsioon, h (t): sündmuse kogemise hetkepotentsiaal ajal t, tingimusel, et see on ellu jäänud kuni selle ajani

  4. Kumulatiivne ohufunktsioon, H (t): ohufunktsiooni integraal ajahetkest 0 ajani t, mis võrdub kõvera all oleva pindalaga h (t) aja 0 ja aja t vahel.

Kui üks neist funktsioonidest on teada, saab teisi funktsioone arvutada järgmiste valemite abil:

S (t) = 1 - F (t) Elulemusfunktsioon ja tõenäosustiheduse funktsioon summeeruvad 1-ni

h (t) = f (t) / S (t) Hetkeoht võrdub tingimusteta tõenäosusega

sündmuse kogemine ajahetkel t, mida suurendab ajahetkel t elus olev murd

H (t) = -log [S (t)] Kumulatiivne ohufunktsioon võrdub ellujäämise negatiivse logiga

funktsioon

S (t) = e – H (t) Elulemuse funktsioon võrdub eksponeeritud negatiivse kumulatiivse ohuga

funktsioon

Neid teisendusi kasutatakse sageli ellujäämise analüüsimeetodites, nagu allpool arutatakse. Üldiselt toob h (t), hetkeline oht, suurenemine kaasa H (t) suurenemise, kumulatiivse ohu, mis tähendab ellujäämisfunktsiooni S (t) vähenemist.

Milliseid eeldusi tuleb teha, et kasutada standard-tehnikaid sündmuse toimumise aja kohta?

TTE andmete analüüsimise peamine eeldus on mitteinformatiivne tsenseerimine: tsenseeritud isikutel on sama tõenäosus kogeda järgnevat sündmust kui uuringus osalevatel isikutel. Informatiivne tsenseerimine on analoogne teadmatute puuduvate andmetega, mis analüüsi kallutab. Puudub lõplik viis testida, kas tsenseerimine ei ole informatiivne, ehkki tsenseerimise mustrite uurimine võib näidata, kas mitteinformatiivse tsenseerimise eeldus on mõistlik. Informatiivse tsenseerimise kahtluse korral võib tundlikkusanalüüse, näiteks parima ja halvima stsenaariumi abil proovida kvantifitseerida mõju, mida informatiivne tsenseerimine avaldab analüüsile.

Teine eeldus TTE andmete analüüsimisel on see, et piisava statistilise võimsuse tagamiseks on piisavalt jälgimisaega ja sündmuste arvu. Sellega tuleb arvestada uuringu kavandamise etapis, kuna enamik ellujäämisanalüüse põhineb kohordiuuringutel.

Märkimist väärivad täiendavad lihtsustavad eeldused, kuna need tehakse sageli ellujäämisanalüüside ülevaadetes. Kuigi need eeldused lihtsustavad ellujäämismudeleid, ei ole neid TTE andmetega analüüside tegemiseks vaja. Nende eelduste rikkumise korral saab kasutada täiustatud tehnikaid:

  • Puudub kohordi mõju ellujäämisele: pika värbamisperioodiga kohordi puhul eeldage, et varakult liitunud inimestel on sama ellujäämise tõenäosus kui hilja

  • Parempoolne tsenseerimine ainult andmetes

  • Sündmused on üksteisest sõltumatud

Milliseid lähenemisviise saab ellujäämisanalüüsiks kasutada?

TTE andmete analüüsimisel on kolm peamist lähenemist: mitteparameetriline, poolparameetriline ja parameetriline lähenemine. Kasutatava lähenemisviisi valikut peaks juhtima huvi pakkuv uurimisküsimus. Sageli saab samas analüüsis asjakohaselt kasutada mitut lähenemist.

1969. aastal Brandenburgi kõrgeim kohus vs. Ohio

Millised on mitteparameetrilised lähenemised ellujäämisanalüüsile ja millal need sobivad?

Mitteparameetrilised lähenemised ei tugine eeldustele põhipopulatsiooni parameetrite kuju või vormi kohta. Ellujäämisanalüüsis kasutatakse andmete kirjeldamiseks mitteparameetrilisi lähenemisviise, hinnates ellujäämisfunktsiooni S (t) koos ellujäämisaja mediaani ja kvartiilidega. Seda kirjeldavat statistikat ei saa tsenseerimise tõttu arvutada otse andmete põhjal, mis alahindab tsenseeritud subjektide tegelikku ellujäämisaega, mille tulemuseks on keskmist, mediaani ja muid kirjeldavaid näitajaid väärad hinnangud. Mitteparameetrilisi lähenemisviise kasutatakse analüüsi esimese sammuna sageli erapooletu kirjeldava statistika loomiseks ning neid kasutatakse sageli koos poolparameetriliste või parameetriliste lähenemisviisidega.

Kaplan-Meieri hindaja

Kirjanduses on levinum mitteparameetriline lähenemine Kaplan-Meieri (ehk tootepiirangu) hinnang. Kaplan-Meieri prognoosija jagab S (t) hinnangu vaadeldavate sündmuste aegade põhjal sammude / intervallide reaks. Vaatlused aitavad S (t) hinnata kuni sündmuse toimumiseni või kuni neid tsenseeritakse. Iga intervalli jaoks arvutatakse intervalli lõpuni ellujäämise tõenäosus, arvestades, et katsealused on intervalli alguses riskis (seda tähistatakse tavaliselt kui pj = (nj - dj) / nj). Hinnanguline S (t) iga t väärtuse korral võrdub iga intervalli ellujäämise korrutiseni aja t arvestamiseni. Selle meetodi peamisteks eeldusteks lisaks informatiivsele tsenseerimisele on see, et tsenseerimine toimub pärast ebaõnnestumisi ja kohordi mõju ellujäämisele ei ole, seega on uuritavatel sama ellujäämise tõenäosus sõltumata sellest, millal nad uuringusse sattusid.

Kaplan-Meieri meetodi järgi saadud hinnangulise S (t) saab graafiliselt esitada X-teljel asuva järk-järgulise funktsioonina. See graafik on kena viis kohordi ellujäämise kogemuse visualiseerimiseks ning seda saab kasutada ka ellujäämisaja mediaani (kui S (t) ≤0,5) või kvartiilide hindamiseks. Seda kirjeldavat statistikat saab arvutada ka otse Kaplan-Meieri hinnangu abil. S (t) 95% usaldusintervallid (CI) tuginevad S (t) teisendustele, tagamaks, et 95% CI jääb vahemikku 0 ja 1. Kirjanduses on levinuim meetod Greenwoodi hinnang.

Elu tabeli prognoosija

Ellujäämisfunktsiooni elutabelihinnang on üks varasemaid näiteid kasutatud statistilistest meetoditest, mida on juba üle 100 aasta kasutatud suremuse kirjeldamiseks suurtes populatsioonides. Elutabeli hindaja sarnaneb Kaplan-Meieri meetodiga, välja arvatud see, et intervallid põhinevad vaadeldavate sündmuste asemel kalendriajal. Kuna elutabeli meetodid põhinevad neil kalendrivahemikel ja ei põhine üksikutel sündmustel / tsenseerimisaegadel, kasutavad need meetodid S (t) hindamiseks keskmist riskikomplekti suurust intervalli kohta ja peavad eeldama, et tsenseerimine toimus kalendri ajaintervalli jooksul ühtlaselt. Sel põhjusel ei ole elutabeli hindaja sama täpne kui Kaplan-Meieri hinnang, kuid väga suurtes valimites on tulemused sarnased.

Nelson-Aaleni hindaja

Teine alternatiiv Kaplan-Meierile on Nelson-Aaleni hindaja, mis põhineb kumulatiivse ohufunktsiooni H (t) hindamisel loendamisprotsessi meetodil. H (t) hinnangut saab seejärel kasutada S (t) hindamiseks. Selle meetodi abil saadud S (t) hinnangud on alati suuremad kui K-M hinnangud, kuid erinevus suurte proovide kahe meetodi vahel on väike.

Kas mitteparameetrilisi lähenemisviise saab kasutada muutumatute või mitmemuutuvate analüüside jaoks?

Mitteparameetrilisi lähenemisviise, näiteks Kaplan-Meieri hinnangut, saab kasutada huvipakkuvate kategooriliste tegurite muutumatute analüüside tegemiseks. Tegurid peavad olema kategoorilised (kas olemuselt või kategooriatesse jaotatud pidev muutuja), kuna ellujäämisfunktsiooni S (t) hinnatakse kategoorilise muutuja iga taseme jaoks ja võrreldakse seejärel nende rühmade vahel. Iga rühma hinnangulist S (t) saab joonistada ja visuaalselt võrrelda.

Auastmepõhiseid teste saab kasutada ka elulemuskõverate erinevuse statistiliseks testimiseks. Nendes testides võrreldakse rühmade lõikes igas ajahetkel täheldatud ja eeldatavat sündmuste arvu, lähtudes nullhüpoteesist, et ellujäämisfunktsioonid on rühmade vahel võrdsed. Nendel auastmepõhistel testidel on mitu versiooni, mis erinevad teststatistika arvutamisel igale ajapunktile antud kaalu poolest. Kaks kõige tavalisemat kirjanduses nähtud auastepõhist testi on logaritmiline test, mis annab igale ajapunktile võrdse kaalu, ja Wilcoxoni test, mis kaalub iga ajapunkti riskiga katsealuste arvu järgi. Selle kaalu põhjal on Wilcoxoni test tundlikum kõverate vaheliste erinevuste suhtes järeluuringu alguses, kui ohus on rohkem uuritavaid. Teistes testides, näiteks Peto-Prentice testis, kasutatakse logaritmilise ja Wilcoxoni testide vahelisi raskusi. Auastmepõhised testid sõltuvad täiendavast eeldusest, et tsenseerimine on rühmast sõltumatu, ja kõiki piirab vähene jõud rühmade vaheliste erinevuste tuvastamiseks, kui ellujäämiskõverad ristuvad. Kuigi need testid annavad kõverate erinevuse p-väärtuse, ei saa neid efekti suuruste hindamiseks kasutada (log-rank-testi p-väärtus on siiski samaväärne muutumatu Coxi huvipakkuva kategoorilise teguri p-väärtusega mudel).

Mitteparameetrilised mudelid on piiratud, kuna need ei anna mõju hinnanguid ja neid ei saa üldjuhul kasutada mitme huvipakkuva teguri mõju hindamiseks (mitmemuutlikud mudelid). Sel põhjusel kasutatakse epidemioloogias mitteparameetrilisi lähenemisviise koos pool- või täielikult parameetriliste mudelitega, kus segaduste tõrjeks kasutatakse tavaliselt mitmemuutlikke mudeleid.

Kas Kaplan-Meieri kõveraid saab reguleerida?

See on levinud müüt, et Kaplan-Meieri kõveraid ei saa reguleerida ja seda tuuakse sageli põhjusena kasutada parameetrilist mudelit, mis võib genereerida kovariaadiga kohandatud ellujäämiskõveraid. Siiski on välja töötatud meetod korrigeeritud elulemuskõverate loomiseks pöördvõimaliku tõenäosuse kaalumise (IPW) abil. Ainult ühe muutuja korral saab IPW-d parameetriliselt hinnata ja need on samaväärsed elulemuskõverate otsese standardimisega uuringupopulatsioonile. Mitme kovariaadi korral tuleb kaalude hindamiseks kasutada pool- või täielikult parameetrilisi mudeleid, mida seejärel kasutatakse mitme kovariaadiga korrigeeritud elulemuskõverate loomiseks. Selle meetodi eeliseks on see, et selle suhtes ei kohaldata proportsionaalsete ohtude eeldust, seda saab kasutada ajas muutuvate kovariaatide jaoks ja ka pidevate kovariaatide jaoks.

Miks on meil vaja sündmuse aja andmete analüüsimiseks parameetrilisi lähenemisviise?

Elulemuse andmete kirjeldamiseks uuritava teguri suhtes kasutatakse mitteparameetrilist lähenemist TTE andmete analüüsimisel. Seda lähenemist kasutavaid mudeleid nimetatakse ka muutumatuteks mudeliteks. Enamasti huvitab uurijaid mitme ühismuutuja suhe ja sündmuseni jõudmise aeg. Pool- ja täielikult parameetriliste mudelite kasutamine võimaldab sündmuse aega analüüsida samaaegselt paljude tegurite suhtes ja annab hinnangu iga koostisosa teguri mõju tugevusele.

Mis on poolparameetriline lähenemine ja miks seda nii sageli kasutatakse?

Meditsiiniuuringutes ellujäämisandmete analüüsimiseks on Coxi proportsionaalne mudel kõige sagedamini kasutatav mitmemuutuja lähenemisviis. Põhimõtteliselt on see aeg-sündmus-regressioonimudel, mis kirjeldab seost ohufunktsiooniga väljendatud sündmuste esinemissageduse ja kovariaatide hulga vahel. Coxi mudel on kirjutatud järgmiselt:

ohufunktsioon, h (t) = h0 (t) exp {β1X1 + β2X2 +… + βpXp}

Seda peetakse poolparameetriliseks lähenemiseks, kuna mudel sisaldab mitteparameetrilist komponenti ja parameetrilist komponenti. Mitteparameetriline komponent on lähteoht, h0 (t). See on ohu väärtus, kui kõik ühismuutujad on võrdsed 0-ga, mis rõhutab kovariatide tsentreerimise olulisust mudelis tõlgendatavuse seisukohalt. Ärge segage lähteohtu kui ohtu ajahetkel 0. Ohutase lähtefunktsiooni hinnatakse mitteparameetriliselt ja seega ei eeldata, et erinevalt enamikust teistest statistilistest mudelitest järgiksid ellujäämisajad kindlat statistilist jaotust ja algtaseme kuju oht on meelevaldne. Suhtelise ohu või ohu suhte kohta järelduste tegemiseks pole vaja lähtefunktsioone hinnata. See funktsioon muudab Coxi mudeli tugevamaks kui parameetrilised lähenemised, kuna see ei ole tundlik lähteohu valespetsifikatsioonide suhtes.

Parameetriline komponent koosneb kovariaadivektorist. Kovariatsioonivektor korrutab baasohu ühe ja sama suurusega, olenemata ajast, seega on mis tahes muutuja mõju jälgimise ajal igal ajal sama ja see on aluseks proportsionaalsete ohtude eeldusele.

Milline on proportsionaalsete ohtude eeldus?

Proportsionaalse ohu eeldus on Coxi mudeli kasutamisel ja tõlgendamisel ülioluline.

Selle eelduse kohaselt on tulemuse või sõltuva muutuja ja kovariaadi vektori vahel pidev seos. Selle eelduse tagajärjed on, et kahe inimese ohutegurid on igal ajahetkel proportsionaalsed ja ohu suhe ei erine aja jooksul. Teisisõnu, kui indiviidil on mingil esialgsel ajahetkel surmaoht, mis on kaks korda suurem kui teisel isendil, jääb hilisemal ajal surmaoht kaks korda kõrgemaks. See eeldus tähendab, et rühmade ohukõverad peaksid olema proportsionaalsed ega tohiks ületada. Kuna see eeldus on nii oluline, tuleks seda kindlasti testida.

Kuidas testite proportsionaalsete ohtude oletust?

Proportsionaalsete ohtude eelduse kehtivuse hindamiseks on erinevaid graafilisi ja testipõhiseid tehnikaid. Üks tehnika on Kaplani – Meieri ellujäämiskõverate lihtsalt koostamine, kui võrrelda kahte rühma, millel pole kovariaate. Kui kõverad ristuvad, võib proportsionaalsete ohtude eeldus olla rikutud. Väikeste uuringute puhul tuleb meeles pidada selle lähenemisviisi olulist hoiatust. Väikese valimisuurusega uuringute puhul võib elulemuskõverate hindamisega olla seotud suur hulk vigu, seetõttu võivad kõverad ristuda ka siis, kui proportsionaalse ohu eeldus on täidetud. Komplementaarne log-logi graafik on kindlam test, mis joonistab hinnangulise ellujääja funktsiooni negatiivse logaritmi ja ellujäämisaja logaritmi. Kui ohud on rühmade lõikes proportsionaalsed, annab see graafik paralleelsed kõverad. Teine levinud meetod proportsionaalsete ohtude eelduse testimiseks on ajavahemiku mõiste lisamine, et teha kindlaks, kas HR aja jooksul muutub, kuna aeg on sageli ohtude mitteproportsionaalsuse süüdlane. Tõendid selle kohta, et grupi * aja interaktsiooni mõiste ei ole null, on tõendid proportsionaalsete ohtude vastu.

Mis siis, kui proportsionaalse ohu eeldus ei kehti?

Kui leiate, et PH eeldus ei kehti, ei pea te tingimata Coxi mudeli kasutamisest loobuma. Mudelis on proportsionaalsuse parandamiseks võimalusi. Näiteks võite mudelisse lisada teisi ühismuutujaid, kas uusi ühismuutujaid, mittelineaarseid termineid olemasolevate ühismuutujate jaoks või vastastikmõjusid ühismuutujate vahel. Või võite analüüsi stratifitseerida ühe või mitme muutuja järgi. Sellega hinnatakse mudelit, kus baasrisk on lubatud igas kihis olla erinev, kuid kovariaatide mõju on kihtide lõikes võrdne. Muud võimalused hõlmavad aja jagamist kategooriatesse ja indikaatormuutujate kasutamist, et ohusuhted saaksid aja jooksul erineda, ja analüüsi ajamuutuja muutmist (nt kulunud ajast vanuseni või vastupidi).

Kuidas uurite poolparameetrilise mudeli sobivust?

Lisaks proportsionaalsuse eelduste rikkumiste kontrollimisele tuleb uurida ka mudeli sobivuse muid aspekte. Lineaarse ja logistilise regressiooni korral kasutatava statistikaga sarnast statistikat saab Coxi mudelite jaoks nende ülesannete täitmiseks kasutada mõningate erinevustega, kuid olulised ideed on kõigis kolmes seades samad. Oluline on kontrollida kovariatsioonivektori lineaarsust, mida saab teha jääkide uurimisega, nagu ka lineaarse regressiooni korral. TTE andmetes ei ole jäägid siiski nii sirgjoonelised kui lineaarse regressiooni korral, osaliselt seetõttu, et tulemuse väärtus ei ole osade andmete jaoks teada ja jäägid on sageli viltu. Coxi mudeli sobivuse hindamiseks TTE andmetele on välja töötatud mitu erinevat tüüpi jääke. Näidetena võib tuua teiste seas Martingale'i ja Schoenfeldi. Samuti võite vaadata jääke, et tuvastada väga mõjukaid ja halvasti sobivaid vaatlusi. Samuti on olemas sobivuse testid, mis on omased Coxi mudelitele, näiteks Gronnesby ja Borgani test ning Hosmeri ja Lemeshow prognoosindeks. AIC-d saate kasutada ka erinevate mudelite võrdlemiseks, kuigi R2 kasutamine on problemaatiline.

Miks kasutada parameetrilist lähenemist?

Poolparameetriliste mudelite üks peamisi eeliseid on see, et baasohtu ei ole vaja täpsustada, et hinnata riskisuhteid, mis kirjeldavad suhtelise ohu erinevusi rühmade vahel. Võib siiski huvi pakkuda baasohu hindamine ise. Sellisel juhul on vajalik parameetriline lähenemine. Parameetrilistes lähenemisviisides on täpsustatud nii ohufunktsioon kui ka kovariaatide mõju. Ohufunktsiooni hinnatakse eeldatava jaotuse põhjal põhipopulatsioonis.

Ellujäämisanalüüsi parameetrilise lähenemise kasutamise eelised on järgmised:

  • Parameetrilised lähenemised on informatiivsemad kui mitte- ja poolparameetrilised lähenemised. Lisaks suhtelise mõju hinnangute arvutamisele saab neid kasutada ka ellujäämisaja, ohumäärade ning keskmise ja keskmise ellujäämisaja ennustamiseks. Neid saab kasutada ka absoluutse riski prognoosimiseks aja jooksul ja kovariaadiga kohandatud elulemuskõverate joonistamiseks.

  • Kui parameetrivorm on õigesti määratud, on parameetrimudelitel suurem võimsus kui poolparameetrilistel mudelitel. Need on ka tõhusamad, mille tulemuseks on väiksemad standardvead ja täpsemad hinnangud.

  • Parameetrilised lähenemisviisid põhinevad parameetrite hindamisel maksimaalsel tõenäosusel.

  • Parameetriliste mudelite jäägid võtavad tuttavaks vaadeldava ja eeldatava erinevuse.

Parameetrilise lähenemise kasutamise peamine puudus on see, et see tugineb eeldusele, et aluseks olev populatsiooni jaotus on õigesti täpsustatud. Parameetrilised mudelid ei ole valespetsifikatsioonide suhtes tugevad, mistõttu on poolparameetrilised mudelid kirjanduses tavalisemad ja nende kasutamine vähem riskantne, kui populatsiooni aluseks oleva jaotuse osas on ebakindlus.

Kuidas valite parameetrivormi?

Sobiva parameetrivormi valik on parameetrilise ellujäämisanalüüsi kõige keerulisem osa. Parameetrilise vormi spetsifikatsioon peaks põhinema uuringu hüpoteesil koos eelnevate teadmiste ja baasohu kuju bioloogilise usaldusväärsusega. Näiteks, kui on teada, et surmaoht suureneb dramaatiliselt kohe pärast operatsiooni ning seejärel väheneb ja lameneb, ei oleks kohane täpsustada eksponentsiaalset jaotust, mis võtab ajas püsiva ohu. Andmete abil saab hinnata, kas määratud vorm näib andmetega sobivat, kuid need andmepõhised meetodid peaksid hüpoteesipõhiseid valikuid täiendama, mitte neid asendama.

Mis vahe on proportsionaalse ohu mudeli ja kiirendatud rikkeaja mudeli vahel?

Kuigi Coxi proportsionaalsete ohtude mudel on poolparameetriline, võivad proportsionaalsete ohtude mudelid olla ka parameetrilised. Parameetriliste proportsionaalsete ohtude mudeleid saab kirjutada järgmiselt:

h (t, X) = h0 (t) exp (XiP) = h0 (t) λ

kus baashäire, h0 (t), sõltub ainult ajast, t, kuid mitte X-st, ja λ on kovariaatide üksusspetsiifiline funktsioon, mis ei sõltu t-st, mis suurendab algtaseme ohufunktsiooni üles või alla. λ ei saa olla negatiivne. Selles mudelis on ohu määr baasohu multiplikatiivne funktsioon ja ohusuhteid saab tõlgendada samamoodi nagu poolparameetriliste proportsionaalsete ohtude mudelis.

Kiirendatud ebaõnnestumise aja (AFT) mudelid on parameetriliste ellujäämismudelite klass, mida saab lineariseerida, võttes ellujäämisaja mudeli loomuliku logi. AFT mudeli lihtsaim näide on eksponentsiaalne mudel, mis on kirjutatud järgmiselt:

ln (T) = β0 + β1X1 +…. + βpXp + ε *

Peamine erinevus AFT-mudelite ja PH-mudelite vahel seisneb selles, et AFT-mudelid eeldavad, et kovariaatide mõju on ajaskaalal mitmekordne, samas kui Coxi mudelid kasutavad ohuskaalat, nagu eespool näidatud. AFT-mudelite parameetrite hinnanguid tõlgendatakse kui mõju ajaskaalale, mis võib ellujäämisaega kas kiirendada või aeglustada. Exp (β)> 1 AFT mudelist tähendab, et tegur kiirendab ellujäämisaega või viib pikema ellujäämiseni. Aeg (β)<1 decelerates survival time (shorter survival). AFT models assume that estimated time ratios are constant across the time scale. A time ratio of 2, for example, can be interpreted as the median time to death in group 1 is double the median time to death in group 2 (indicated longer survival for group 1).

Mõnda veaparandust saab kirjutada ja tõlgendada nii PH- kui AFT-mudelina (st eksponentsiaalne, Weibull), teised on ainult PH (st Gompertz) või ainult AFT mudelid (st logistiline) ja teised ei ole PH ega AFT mudelid (st. spline'i paigaldamine).

Milliseid vorme võivad parameetrilised mudelid võtta?

Ohufunktsioon võib esineda mis tahes kujul, kuni kõigi t väärtuste korral on h (t)> 0. Kui parameetrivormi esmane kaalutlus peaks olema eelteadmised lähteohu kujust, on igal jaotusel oma eelised ja puudused. Mõnda levinumat vormi selgitatakse lühidalt, lisateavet leiate ressursside loendist.

Eksponentsiaalne levitamine

Eksponentsiaaljaotus eeldab, et h (t) sõltub ainult mudeli koefitsientidest ja kovariaatidest ning on ajas konstantne. Selle mudeli peamine eelis on see, et see on nii proportsionaalse ohu mudel kui ka kiirendatud rikkeaja mudel, nii et mõju hinnanguid saab tõlgendada kas ohu suhtena või aja suhtena. Selle mudeli peamine puudus on see, et sageli on ebausutav eeldada pidevat ohtu aja jooksul.

Weibulli levitamine

Weibulli jaotus sarnaneb eksponentsiaaljaotusega. Kui eksponentsiaaljaotus eeldab pidevat ohtu, siis Weibulli jaotus monotoonse ohu, mis võib kas suureneda või väheneda, kuid mitte mõlemad. Sellel on kaks parameetrit. Kujuparameeter (σ) kontrollib, kas oht suureneb (σ1) (eksponentsiaalses jaotuses on see parameeter seatud 1-le). Skaala parameeter (1 / σ) exp (-β0 / σ) määrab selle kasvu / vähenemise skaala. Kuna Weibulli jaotus lihtsustub eksponentsiaaljaotuseks, kui σ = 1, saab nullhüpoteesi, et σ = 1 saab testida Waldi testi abil. Selle mudeli peamine eelis on see, et see on nii PH kui ka AFT mudel, seega saab hinnata nii ohu kui ka aja suhet. Jällegi on peamine puudus see, et lähteohu monotoonsuse eeldamine võib mõnel juhul olla ebausutav.

Gompertzi levitamine

Gompertzi jaotus on PH-mudel, mis on võrdne log-Weibulli jaotusega, mistõttu ohufunktsiooni log on t-s lineaarne. Sellel jaotusel on eksponentsiaalselt kasvav ebaõnnestumiste protsent ja see on aktuaarsete andmete jaoks sageli asjakohane, kuna aja jooksul suureneb ka suremuse risk hüppeliselt.

Log-logistiline levitamine

Log-logistiline jaotus on veaterminiga AFT-mudel, mis järgib standardset logistilist jaotust. See võib sobida mittemonotooniliste ohtudega ja sobib kõige paremini siis, kui põhioht tõuseb haripunkti ja seejärel langeb, mis võib olla usutav teatud haiguste, näiteks tuberkuloosi korral. Log-logistiline jaotus ei ole PH-mudel, kuid see on proportsionaalse koefitsiendi mudel. See tähendab, et selle suhtes kehtib proportsionaalse koefitsiendi eeldus, kuid eeliseks on see, et kalle koefitsiente saab tõlgendada aja suhtena ja ka koefitsientidena. Näiteks parameetrilise logistilise logistilise mudeli koefitsientide suhet 2 tõlgendataks nii, et x = 1 katsealuste ellujäämise tõenäosus aja t ületamisel on kaks korda suurem kui x = 0 subjektide puhul.

Üldine gamma (GG) jaotus

Üldistatud gamma (GG) jaotus on tegelikult jaotuste perekond, mis sisaldab peaaegu kõiki kõige sagedamini kasutatavaid jaotusi, sealhulgas eksponentsiaalset, Weibulli, logi normaalset ja gamma jaotust. See võimaldab võrrelda erinevaid jaotusi. GG perekonda kuuluvad ka kõik neli kõige tavalisemat tüüpi ohufunktsioonid, mis muudab GG jaotuse eriti kasulikuks, kuna ohufunktsiooni kuju võib aidata mudeli valikut optimeerida.

Splines lähenemine

Kuna baasohu funktsiooni spetsifikatsiooni ainus üldine piirang on thath (t)> 0 kõigi t väärtuste korral, saab splaine kasutada maksimaalse paindlikkuse saavutamiseks lähteohu kuju modelleerimisel. Piiratud kuupmeetri splainid on üks meetod, mida hiljuti soovitati kirjanduses parameetrilise ellujäämisanalüüsi jaoks, kuna see meetod võimaldab kuju paindlikkust, kuid piirab funktsiooni lineaarsust otstes, kus andmeid on vähe. Splaine saab kasutada hinnangu parandamiseks ja need on kasulikud ka ekstrapoleerimiseks, kuna need maksimeerivad vaadeldavate andmetega maksimaalselt. Kui see on õigesti määratud, ei tohiks splaine kasutades sobivate mudelite mõju hinnangud olla kallutatud. Nagu teisteski regressioonianalüüsides, võivad splainide paigaldamise väljakutsed hõlmata sõlmede arvu ja asukoha valimist ning üleliigse paigaldamise probleeme.

Kuidas uurite parameetrilise mudeli sobivust?

Parameetrilise mudeli sobivuse hindamise kõige olulisem komponent on kontrollida, kas andmed toetavad määratud parameetrilist vormi. Seda saab visuaalselt hinnata, joonistades mudelipõhise kumulatiivse riski Kaplan-Meieri hinnangulise kumulatiivse ohu funktsiooni suhtes. Kui määratud vorm on õige, peaks graafik läbima alguspunkti kalle 1. Grønnesby-Borgani sobivuse testi saab kasutada ka selleks, kas vaadeldud sündmuste arv erineb eeldatavast sündmuste arvust oluliselt riskiskoori järgi diferentseeritud rühmades. See test on valitud rühmade arvu suhtes väga tundlik ja kipub liiga liberaalselt ümber lükkama piisava sobivuse nullhüpoteesi, kui valitakse palju gruppe, eriti väikestes andmekogumites. Kui aga valitakse liiga vähe rühmi, pole testil jõudu mudeli rikkumiste tuvastamiseks. Sel põhjusel tundub ebasoovitav tugineda ainult sobivuse testile, et teha kindlaks, kas määratud parameetrivorm on mõistlik.

AIC-d saab kasutada ka erinevate parameetriliste vormidega käitatavate mudelite võrdlemiseks, kusjuures madalaim AIC näitab parimat sobivust. AIC-d ei saa kasutada parameetriliste ja poolparameetriliste mudelite võrdlemiseks, kuna parameetrilised mudelid põhinevad vaadeldavatel sündmuste aegadel ja poolparameetrilised mudelid põhinevad sündmuste aegade järjestusel. Jällegi tuleks nende tööriistade abil uurida, kas määratud vorm sobib andmetega, kuid parameetrilise vormi valimisel on endiselt kõige olulisem kindlaksmääratud alusohu usaldusväärsus.

Kui määratud parameetrivorm on andmetele sobivaks määratud, saab erinevate mudelite vahel valimiseks kasutada sarnaseid meetodeid, mida varem kirjeldati poolproportsiooniliste ohumudelite puhul, näiteks jääkdiagrammide ja sobivuse testide vahel.

Mis siis, kui ennustajad aja jooksul muutuvad?

Eespool kirjutatud näidisavaldustes oleme eeldanud, et riskipositsioonid on jälgimise käigus konstantsed. Kokkupuuteid, mille väärtused muutuvad ajas, või ajas muutuvaid muutujaid, võib lisada ellujäämismudelitesse, muutes analüüsi ühiku indiviidilt ajaperioodile, mil kokkupuude on konstantne. See jagab üksikisikute inimese-aja intervallideks, millest iga inimene aitab kaasa selle kovariaadi jaoks kokkupuutuvate ja valgustamata riskide hulka. Peamine eeldus ajas muutuva kovariaadi lisamise kohta sel viisil on see, et ajas varieeruva kovariaadi mõju ei sõltu ajast.

Coxi proportsionaalse ohumudeli puhul oleks ajas muutuva kovariaadi lisamine järgmine: h (t) = h0 (t) e ^ β1x1 (t). Parameetrilistesse mudelitesse võib lisada ka ajas muutuvaid kovariaate, ehkki neid on veidi keerulisem ja raskesti tõlgendatav. Parameetriliste mudelitega saab suurema paindlikkuse huvides modelleerida ka ajas muutuvaid kovariaate splainide abil.

Üldiselt tuleks kasutada ajas muutuvaid kovariaate, kui oletatakse, et oht sõltub rohkem kovariaadi hilisematest väärtustest kui kovariaadi väärtusest algtasemel. Ajas muutuvate ühismuutujate puhul tekkivateks väljakutseteks on puuduvad andmed kovariaadi kohta erinevatel ajahetkedel ja potentsiaalne eelarvamused ohu hindamisel, kui ajas muutuv kovariaat on tegelikult vahendaja.

Mis on konkureeriv riskianalüüs?

Traditsioonilised ellujäämisanalüüsi meetodid eeldavad, et toimub ainult ühte tüüpi huvipakkuv sündmus. Siiski on olemas täiustatud meetodid, mis võimaldavad uurida mitut tüüpi sündmusi ühes uuringus, näiteks surma mitmel põhjusel. Nendes uuringutes kasutatakse konkurentsivõimelist riskianalüüsi, mille puhul elulemuse kestus lõpetatakse esimesena mitmest sündmusest. Vaja on erimeetodeid, sest iga sündmuse aja eraldi analüüsimine võib olla kallutatud. Täpsemalt selles kontekstis kipub KM meetod sündmusi kogevate subjektide osakaalu üle hindama. Võistlevas riskianalüüsis kasutatakse kumulatiivse esinemissageduse meetodit, mille korral sündmuse üldine tõenäosus on igal ajal sündmusespetsiifiliste tõenäosuste summa. Mudeleid rakendatakse tavaliselt iga uuringus osaleja sisestamise kaudu mitu korda - üks sündmuse tüübi kohta. Iga uuringus osaleja jaoks tsenseeritakse iga sündmuseni jõudmise aeg ajast, mil patsient esimest sündmust koges. Lisateavet leiate aadressilt advancedepidemiology.org konkureerivad riskid .

Mis on nõrkuse mudelid ja miks need on omavahel seotud andmete jaoks kasulikud?

Korrelatsiooniga elulemuse andmed võivad tekkida korduvate sündmuste tõttu, mida üksikisik kogeb, või siis, kui vaatlused on rühmitatud rühmadesse. Kas teadmiste puudumise tõttu või teostatavuse huvides ei pruugi mõnda huvitava sündmusega seotud kovariaati mõõta. Frailty mudelid arvestavad mõõtmata ühismuutujate põhjustatud heterogeensusega, lisades juhuslikud efektid, mis toimivad ohufunktsioonile mitmekordselt. Frailty mudelid on sisuliselt Coxi mudeli laiendused, lisades juhuslikke efekte. Kuigi nende mudelite kirjeldamiseks kasutatakse erinevaid klassifitseerimisskeeme ja nomenklatuuri, on nelja nõrga mudeli tavaliseks tüübiks jagatud, pesastatud, ühine ja aditiivne nõrkus.

Kas korduvate sündmuste andmete analüüsimiseks on muid lähenemisviise?

Korduvate sündmuste andmed on omavahel seotud, kuna samal subjektil võib esineda mitu sündmust. Ehkki nõrkusmudelid on üks kord selle korrelatsiooni arvestamiseks korduvate sündmuste analüüsimisel, on lihtsama lähenemisviisiga, mis võib selle korrelatsiooni arvesse võtta, ka tugevate standardvigade (SE) kasutamine. Tugevate SE lisamisega saab korduvate sündmuste analüüsi teha kas poolparameetriliste või parameetriliste mudelite lihtsa laiendusena.

Ehkki seda on lihtne rakendada, on tugevate SE-de abil korduvate sündmuste andmete modelleerimiseks mitu võimalust. Need lähenemised erinevad sellest, kuidas nad määravad iga kordumise riski. Nii vastavad nad veidi erinevatele uurimisküsimustele, seega peaks kasutatava modelleeriva lähenemise valik põhinema uuringu hüpoteesil ja modelleerimise eelduste paikapidavusel.

Loendamisprotsessi ehk Andersen-Gilli lähenemisviis korduvate sündmuste modelleerimisel eeldab, et iga kordumine on iseseisev sündmus ega võta arvesse sündmuste järjekorda ega tüüpi. Selles mudelis algab iga õppeaine jälgimisaeg uuringu alguses ja see jagatakse sündmuste (korduste) järgi määratletud segmentideks. Katsealused aitavad kaasa sündmusele seatud riskile seni, kuni neid sel ajal jälgitakse (ei tsenseerita). Neid mudeleid on lihtne kasutada Coxi mudelina koos tugeva SE-hinnangu lisamisega ja ohusuhteid tõlgendatakse kui kovariaadi mõju kordumisprotsendile jälgimisperioodil. See mudel oleks aga sobimatu, kui sõltumatuse eeldus pole mõistlik.

Tingimuslikud lähenemisviisid eeldavad, et subjekt ei ole järgmise sündmuse ohus enne eelneva sündmuse toimumist, ja võtab seetõttu arvesse sündmuste järjekorda. Need sobivad kihistunud mudeli abil, kusjuures kihtide muutujaks on sündmuse number (või sel juhul kordumiste arv) ja sealhulgas tugevad SEd. On kaks erinevat tingimuslikku lähenemisviisi, mis kasutavad erinevaid ajaskaalasid, ja seetõttu on neil erinevad riskikomplektid. Tingimusliku tõenäosuse lähenemisviisis kasutatakse ajavahemike määratlemiseks aega alates uuringu algusest ja see on asjakohane, kui huvi on korduva sündmuse protsessi täieliku kulgemise vastu. Vaheaja lähenemine lähtestab sisuliselt iga kordumise aja, kasutades ajaintervallide määratlemiseks eelmisest sündmusest möödunud aega, ja on sobivam, kui huvi pakub sündmuse (või kordumise) spetsiifiline mõju hinnang.

Lõpuks, marginaalsed lähenemised (tuntud ka kui WLW - Wei, Lin ja Weissfeld - lähenemine) peavad iga sündmust eraldi protsessiks, nii et uuritavaid ohustavad kõik sündmused juba jälgimise algusest peale, olenemata sellest, kas nad kogesid eelnev sündmus. See mudel on sobiv, kui arvatakse, et sündmused tulenevad erinevatest alusprotsessidest, nii et katsealune saaks kogeda näiteks kolmandat sündmust, ilma et peaks seda kogema. Ehkki see eeldus näib teatud tüüpi andmetega, näiteks vähi kordumine, ebausutav, saab seda kasutada vigastuste kordumise modelleerimiseks teatud aja jooksul, kui katsealused said aja jooksul kogeda erinevat tüüpi vigastusi, millel pole loomulikku korda. Piirmudelid sobivad ka tugevate SE-dega kihistatud mudelite abil.

Näidud

Selle projekti eesmärk oli kirjeldada metoodilisi ja analüütilisi otsuseid, mis võivad tekkida ajalise sündmuse andmetega töötamisel, kuid see pole sugugi ammendav. Allpool on toodud ressursid, et nendesse teemadesse süveneda.

Õpikud ja peatükid

Vittinghoff E, Glidden DV, Shiboski SC, McCulloch CE (2012). Regressioonimeetodid biostatistikas, 2. New York, NY: Springer.

  • Lineaarse, logistilise, ellujäämis- ja korduvate mõõtude mudelite sissejuhatav tekst on parim neile, kes soovivad põhilist lähtepunkti.

  • Ellujäämisanalüüsi peatükk annab hea ülevaate, kuid mitte sügavust. Näited on STATA-põhised.

Hosmer DW, Lemeshow S, May S. (2008) Applied Survival Analysis: regressiooni modelleerimine aja-sündmuseni andmetest, 2. väljaanne. Hoboken, NJ: John Wiley & Sons, Inc.

  • Põhjalik ülevaade mitteparameetrilistest, poolparameetrilistest ja parameetrilistest Cox-mudelitest, parim neile, kes on teadlikud teistes statistikavaldkondades. Täiustatud tehnikaid ei käsitleta põhjalikult, kuid viidatakse teistele erialaõpikutele.

Kleinbaumi peadirektoraat, Klein M (2012). Ellujäämise analüüs: iseõppiv tekst, 3. väljaanne New York, NY: Springer Science + Business Media, LLC

  • Suurepärane sissejuhatav tekst

Klein JP, Moeschberger ML (2005). Ellujäämise analüüs: tsenseeritud ja kärbitud andmete tehnikad, 2. väljaanne New York, NY: Springer Science + Business Media, LLC

  • mõeldud kraadiõppuritele, pakub see raamat palju praktilisi näiteid

Therneau TM, Grambsch PM (2000). Ellujäämisandmete modelleerimine: Coxi mudeli laiendamine. New York, NY: Springer Science + Business Media, LLC

  • Hea sissejuhatus protsessi lähenemise loendamisse ja korrelatsiooniga seotud elulemuse andmete analüüsimisse. Autor kirjutas ellujäämispaketi ka R-s

Allison PD (2010). Ellujäämise analüüs SAS-i abil: praktikajuhend, 2. väljaanne Cary, NC: SAS-i instituut

  • Suurepärane rakendustekst SAS-i kasutajatele

Bagdonavicius V, Nikulin M (2002). Kiirendatud elumudelid: modelleerimine ja statistiline analüüs. Boca Raton, FL: Chapman & Hall / CRC Press.

  • Hea ressurss lisateabe saamiseks parameetriliste ja poolparameetriliste kiirendatud rikkeaja mudelite kohta ja nende võrdlemise kohta proportsionaalsete ohumudelitega

Metoodilised artiklid

Sissejuhatavad artiklid

Hougaard P (1999). Ellujäämisandmete alused. Biomeetria 55 (1): 13-22. PMID: 11318147 .

Clark TG, Bradburn MJ, Love SB, Altmani peadirektoraat (2003). Ellujäämisanalüüsi I osa: põhimõisted ja esimesed analüüsid. Br J Vähk 89 (2): 232-8. PMID: 12865907

Clark TG, Bradburn MJ, Love SB, Altmani peadirektoraat (2003). Ellujäämisanalüüs II osa: mitmemõõtmeline andmete analüüs - sissejuhatus mõistetesse ja meetoditesse. Br J Vähk 89 (3): 431-6. PMID: 1288808

Clark TG, Bradburn MJ, Love SB, Altmani peadirektoraat (2003). Ellujäämisanalüüs II osa: mitmemõõtmeline andmete analüüs - mudeli valimine ning selle adekvaatsuse ja sobivuse hindamine. Br J Cancer 89 (4): 605-11. PMID: 12951864

Clark TG, Bradburn MJ, Love SB, Altmani peadirektoraat (2003). Ellujäämisanalüüsi IV osa: edasised kontseptsioonid ja meetodid ellujäämisanalüüsis. Br J Cancer 89 (5): 781-6. PMID: 12942105

  • Ülaltoodud neljast artiklist koosnev sari on suurepärane sissejuhatav ülevaade ellujäämisanalüüsi meetoditest, mis on äärmiselt hästi kirjutatud ja hõlpsasti mõistetav - see on väga soovitatav.

Vanus ajaskaalana

Korn EL, Graubard BI, Midthune D (1997). Uuringu pikisuunalise jälgimise aeg-sündmus-analüüs: ajaskaala valik. Am J Epidemiol 145 (1): 72-80. PMID: 8982025

  • Paber, milles toetatakse vanuse kasutamist ajakava asemel õppimise ajana.

Ingram DD, Makuc DM, Feldman JJ (1997). Re: Uuringu pikisuunalise jälgimise aeg-sündmus-analüüs: ajaskaala valik. Am J Epidemiol 146 (6): 528-9. PMID: 9290515 .

  • Kommenteerige Korni artiklit, milles kirjeldatakse ettevaatusabinõusid, mida tuleb vanuse kasutamisel ajaskaalana kasutada.

Thiébaut AC, Bénichou J (2004). Ajaskaala valik epidemioloogiliste kohordi andmete Coxi mudelanalüüsis: simulatsiooniuuring. Stat Med 30; 23 (24): 3803-20. PMID: 15580597

  • Simulatsiooniuuring, mis näitab vanuse ja huvipakkuva kovariaadi vahelise seose erineva astme kallutatuse suurust, kui kasutada uuringus osalevat aega ajaskaalana.

Canchola AJ, Stewart SL, Bernstein L jt. Coxi regressioon erinevate ajaskaalade abil. Saadaval aadressil: http://www.lexjansen.com/wuss/2003/DataAnalysis/i-cox_time_scales.pdf .

  • Kena artikkel, milles võrreldi 5 Coxi regressioonimudelit varieerumisega kas õpiaja või vanuse kohta SAS-koodiga.

Tsenseerimine

Huang CY, Ning J, Qin J (2015). Vasakpoolselt kärbitud ja parempoolses tsenseeritud andmete poolparameetriline tõenäosuse järeldus. Biostatistika [epub] PMID: 25796430 .

äge seljaaju vigastus
  • Selles artiklis on kena sissejuhatus tsenseeritud andmete analüüsimisse ja see annab uue hindamisprotseduuri ellujäämisaja jaotuse kohta vasakul kärbitud ja paremal tsenseeritud andmetega. See on väga tihe ja sellel on arenenud statistiline fookus.

Cain KC, Harlow SD, Little RJ, Nan B, Yosef M, Taffe JR, Elliott MR (2011). Arengu- ja haigusprotsesside pikiuuringutes vasakpoolse kärpimise ja vasaku tsenseerimise tõttu tekkinud kallutatus. Am J Epidemiol 173 (9): 1078-84. PMID: 21422059 .

  • Suurepärane ressurss, mis selgitab vasaktsenseeritud andmetele omast kallutatust epidemioloogilisest vaatenurgast.

Sun J, Sun L, Zhu C (2007). Intervalltsensuuriga andmete proportsionaalse koefitsiendimudeli testimine. Eluaegne andmeanalüüs 13: 37–50. PMID 17160547 .

  • Veel üks statistiliselt tihe artikkel TTE andmete analüüsi nüansirikkast aspektist, kuid annab hea intervalltsensuuriga andmete selgituse.

Robins JM (1995a) Analüütiline meetod informatiivse tsenseerimisega randomiseeritud uuringute jaoks: I osa. Eluaegsete andmete analüüs 1: 241–254. PMID 9385104 .

Robins JM (1995b) Analüütiline meetod informatiivse tsenseerimisega randomiseeritud uuringute jaoks: II osa. Eluaegne andmeanalüüs 1: 417–434. PMID 9385113 .

  • Kaks artiklit, milles käsitletakse informatiivse tsensuuri käsitlemise meetodeid.

Mitteparameetrilised ellujäämismeetodid

Borgan Ø (2005) Kaplan-Meieri hindaja. Biostatistika entsüklopeedia DOI: 10.1002 / 0470011815.b2a11042

  • Suurepärane ülevaade Kaplan-Meieri hinnangust ja selle seosest Nelsoni-Aaleni hinnanguga

Rodríguez G (2005). Mitteparameetriline hinnang ellujäämismudelites. Saadaval: http://data.princeton.edu/pop509/NonParametricSurvival.pdf

  • Sissejuhatus mitteparameetrilistesse meetoditesse ja Coxi proportsionaalse ohu mudel, mis selgitab meetodite vahelisi seoseid matemaatiliste valemitega

Cole SR, Hernan MA (2004). Kohandatud elulemuskõverad pöördvõimalike tõenäosuskaaludega. Arvutusmeetodite programmid Biomed 75 (1): 35–9. PMID: 15158046

  • Kirjeldab IPW kasutamist kohandatud Kaplan-Meieri kõverate loomiseks. Sisaldab näidet ja SAS-i makrot.

Zhang M (2015). Tugevad meetodid efektiivsuse parandamiseks ja eelarvamuste vähendamiseks elulemuskõverate hindamisel randomiseeritud kliinilistes uuringutes. Eluaegne andmete analüüs 21 (1): 119-37. PMID: 24522498

  • Pakutud meetod kovariaadiga kohandatud elulemuskõverate jaoks RCT-des

Poolparameetrilised ellujäämismeetodid

Cox DR (1972) Regressioonimudelid ja elutabelid (aruteluga). J R Statist Soc B 34: 187–220.

  • Klassikaline viide.

Christensen E (1987) Mitmemõõtmeline elulemuse analüüs, kasutades Coxi regressioonimudelit. Hepatology 7: 1346–1358. PMID 3679094 .

  • Kirjeldab motiveeriva näite abil Coxi mudeli kasutamist. Suurepärane ülevaade Coxi mudeli analüüsi põhiaspektidest, sealhulgas Coxi mudeli sobitamine ja mudeli eelduste kontrollimine.

Grambsch PM, Therneau TM (1994) Kaalutud jääkidel põhinevad proportsionaalsete ohtude testid ja diagnostika. Biometrika 81: 515–526.

  • Põhjalik dokument proportsionaalsete ohtude eelduse testimise kohta. Hea segu teooriast ja täpsemast statistilisest selgitusest.

Ng’andu NH (1997) Statistiliste testide empiiriline võrdlus Coxi mudeli proportsionaalsete ohtude eelduse hindamiseks. Stat Med 16: 611–626. PMID 9131751 .

  • Veel üks põhjalik artikkel proportsionaalsete ohtude eelduse testimise kohta, see sisaldab tsensuuri jääkide ja mõjude kontrollimise arutelu.

Parameetrilised ellujäämismeetodid

Rodrίguez, G (2010). Parameetrilised ellujäämismudelid. Saadaval: http://data.princeton.edu/pop509/ParametricSurvival.pdf

  • lühike sissejuhatus parameetrilise elulemuse analüüsis kasutatavate levinumate jaotuste hulka

Nardi A, Schemper M (2003). Coxi ja parameetrimudelite võrdlemine kliinilistes uuringutes. Stat Med 22 (23): 2597-610. PMID: 14652863

  • Pakub häid näiteid, kui võrrelda poolparameetrilisi mudeleid tavalisi parameetrilisi jaotusi kasutavate mudelitega, ja keskendutakse mudeli sobivuse hindamisele

Royston P, Parmar MK (2002). Tsenseeritud ellujäämisandmete paindlikud parameetrilised proportsionaalsed ohud ja proportsionaalsed koefitsiendid koos prognoosilise modelleerimise ja raviefektide hindamisega. Stat Med 21 (15): 2175-97. PMID: 12210632

  • Hea selgitus proportsionaalsete ohtude ja koefitsiendimudelite põhitõdede kohta ning võrdlused kuupkoonustega

Cox C, Chu H, Schneider MF, Muñoz A (2007). Parameetriline elulemuse analüüs ja ohufunktsioonide taksonoomia üldise gammajaotuse jaoks. Statist Med 26: 4352–4374. PMID 17342754 .

  • Pakub suurepärast ülevaadet parameetriliste ellujäämismeetodite kohta, sealhulgas ohufunktsioonide taksonoomia ja üldise gammajaotuse perekonna põhjalik arutelu.

Crowther MJ, Lambert PC (2014). Parameetrilise elulemuse analüüsi üldine raamistik. Stat Med 33 (30): 5280-97. PMID: 25220693

  • Kirjeldab tavaliselt kasutatavate parameetriliste jaotuste piiravaid eeldusi ja selgitab piiratud kuupmeetri spline-metoodikat

Sparling YH, Younes N, Lachin JM, Bautista OM (2006). Parameetrilised ellujäämismudelid intervalltsensuuriga andmete jaoks, mis sõltuvad ajast sõltuvatest kovariaatidest. Biomeetria 7 (4): 599-614. PMID: 16597670

  • Laiendus ja näide selle kohta, kuidas kasutada parameetrilisi mudeleid intervalltsenseeritud andmetega

Ajas muutuvad ühismuutujad

Fisher LD, Lin DY (1999). Ajast sõltuvad ühismuutujad Coxi proportsionaalsete ohtude regressioonimudelis. Annu Rev rahvatervis 20: 145-57. PMID: 10352854

  • Põhjalik ja hõlpsasti mõistetav ajamuutuvate kovariaatide selgitus Coxi mudelites koos matemaatilise lisaga

Petersen T (1986). Parameetriliste ellujäämismudelite sobitamine ajast sõltuvate kovariaatidega. Appl Statist 35 (3): 281-88.

  • Tihe artikkel, kuid kasuliku rakendatud näitega

Konkureeriv riskianalüüs

Vt Konkureerivad riskid

Tai B, Machin D, White I, Gebski V (2001) Osteosarkoomiga patsientide riskianalüüs: nelja erineva lähenemisviisi võrdlus. Stat Med 20: 661–684. PMID 11241570 .

  • Hea põhjalik artikkel, mis kirjeldab nelja erinevat meetodit konkureerivate riskianalüüside analüüsimiseks ja kasutab osteosarkoomiga patsientide randomiseeritud uuringu andmeid nende nelja lähenemisviisi võrdlemiseks.

Checkley W, Brower RG, Muñoz A (2010). Järeldus üksteist välistavate konkureerivate sündmuste kohta üldistatud gammajaotuste segu kaudu. Epidemioloogia 21 (4): 557–565. PMID 20502337 .

  • Paber konkureerivate riskide kohta, kasutades üldist gammajaotust.

Rühmitatud andmete ja nõrkuse mudelite analüüs

Yamaguchi T, Ohashi Y, Matsuyama Y (2002) Juhuslike mõjudega proportsionaalsete ohtude mudelid, et uurida keskuse mõjusid mitmekeskuselistes vähktõve kliinilistes uuringutes. Stat Methods Med Res 11: 221–236. PMID 12094756 .

  • Suurte teoreetiliste ja matemaatiliste selgitustega paber klastrite arvestamise kohta mitme keskuse kliiniliste uuringute ellujäämisandmete analüüsimisel.

O’Quigley J, Stare J (2002) Hapruste ja juhuslike mõjudega proportsionaalsete ohtude mudelid. Stat Med 21: 3219–3233. PMID 12375300 .

  • Nõrkuse mudelite ja juhuslike efektide mudelite võrdlus.

Balakrishnan N, Peng Y (2006). Üldistatud gamma nõrkusmudel. Statist Med 25: 2797–2816. PMID

Rondeau V, Mazroui Y, Gonzalez JR (2012). frailtypack: R-pakett korreleeritud ellujäämisandmete analüüsimiseks Frailty-mudelitega, kasutades karistatud tõenäosuse hinnangut või parameetrilist hinnangut. Statistikatarkvara ajakiri 47 (4): 1-28.

  • R pakendi vinjett, millel on hea taustinformatsioon nõrkade mudelite kohta.

Schaubel DE, Cai J (2005). Neerupuudulikkusega patsientide rühmitatud korduvate sündmuste andmete analüüs koos haiglaravi määradega. Biostatistika 6 (3): 404-19. PMID 15831581 .

  • Suurepärane paber, milles autorid esitavad kaks meetodit rühmitatud korduvate sündmuste andmete analüüsimiseks ja seejärel võrreldakse pakutud mudelite tulemusi nõrkuse mudeli põhjal.

Gharibvand L, Liu L (2009). Ellujäämisandmete analüüs rühmitatud sündmustega. SASi ülemaailmse foorumi 2009. aasta dokument 237-2009.

  • Lühike ja hõlpsasti mõistetav allikas, et analüüsida SAS-protseduuridega rühmitatud sündmustega toimuvate andmete sündmusteni jõudmise aega.

Korduva sündmuse analüüs

Twisk JW, Smidt N, de Vente W (2005). Korduvate sündmuste rakenduslik analüüs: praktiline ülevaade. J Epidemiol Community Health 59 (8): 706-10. PMID: 16020650

  • Väga lihtne mõista korduvate sündmuste modelleerimise sissejuhatust ja riskikomplektide kontseptsiooni

Villegas R, Juliá O, Ocaña J (2013). Empiiriline uuring korrelatiivsete elulemuste kohta korduvate sündmuste korral proportsionaalsete ohtude piiridega ning korrelatsiooni ja tsenseerimise mõjudega. BMC Med Res Methodol 13:95. PMID: 23883000

  • Korduvate sündmuste andmete erinevate mudelite usaldusväärsuse testimiseks kasutab simulatsioone

Kelly PJ, Lim LL (2000). Korduvate sündmuste andmete ellujäämisanalüüs: rakendus laste nakkushaiguste korral. Stat Med 19 (1): 13-33. PMID: 10623190

  • Korduvate sündmuste andmete modelleerimise nelja peamise lähenemisviisi rakendatud näited

Wei LJ, Lin DY, Weissfeld L (1989). Mitmemõõtmelise mittetäieliku rikkeaja andmete regressioonanalüüs marginaalsete jaotuste modelleerimise teel. Ameerika Statistikaühingu ajakiri84 (108): 1065-1073

Algne artikkel, mis kirjeldab korduvate sündmuste analüüsi marginaalmudeleid

Kursused

Columbia ülikooli epidemioloogia ja rahvastiku tervise suveinstituut (EPIC)

Statistiline horisont, eriala statistikaseminaride erateenuse pakkuja, keda õpetavad valdkonna eksperdid

Ülikoolidevaheline poliitiliste ja sotsiaalsete uuringute konsortsium (ICPSR) Michigani ülikooli sotsiaaluuringute instituudi osa Sotsiaaluuringute kvantitatiivsete meetodite suveprogramm

  • Kolmepäevane seminar ellujäämisanalüüsi, sündmuste ajaloo modelleerimise ja kestuse analüüsi kohta pakuti 22. – 24. Juunil 2015 Berkeleys, CA, mida õpetas Tenko Raykov Michigani osariigi ülikoolist. Põhjalik ülevaade elulemuse meetoditest erialade lõikes (mitte ainult rahvatervise valdkonnas): http://www.icpsr.umich.edu/icpsrweb/sumprog/courses/0200

Statistikauuringute Instituut pakub ellujäämisanalüüsiks kahte veebikursust, mida pakutakse mitu korda aastas. Need kursused põhinevad Kleini ja Kleinbaumi rakendatud analüüsi õpikul (vt allpool) ja neid saab võtta a la carte või osana statistika sertifikaatide programmist:

UCLA digitaalsete teadusuuringute ja hariduse instituut pakub oma veebisaidi kaudu erinevates statistilistes tarkvarades ellujäämisanalüüsi jaoks seminare, mida nad nimetavad. Need seminarid demonstreerivad rakendatud ellujäämisanalüüsi läbiviimist, keskendudes rohkem koodile kui teooriale.

Huvitavad Artiklid

Toimetaja Valik

Sarawaki aruande ja Malaysia Insideri juhtum
Sarawaki aruande ja Malaysia Insideri juhtum
Columbia ülemaailmne sõnavabadus püüab edendada rahvusvaheliste ja riiklike normide ja institutsioonide mõistmist, mis kõige paremini kaitsevad teabe ja väljenduse vaba liikumist omavahel seotud globaalses kogukonnas, kus on peamised ühised väljakutsed. Missiooni saavutamiseks võtab globaalne väljendusvabadus ette ja tellib uurimis- ja poliitikaprojekte, korraldab üritusi ja konverentse ning osaleb 21. sajandil toimuvates sõnavabaduse ja teabevabaduse kaitse üle peetavates ülemaailmsetes aruteludes ning panustab nendesse.
Keskaegne Euroopa
Keskaegne Euroopa
Kursused: Üliõpilased peavad registreeruma esimesel kursusel grupis GR8910 Sissejuhatus ajaloosse ja historiograafiasse ning esimese kahe aasta jooksul mingil hetkel õppima GR8061 Pre-Modern Euroopa ajaloo teemadel.
Herpesinfektsiooniga seotud autismi risk raseduse ajal
Herpesinfektsiooniga seotud autismi risk raseduse ajal
Columbia ülikooli Mailmani rahvatervise kooli nakkuste ja immuunsuse keskuse teadlaste uuringu kohaselt oli raseduse alguses raseduse ajal aktiivselt suguelundite herpese nakatunud naistel kaks korda suurem tõenäosus sündida laps, kellel hiljem diagnoositi autismispektri häire (ASD). ja Norra rahvatervise instituut. Uuring on esimene, mis esitas
Proua Bovary, see olen mina
Proua Bovary, see olen mina
Laupäeva hommik ja kihutame mööda treppe 50. tänava C / E rongini. Tormame läbi pooleldi valgustatud koridori ja tuleme pöördväravate juurde. Ühe harjutatud liigutusega pistab Susan oma raamatu vasaku kaenla alla, eemaldab MetroCardi, mis märkis tema koha lehel 338, ja pühib puhtalt läbi.
T-särgid ja käärid: tehke isetehtud tõenduspõhine kaitsemask
T-särgid ja käärid: tehke isetehtud tõenduspõhine kaitsemask
Aprilli alguses kuulutas Valge Maja välja uued USA haiguste tõrje ja ennetamise keskused, soovitades kõigil ameeriklastel kanda riidest näokatteid väljaspool kodu. Kuid jaemüügivarud on enamasti tagantjärele tellitud, kuid ameeriklased on sunnitud leppima alternatiividega nagu bandaanad ja sallid või kasutama oma võimalusi ja minema. Arst Virginia Dato, MPH
Ta on CNN-i kangelane: vilistlane David Flink näeb LD-d kui õppimist erinevalt
Ta on CNN-i kangelane: vilistlane David Flink näeb LD-d kui õppimist erinevalt
Õpetajate kõrgkooli vilistlane David Flink (M.A. ’08), õppepuudega inimeste / ADHD inimeste poolt juhitud mentorlusliikumise Eye to Eye asutaja ja juhtivtöötaja on nimetatud CNN-i kangelaseks.
VIRTUAALNE ÜRITUS. Riigi toetatud kaaperdamine ja rahvusvahelised vastused: Ryanairi juhtumi poliitiline väljakutse
VIRTUAALNE ÜRITUS. Riigi toetatud kaaperdamine ja rahvusvahelised vastused: Ryanairi juhtumi poliitiline väljakutse