Galvenais Cits Laika līdz notikumam datu analīze

Laika līdz notikumam datu analīze

Pārskats

Programmatūra

Apraksts

Vietnes

Lasījumi

Kursi

Pārskats

Šajā lapā īsi aprakstīta virkne jautājumu, kas jāņem vērā, analizējot laika līdz notikumam datus, un sniegta anotētu resursu saraksts, lai iegūtu vairāk informācijas.

Apraksts

Kas ir unikāls laika līdz notikumam (TTE) datos?

Laika līdz notikumam (TTE) dati ir unikāli, jo interesējošais rezultāts ir ne tikai tas, vai notikums notika, bet arī tad, kad šis notikums notika. Tradicionālās loģistiskās un lineārās regresijas metodes nav piemērotas, lai modelī varētu iekļaut kā notikuma, tā laika aspektus. Tradicionālās regresijas metodes arī nav aprīkotas, lai apstrādātu cenzēšanu - īpaša veida trūkstošos datus, kas rodas laika līdz notikuma analīzei, kad subjekti novērošanas laikā nepiedzīvo interesējošo notikumu. Cenzūras klātbūtnē patiesais notikuma laiks tiek nenovērtēts. Īpaši TTE datu paņēmieni, kas tiks apspriesti turpmāk, ir izstrādāti, lai izmantotu daļēju informāciju par katru subjektu ar cenzētiem datiem un sniegtu objektīvu izdzīvošanas novērtējumu. Šajos paņēmienos ir iekļauti dati no vairākiem laika punktiem dažādos priekšmetos, un tos var izmantot, lai tieši aprēķinātu likmes, laika attiecību un bīstamības attiecību.

Kādi ir svarīgi laika un notikuma datu metodoloģiskie apsvērumi?

Laika līdz notikumam vai izdzīvošanas datu analīzē ir 4 galvenie metodoloģiskie apsvērumi. Ir svarīgi precīzi definēt mērķa notikumu, laika izcelsmi, laika skalu un aprakstīt, kā dalībnieki iziet no pētījuma. Kad tie ir precīzi definēti, analīze kļūst tiešāka. Parasti ir viens mērķa notikums, taču pastāv izdzīvošanas analīzes paplašinājumi, kas pieļauj vairākus notikumus vai atkārtotus notikumus.

kodolbumbas ietekme

Kāda ir laika izcelsme?

Laika izcelsme ir brīdis, kurā sākas pārraudzības laiks. TTE datos var izmantot dažādus laika avotus, kurus lielā mērā nosaka pētījuma plāns, un katram no tiem ir saistīti ieguvumi un trūkumi. Piemēri ietver sākuma laiku vai sākuma vecumu. Laika izcelsmi var noteikt arī ar noteiktu raksturlielumu, piemēram, iedarbības sākumu vai diagnozi. Tā bieži ir dabiska izvēle, ja rezultāts ir saistīts ar šo īpašību. Citi piemēri ir dzimšana un kalendārais gads. Kohortas pētījumiem laika skala visbiežāk ir pētījuma laiks.

Vai ir cita laika grafika opcija, izņemot laiku, kas pavadīts mācībās?

Vecums ir vēl viena bieži lietota laika skala, kur sākotnējais vecums ir laika izcelsme, un indivīdi iziet no notikuma vai cenzūras vecuma. Modeļus ar vecuma skalu var pielāgot kalendāra efektiem. Daži autori iesaka par laika skalu izmantot vecumu, nevis mācību laiku, jo tas var sniegt mazāk tendenciozus aprēķinus.

Kas ir cenzēšana?

Viens no izdzīvošanas analīzei raksturīgajiem izaicinājumiem ir tāds, ka tikai daži indivīdi būs pieredzējuši notikumu līdz pētījuma beigām, un tāpēc izdzīvošanas laiki nebūs zināmi pētāmās grupas apakškopai. Šo fenomenu sauc par cenzēšanu, un tas var rasties šādos veidos: pētījuma dalībnieks līdz pētījuma beigām vēl nav pieredzējis attiecīgo rezultātu, piemēram, recidīvu vai nāvi; pētījuma dalībnieks tiek zaudēts pēcpārbaudei mācību periodā; vai arī pētījuma dalībnieks piedzīvo citu notikumu, kas padara turpmāku uzraudzību neiespējamu. Šādi cenzētie intervālu laiki nenovērtē patieso, bet nezināmo notikuma laiku. Lielākajā daļā analītisko pieeju tiek pieņemts, ka cenzēšana ir nejauša vai neinformatīva.

Ir trīs galvenie cenzēšanas veidi: labais, kreisais un intervāls. Ja notikumi notiek pēc pētījuma beigām, dati tiek cenzēti pa labi. Kreisajā pusē cenzētie dati rodas, kad tiek novērots notikums, bet precīzs notikuma laiks nav zināms. Intervālā cenzētie dati rodas, kad tiek novērots notikums, bet dalībnieki ienāk un novēro, tāpēc precīzs notikuma laiks nav zināms. Lielākā daļa izdzīvošanas analītisko metožu ir paredzētas labo cenzūru novērojumiem, taču ir pieejamas intervāla un kreisās cenzūras datu metodes.

Kāds ir interešu jautājums?

Analītiskā rīka izvēle jāvadās pēc interesējošā pētījuma jautājuma. Izmantojot TTE datus, pētījuma jautājumam var būt vairākas formas, kas ietekmē to, kura izdzīvošanas funkcija ir visatbilstošākā pētījuma jautājumam. Trīs dažādi pētījumu jautājumu veidi, kas varētu interesēt TTE datus, ir šādi:

  1. Cik liela daļa cilvēku pēc noteikta laika paliks bez pasākuma?

  2. Kādai daļai cilvēku būs notikums pēc noteikta laika?

  3. Kāds ir notikuma risks noteiktā laika posmā starp tiem, kuri ir izdzīvojuši līdz šim brīdim?

Katrs no šiem jautājumiem atbilst dažāda veida funkcijām, ko izmanto izdzīvošanas analīzē:

  1. Izdzīvošanas funkcija, S (t): varbūtība, ka indivīds izdzīvos pēc laika t [Pr (T> t)]

  2. Varbūtības blīvuma funkcija, F (t) vai kumulatīvā sastopamības funkcija, R (t): varbūtība, ka indivīda izdzīvošanas laiks būs mazāks vai vienāds ar t [Pr (T≤t)]

  3. Bīstamības funkcija, h (t): momentāna iespēja piedzīvot notikumu laikā t, ar nosacījumu, ka tas ir izdzīvojis līdz tam laikam

  4. Kumulatīvā bīstamības funkcija, H (t): bīstamības funkcijas integrālis no 0 līdz laikam t, kas ir vienāds ar laukumu zem līknes h (t) starp laiku 0 un laiku t

Ja viena no šīm funkcijām ir zināma, citas funkcijas var aprēķināt, izmantojot šādas formulas:

S (t) = 1 - F (t) Izdzīvošanas funkcija un varbūtības blīvuma funkcija summējas ar 1

h (t) = f (t) / S (t) Tūlītējais apdraudējums ir vienāds ar beznosacījuma varbūtību

piedzīvo notikumu laikā t, kuru palielina laika t laikā dzīvā daļa

H (t) = -log [S (t)] Kumulatīvā bīstamības funkcija ir vienāda ar izdzīvošanas negatīvo žurnālu

funkciju

S (t) = e – H (t) Izdzīvošanas funkcija ir vienāda ar eksponēto negatīvo kumulatīvo risku

funkciju

Šie pārveidojumi bieži tiek izmantoti izdzīvošanas analīzes metodēs, kā tas tiks apspriests turpmāk. Parasti h (t), momentānās bīstamības, pieaugums novedīs pie H (t) palielināšanās, kumulatīvā riska, kas izpaužas kā izdzīvošanas funkcijas S (t) samazināšanās.

Kādi pieņēmumi jāizdara, lai izmantotu standarta metodes datiem par laiku līdz notikumam?

Galvenais pieņēmums, analizējot TTE datus, ir neinformatīvas cenzūras pieņēmums: cenzētiem indivīdiem ir tāda pati varbūtība piedzīvot nākamo notikumu kā indivīdiem, kuri paliek pētījumā. Informatīvā cenzēšana ir analoga nezināmajiem trūkstošajiem datiem, kas neitralizēs analīzi. Nav noteikta veida, kā pārbaudīt, vai cenzēšana nav informatīva, lai gan cenzēšanas modeļu izpēte var norādīt, vai neinformatīvas cenzēšanas pieņēmums ir pamatots. Ja ir aizdomas par informatīvo cenzēšanu, jutīguma analīzes, piemēram, labākā un sliktākā scenārijus, var izmantot, lai mēģinātu kvantitatīvi noteikt informatīvās cenzūras ietekmi uz analīzi.

Vēl viens pieņēmums, analizējot TTE datus, ir tāds, ka pietiekamai statistikas jaudai ir pietiekams novērošanas laiks un notikumu skaits. Tas jāņem vērā pētījuma plānošanas posmā, jo lielākā daļa izdzīvošanas analīžu ir balstītas uz kohorta pētījumiem.

Pieminēšanas vērti ir papildu vienkāršošanas pieņēmumi, jo tie bieži tiek izteikti pārdzīvojumu analīzes pārskatos. Lai gan šie pieņēmumi vienkāršo izdzīvošanas modeļus, tie nav nepieciešami, lai veiktu analīzes ar TTE datiem. Ja tiek pārkāpti šie pieņēmumi, var izmantot uzlabotas metodes:

  • Nav kohorta ietekmes uz izdzīvošanu: pieņemiet, ka kohortai ar ilgu vervēšanas periodu personām, kuras pievienojas agri, ir tādas pašas izdzīvošanas varbūtības kā tām, kuras pievienojas vēlu

  • Pareiza cenzēšana tikai datos

  • Notikumi ir neatkarīgi viens no otra

Kāda veida pieejas var izmantot izdzīvošanas analīzei?

TTE datu analīzei ir trīs galvenās pieejas: bezparametriskas, pusparametriskas un parametru pieejas. Izmantojamās pieejas izvēli vajadzētu virzīt uz interesējošo pētījumu jautājumu. Bieži vien vienā analīzē var atbilstoši izmantot vairāk nekā vienu pieeju.

Kādas ir neparametriskas pieejas izdzīvošanas analīzei un kad tās ir piemērotas?

Neparametriskas pieejas nepaļaujas uz pieņēmumiem par parametru formu vai formu pamata populācijā. Izdzīvošanas analīzē datu aprakstīšanai tiek izmantotas neparametriskas pieejas, novērtējot izdzīvošanas funkciju S (t), kā arī izdzīvošanas laika mediānu un kvartiles. Šo aprakstošo statistiku nevar aprēķināt tieši no datiem cenzēšanas dēļ, kas par zemu novērtē patieso izdzīvošanas laiku cenzētos priekšmetos, kā rezultātā tiek novirzīti vidējie, vidējie un citi aprakstošie rādītāji. Parametriskas pieejas bieži tiek izmantotas kā pirmais solis analīzē, lai ģenerētu objektīvu aprakstošu statistiku, un tās bieži lieto kopā ar daļēji parametru vai parametru pieejām.

Kaplana-Meiera aprēķinātājs

Literatūrā visizplatītākā neparametriskā pieeja ir Kaplana-Meiera (vai produkta robežas) novērtētājs. Kaplana-Meiera novērtētājs darbojas, sadalot S (t) novērtējumu pakāpju / intervālu virknē, pamatojoties uz novērotajiem notikumu laikiem. Novērojumi veicina S (t) novērtēšanu līdz notikuma iestāšanās brīdim vai līdz brīdim, kad tie tiek cenzēti. Katram intervālam tiek aprēķināta izdzīvošanas varbūtība līdz intervāla beigām, ņemot vērā, ka subjekti intervāla sākumā ir pakļauti riskam (to parasti apzīmē kā pj = (nj - dj) / nj). Aprēķinātais S (t) katrai t vērtībai ir vienāds ar katra intervāla izdzīvošanas reizinājumu ar laiku t ieskaitot. Šīs metodes galvenie pieņēmumi papildus neinformatīvai cenzēšanai ir tādi, ka cenzūra notiek pēc neveiksmēm un ka kohortas ietekme uz izdzīvošanu nepastāv, tāpēc subjektiem ir vienāda izdzīvošanas varbūtība neatkarīgi no tā, kad viņi nonāca pētījumā.

Aprēķināto S (t) pēc Kaplana-Meiera metodes var uzzīmēt kā pakāpenisku funkciju ar laiku uz X ass. Šis grafiks ir jauks veids, kā vizualizēt kohorta izdzīvošanas pieredzi, un to var izmantot arī, lai novērtētu izdzīvošanas laika mediānu (kad S (t) ≤0,5) vai kvartiles. Šo aprakstošo statistiku var aprēķināt arī tieši, izmantojot Kaplana-Meiera novērtētāju. 95% ticamības intervāli (CI) S ​​(t) balstās uz S (t) transformācijām, lai nodrošinātu, ka 95% TI ir 0 un 1 robežās. Visizplatītākā metode literatūrā ir Grīnvudas novērtētājs.

Dzīves tabulas aprēķinātājs

Izdzīvošanas funkcijas dzīves tabulas novērtētājs ir viens no agrākajiem piemēroto statistikas metožu piemēriem, kas vairāk nekā 100 gadus ticis izmantots, lai aprakstītu mirstību lielās populācijās. Dzīves tabulas aprēķinātājs ir līdzīgs Kaplana-Meiera metodei, izņemot to, ka intervālu pamatā ir kalendāra laiks, nevis novērotie notikumi. Tā kā dzīves tabulas metodes ir balstītas uz šiem kalendāra intervāliem, nevis uz atsevišķiem notikumiem / cenzēšanas laikiem, šīm metodēm tiek izmantots vidējais riska kopas lielums intervālā, lai novērtētu S (t), un jāpieņem, ka cenzēšana kalendāra laika intervālā notika vienmērīgi. Šī iemesla dēļ dzīves tabulas aprēķinātājs nav tik precīzs kā Kaplana-Meiera novērtētājs, taču ļoti lielos paraugos rezultāti būs līdzīgi.

Nelsona-Alena aprēķinātājs

Vēl viena alternatīva Kaplan-Meier ir Nelsona-Alena novērtētājs, kura pamatā ir skaitīšanas procesa pieejas izmantošana, lai novērtētu kumulatīvo bīstamības funkciju H (t). Pēc tam H (t) novērtējumu var izmantot, lai novērtētu S (t). Izmantojot šo metodi, iegūtās S (t) aplēses vienmēr būs lielākas nekā K-M aplēses, taču atšķirība starp abām metodēm lielos paraugos būs maza.

Vai nemaināmās vai daudzveidīgās analīzēs var izmantot parametrus neizmantojošas pieejas?

Neparametriskas pieejas, piemēram, Kaplana-Meiera novērtētāju, var izmantot, lai veiktu nemainīgu kategorisko interešu faktoru analīzi. Faktoriem jābūt kategoriskiem (vai nu pēc būtības, vai nepārtraukta mainīgā lieluma, kas sadalīts kategorijās), jo izdzīvošanas funkcija S (t) tiek aprēķināta katram kategoriskā mainīgā līmenim un pēc tam tiek salīdzināta visās grupās. Katrai grupai aprēķināto S (t) var uzzīmēt un vizuāli salīdzināt.

Uz rangu balstītus testus var izmantot arī, lai statistiski pārbaudītu atšķirību starp izdzīvošanas līknēm. Šie testi salīdzina novēroto un paredzamo notikumu skaitu katrā laika posmā dažādās grupās, ņemot vērā nulles hipotēzi, ka izdzīvošanas funkcijas ir vienādas visās grupās. Šiem uz rangu balstītiem testiem ir vairākas versijas, kas atšķiras pēc svara, kas katram statistikas punktam tiek piešķirta testa statistikas aprēķināšanā. Divi no visbiežāk uz rangu balstītajiem literatūrā redzamajiem testiem ir log rang tests, kas katram laika punktam piešķir vienādu svaru, un Wilcoxon tests, kas katru laika punktu izsver pēc riska subjektu skaita. Pamatojoties uz šo svaru, Vilkoksona tests ir jutīgāks pret līkņu atšķirībām pēcpārbaudes sākumā, kad risks ir vairāk subjektiem. Citos testos, piemēram, Peto-Prentice testā, tiek izmantoti svari starp log log un Wilcoxon testiem. Uz rangu balstītie testi tiek pakļauti papildu pieņēmumam, ka cenzēšana ir neatkarīga no grupas, un visiem ir ierobežots mazs spēks, lai noteiktu atšķirības starp grupām, kad izdzīvošanas līknes krustojas. Lai gan šie testi nodrošina līkņu starpības p vērtību, tos nevar izmantot, lai novērtētu efektu lielumus (tomēr log rang testa p vērtība ir ekvivalenta p vērtībai kategoriskajam faktoram, kas interesē vienreizējā Koksā modelis).

Neparametriskie modeļi ir ierobežoti, jo tie nesniedz ietekmes novērtējumus un parasti tos nevar izmantot, lai novērtētu vairāku interesējošo faktoru ietekmi (daudzveidīgie modeļi). Šī iemesla dēļ neparametriskas pieejas bieži lieto kopā ar daļēji vai pilnībā parametru modeļiem epidemioloģijā, kur mulsinātāju kontrolei parasti izmanto daudzveidīgus modeļus.

Vai Kaplana-Meiera līknes var noregulēt?

Tas ir izplatīts mīts, ka Kaplana-Meiera līknes nevar pielāgot, un tas bieži tiek minēts kā iemesls, lai izmantotu parametru modeli, kas var radīt kovariātu pielāgotas izdzīvošanas līknes. Tomēr ir izstrādāta metode, lai izveidotu pielāgotas izdzīvošanas līknes, izmantojot apgrieztās varbūtības svēršanu (IPW). Tikai viena kovariāta gadījumā IPW ​​var nenovērtēt parametri un tie ir līdzvērtīgi izdzīvošanas līkņu tiešai standartizēšanai pētījuma populācijā. Vairāku kovariātu gadījumā, lai novērtētu svarus, jāizmanto daļēji vai pilnībā parametri modeļi, kurus pēc tam izmanto, lai izveidotu vairāku kovariātu koriģētas izdzīvošanas līknes. Šīs metodes priekšrocības ir tādas, ka uz to neattiecas proporcionālās bīstamības pieņēmums, to var izmantot kovariātiem, kas mainās laikā, un to var izmantot arī nepārtrauktiem kovariātiem.

Kāpēc mums ir nepieciešamas parametru pieejas, lai analizētu datus par laiku līdz notikumam?

Lai vienkārši aprakstītu izdzīvošanas datus attiecībā uz pētāmo faktoru, tiek izmantota parametru pieeja TTE datu analīzei. Modeļus, kas izmanto šo pieeju, sauc arī par nemaināmiem modeļiem. Biežāk izmeklētājus interesē vairāku kovariātu attiecības un laiks līdz notikumam. Puse un pilnībā parametru modeļu izmantošana ļauj vienlaikus analizēt notikuma laiku, ņemot vērā daudzus faktorus, un sniedz aprēķinus par katra komponenta ietekmes stiprumu.

Kas ir pusparametriska pieeja un kāpēc tā tiek tik bieži izmantota?

john jay ēdamzāle

Koksa proporcionālais modelis ir visbiežāk izmantotā daudzveidīgā pieeja, lai analizētu izdzīvošanas datus medicīnas pētījumos. Būtībā tas ir regresijas modelis no laika līdz notikumam, kas apraksta saistību starp notikuma biežumu, kas izteikts ar bīstamības funkciju, un kovariātu kopumu. Koksa modelis ir rakstīts šādi:

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

Tas tiek uzskatīts par daļēji parametru pieeju, jo modelis satur neparametrisku komponentu un parametru komponentu. Neparametriskais komponents ir bāzes bīstamība, h0 (t). Šī ir bīstamības vērtība, kad visi kovariāti ir vienādi ar 0, kas uzsver kovariātu centrēšanas nozīmi interpretējamības modelī. Nejauciet bāzes bīstamību par bīstamību laikā 0. Sākotnējā bīstamības funkcija tiek novērtēta neparametriski, un tāpēc atšķirībā no vairuma citu statistikas modeļu netiek pieņemts, ka izdzīvošanas laiki atbilst noteiktam statistikas sadalījumam un bāzes līnijas formai. briesmas ir patvaļīgas. Sākotnējā bīstamības funkcija nav jānovērtē, lai izdarītu secinājumus par relatīvo bīstamību vai bīstamības koeficientu. Šī funkcija padara Koksa modeli izturīgāku nekā parametru pieejas, jo tas nav pakļauts nepareizai bāzes bīstamības specifikācijai.

Parametrisko komponentu veido kovariātu vektors. Kovariātu vektors reizina bāzes bīstamību ar tādu pašu daudzumu neatkarīgi no laika, tāpēc jebkura kovariāta ietekme ir vienāda jebkurā novērošanas laikā, un tas ir pamats proporcionālās bīstamības pieņēmumam.

Kāds ir proporcionālās bīstamības pieņēmums?

Proporcionālās bīstamības pieņēmums ir būtisks Koks modeļa izmantošanai un interpretācijai.

Saskaņā ar šo pieņēmumu pastāv pastāvīga saikne starp rezultātu vai atkarīgo mainīgo un kovariātu vektoru. Šī pieņēmuma sekas ir tādas, ka bīstamības funkcijas jebkuram diviem indivīdiem jebkurā laikā ir proporcionālas un bīstamības attiecība laika gaitā nemainās. Citiem vārdiem sakot, ja indivīdam ir nāves risks kādā sākotnējā brīdī, kas ir divreiz lielāks nekā citam indivīdam, tad visos turpmākajos laika posmos nāves risks joprojām ir divreiz lielāks. Šis pieņēmums nozīmē, ka bīstamības līknēm grupām jābūt proporcionālām un tām nevajadzētu šķērsot. Tā kā šis pieņēmums ir tik svarīgs, tas noteikti jāpārbauda.

Kā jūs pārbaudāt proporcionālās bīstamības pieņēmumu?

Ir dažādas metodes, gan grafiskas, gan balstītas uz testiem, lai novērtētu proporcionālās bīstamības pieņēmuma pamatotību. Viena no metodēm ir vienkārši uzzīmēt Kaplana – Meiera izdzīvošanas līknes, ja salīdzināt divas grupas bez kovariātiem. Ja līknes šķērso, proporcionālās bīstamības pieņēmums var tikt pārkāpts. Nelieliem pētījumiem jāpatur prātā svarīga šīs pieejas atruna. Pētījumiem ar nelielu izlases lielumu, iespējams, ir saistīta ar lielu kļūdu daudzumu, kas saistīts ar izdzīvošanas līkņu noteikšanu, tāpēc līknes var šķērsot pat tad, ja tiek ievērots proporcionālās bīstamības pieņēmums. Papildu log-log diagramma ir stingrāks tests, kas uzrāda aplēstās izdzīvojušās funkcijas negatīvā logaritma logaritmu pret izdzīvošanas laika logaritmu. Ja bīstamība ir proporcionāla grupām, šis grafiks radīs paralēlas līknes. Vēl viena izplatīta metode proporcionālās bīstamības pieņēmuma pārbaudei ir laika mijiedarbības termiņa iekļaušana, lai noteiktu, vai HR laika gaitā mainās, jo laiks bieži ir vainīgs bīstamību nesamērīgumā. Pierādījums, ka grupas * laika mijiedarbības termiņš nav nulle, ir pierādījums proporcionālai bīstamībai.

Ko darīt, ja proporcionālās bīstamības pieņēmums nav spēkā?

Ja uzskatāt, ka PH pieņēmums nav spēkā, jums nav obligāti jāatsakās no Koksa modeļa izmantošanas. Neproporcionalitātes uzlabošanai modelī ir iespējas. Piemēram, modelī varat iekļaut citus kovariātus - vai nu jaunus kovariātus, vai nelineārus pašreizējo kovariātu terminus, vai mijiedarbību starp kovariātiem. Vai arī varat stratificēt analīzi par vienu vai vairākiem mainīgajiem. Tas lēš modeli, kurā sākotnējam apdraudējumam katrā slānī ir atļauts atšķirties, bet kovariātu ietekme ir vienāda visos slāņos. Citas iespējas ietver laika sadalīšanu kategorijās un indikatoru mainīgo izmantošanu, lai bīstamības koeficienti mainītos atkarībā no laika, un analīzes laika mainīgā mainīšana (piemēram, no pagājušā laika uz vecumu vai otrādi).

Kā jūs pārbaudāt pusparametriskā modeļa piemērotību?

Papildus pārbaudei par proporcionalitātes pieņēmuma pārkāpumiem jāpārbauda arī citi modeļa piemērotības aspekti. Statistiku, kas ir līdzīga lineārajā un loģistiskajā regresijā izmantotajai, var izmantot, lai veiktu šos uzdevumus Koks modeļiem ar dažām atšķirībām, taču būtiskās idejas ir vienādas visos trīs iestatījumos. Ir svarīgi pārbaudīt kovariāta vektora linearitāti, ko var izdarīt, pārbaudot atlikumus, tāpat kā mēs to darām lineārajā regresijā. Tomēr atlikumi TTE datos nav tik vienkārši, kā lineārā regresijā, daļēji tāpēc, ka daļai datu nav zināma iznākuma vērtība, un atlikumi bieži tiek izkropļoti. Lai novērtētu Koksa modeļa piemērotību TTE datiem, ir izstrādāti vairāki dažādi atlikumu veidi. Piemēri, cita starpā, ir Martingale un Šēnfelds. Varat arī apskatīt atlikumus, lai identificētu ļoti ietekmīgus un slikti piemērotus novērojumus. Ir arī Cox modeļiem īpaši piemēroti testi, piemēram, Gronnesbija un Borgana tests, kā arī Hosmera un Lemeshova prognostiskais indekss. Varat arī izmantot AIC, lai salīdzinātu dažādus modeļus, lai gan R2 lietošana ir problemātiska.

Kāpēc izmantot parametru pieeju?

Viena no pusparametrisko modeļu galvenajām priekšrocībām ir tā, ka bāzes bīstamība nav jāprecizē, lai novērtētu bīstamības koeficientus, kas raksturo relatīvā bīstamības atšķirības starp grupām. Tomēr var būt tā, ka interesē pats bāzes riska novērtējums. Šajā gadījumā ir nepieciešama parametru pieeja. Parametra pieejās tiek noteikta gan bīstamības funkcija, gan kovariātu ietekme. Bīstamības funkcija tiek aplēsta, pamatojoties uz pieņemto sadalījumu pamata populācijā.

Parametriskās pieejas izmantošanas priekšrocības izdzīvošanas analīzē ir šādas:

  • Parametriskās pieejas ir informatīvākas nekā pieejas, kas nav parametri un daļēji parametri. Papildus relatīvās ietekmes aprēķinu aprēķināšanai tos var izmantot arī, lai prognozētu izdzīvošanas laiku, bīstamības rādītājus un vidējo un vidējo izdzīvošanas laiku. Tos var arī izmantot, lai laika gaitā veiktu absolūtas riska prognozes un izveidotu kovariātiem pielāgotas izdzīvošanas līknes.

  • Ja parametru forma ir pareizi norādīta, parametru modeļiem ir lielāka jauda nekā daļēji parametriem. Tie ir arī efektīvāki, kā rezultātā rodas mazākas standarta kļūdas un precīzākas aplēses.

  • Parametriskās pieejas balstās uz pilnu maksimālo varbūtību parametru novērtēšanai.

  • Parametrisko modeļu atlikumi iegūst pazīstamo atšķirību starp novērotajiem un gaidāmajiem.

Parametriskās pieejas izmantošanas galvenais trūkums ir tas, ka tas balstās uz pieņēmumu, ka pamatā esošais populācijas sadalījums ir pareizi norādīts. Parametriskie modeļi nav izturīgi pret nepareizu specifikāciju, tāpēc pusparametriskie modeļi ir biežāk sastopami literatūrā un ir mazāk riskanti izmantot, ja ir neskaidrība par pamata populācijas sadalījumu.

Kā jūs izvēlaties parametru formu?

Atbilstošās parametru formas izvēle ir visgrūtākā parametru izdzīvošanas analīzes daļa. Parametriskās formas specifikācijai jābūt balstītai uz pētījuma hipotēzi, kā arī iepriekšējām zināšanām un sākotnējās bīstamības formas bioloģisko ticamību. Piemēram, ja ir zināms, ka tūlīt pēc operācijas nāves risks dramatiski palielinās un pēc tam samazinās un izlīdzinās, nebūtu pareizi norādīt eksponenciālo sadalījumu, kas laika gaitā uzņemas nemainīgu bīstamību. Datus var izmantot, lai novērtētu, vai norādītā forma šķiet piemērota datiem, taču šīm ar datiem pamatotajām metodēm jāpapildina, nevis jāaizstāj ar hipotēzēm balstītas atlases.

Kāda ir atšķirība starp proporcionālās bīstamības modeli un paātrināta atteices laika modeli?

Lai gan Koksa proporcionālo bīstamību modelis ir daļēji parametrisks, proporcionālo bīstamības modeļi var būt arī parametri. Parametriskus proporcionālās bīstamības modeļus var rakstīt šādi:

h (t, X) = h0 (t) exp (Xi β) = h0 (t) λ

kur bāzes bīstamība, h0 (t), ir atkarīga tikai no laika, t, bet ne no X, un λ ir kovariātu vienībai raksturīga funkcija, kas nav atkarīga no t, kas palielina vai samazina pamatbīstamības funkciju. λ nevar būt negatīvs. Šajā modelī bīstamības līmenis ir bāzes bīstamības multiplikatīvā funkcija, un bīstamības koeficientus var interpretēt tāpat kā daļēji parametru proporcionālās bīstamības modelī.

Paātrinātā neveiksmes laika (AFT) modeļi ir parametru izdzīvošanas modeļu klase, kurus var linearizēt, ņemot izdzīvošanas laika modeļa dabisko žurnālu. Vienkāršākais AFT modeļa piemērs ir eksponenciālais modelis, kas rakstīts šādi:

ln (T) = β0 + β1X1 +…. + βpXp + ε *

Galvenā atšķirība starp AFT modeļiem un PH modeļiem ir tā, ka AFT modeļi pieņem, ka kovariātu ietekme laika skalā ir daudzkārtīga, savukārt Koksa modeļi izmanto bīstamības skalu, kā parādīts iepriekš. Parametru aplēses no AFT modeļiem tiek interpretētas kā ietekme uz laika skalu, kas var vai nu paātrināt, vai palēnināt izdzīvošanas laiku. Exp (β)> 1 no AFT modeļa nozīmē, ka faktors paātrina izdzīvošanas laiku vai noved pie ilgākas izdzīvošanas. Derīguma termiņš (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).

Dažus kļūdu sadalījumus var rakstīt un interpretēt gan kā PH, gan AFT modeļus (ti, eksponenciālus, Weibull), citi ir tikai PH (ti, Gompertz) vai tikai AFT modeļi (ti, loģistikas loģistika), un citi nav ne PH, ne AFT modeļi (ti, uzstādot splainu).

Kādas formas parametriskie modeļi var uzņemties?

Bīstamības funkcija var būt jebkurā formā, kamēr h (t)> 0 visām t vērtībām. Lai gan parametriskās formas primārajam apsvērumam jābūt iepriekšējām zināšanām par bāzes bīstamības formu, katram sadalījumam ir savas priekšrocības un trūkumi. Dažas no biežāk izmantotajām formām tiks īsi izskaidrotas, un plašāka informācija ir pieejama resursu sarakstā.

Eksponenciāla izplatīšana

Eksponenciālais sadalījums pieņem, ka h (t) ir atkarīgs tikai no modeļa koeficientiem un kovariātiem un laika gaitā ir nemainīgs. Šī modeļa galvenā priekšrocība ir tā, ka tas ir gan proporcionālas bīstamības modelis, gan paātrināta atteices laika modelis, tāpēc ietekmes novērtējumu var interpretēt kā bīstamības koeficientu, vai laika attiecību. Galvenais šī modeļa trūkums ir tāds, ka bieži vien ir neiespējami uzņemties pastāvīgu bīstamību laika gaitā.

Weibull izplatīšana

Veibula sadalījums ir līdzīgs eksponenciālajam sadalījumam. Kamēr eksponenciālais sadalījums uzņemas nemainīgu bīstamību, Veibula sadalījums uzņemas monotonisku bīstamību, kas var vai nu palielināties, vai samazināties, bet ne abi. Tam ir divi parametri. Formas parametrs (σ) kontrolē, vai bīstamība palielinās (σ1) (eksponenciālajā sadalījumā šis parametrs ir iestatīts uz 1). Skalas parametrs (1 / σ) exp (-β0 / σ) nosaka šī pieauguma / samazināšanās mērogu. Tā kā Veibula sadalījums vienkāršojas līdz eksponenciālajam sadalījumam, kad σ = 1, nulles hipotēzi, ka σ = 1, var pārbaudīt, izmantojot Wald testu. Šī modeļa galvenā priekšrocība ir tā, ka tas ir gan PH, gan AFT modelis, tāpēc var novērtēt gan bīstamības, gan laika attiecību. Atkal galvenais trūkums ir tas, ka pieņēmums par bāzes bīstamības monotoniskumu dažos gadījumos var būt neticams.

Gompertz izplatīšana

Gompertz sadalījums ir PH modelis, kas ir vienāds ar log-Weibull sadalījumu, tāpēc bīstamības funkcijas log ir t lineārs. Šim sadalījumam ir eksponenciāli augošs kļūmju līmenis, un tas bieži vien ir piemērots aktuārajiem datiem, jo ​​laika gaitā eksponenciāli palielinās arī mirstības risks.

Log-Logistic izplatīšana

Log-loģistiskais sadalījums ir AFT modelis ar kļūdas terminu, kas seko standarta loģistikas sadalījumam. Tas var pielāgoties nemonotoniskiem apdraudējumiem un parasti vislabāk piemērots, ja pamatbīstamība sasniedz maksimumu un pēc tam samazinās, kas var būt ticams attiecībā uz noteiktām slimībām, piemēram, tuberkulozi. Log-loģistiskais sadalījums nav PH modelis, bet tas ir proporcionālo koeficientu modelis. Tas nozīmē, ka uz to attiecas proporcionālo koeficientu pieņēmums, bet priekšrocība ir tā, ka slīpuma koeficientus var interpretēt kā laika koeficientus un arī kā koeficientus. Piemēram, koeficienta koeficients 2 no parametriskā loģistikas modeļa tiktu interpretēts kā izdzīvošanas izredzes pēc laika t starp subjektiem ar x = 1 ir divreiz lielākas par koeficientu starp subjektiem ar x = 0.

Vispārējs gamma (GG) sadalījums

Ģeneralizētais gamma (GG) sadalījums faktiski ir sadalījumu saime, kas satur gandrīz visus visbiežāk lietotos sadalījumus, ieskaitot eksponenciālos, Veibull, log normālos un gamma sadalījumus. Tas ļauj salīdzināt dažādus sadalījumus. GG saime ietver arī visus četrus visizplatītākos bīstamības funkciju veidus, kas padara GG sadalījumu īpaši noderīgu, jo bīstamības funkcijas forma var palīdzēt optimizēt modeļa izvēli.

Splines pieeja

Tā kā bāzes bīstamības funkcijas specifikācijas vienīgais vispārējais ierobežojums ir thath (t)> 0 visām t vērtībām, splainus var izmantot, lai maksimāli elastīgi modelētu bāzes bīstamības formu. Ierobežotas kubiskās splainas ir viena no metodēm, ko nesen ieteica literatūrā parametru izdzīvošanas analīzei, jo šī metode ļauj formas elastību, bet ierobežo funkciju, lai funkcija būtu lineāra galos, kur dati ir reti. Splainus var izmantot, lai uzlabotu novērtēšanu, un tie ir arī izdevīgi ekstrapolācijai, jo tie maksimāli palielina atbilstību novērotajiem datiem. Ja tas ir pareizi norādīts, efektu aprēķini no modeļiem, kas piemēroti, izmantojot splainus, nedrīkst būt tendenciozi. Tāpat kā citās regresijas analīzēs, splainu uzstādīšanas izaicinājumi var ietvert mezglu skaita un atrašanās vietas izvēli un problēmas ar pārmērīgu uzstādīšanu.

Kā jūs pārbaudāt parametra modeļa piemērotību?

Parametra modeļa piemērotības novērtēšanas vissvarīgākā sastāvdaļa ir pārbaudīt, vai dati atbalsta norādīto parametru formu. To var novērtēt vizuāli, attēlojot uz modeļa balstītu kumulatīvo risku salīdzinājumā ar Kaplana-Meiera aprēķināto kumulatīvās bīstamības funkciju. Ja norādītā forma ir pareiza, grafikam jāiet cauri izcelsmei ar slīpumu 1. Grønnesby-Borgan testu par piemērotību var izmantot arī tam, vai novērotais notikumu skaits būtiski atšķiras no paredzamā notikumu skaita grupās, kas diferencētas pēc riska rādītājiem. Šis tests ir ļoti jutīgs pret izvēlēto grupu skaitu un mēdz pārāk liberāli noraidīt nulles hipotēzi par atbilstošu piemērotību, ja tiek izvēlētas daudzas grupas, īpaši mazās datu kopās. Pārbaudē trūkst spēka atklāt modeļa pārkāpumus, tomēr, ja tiek izvēlēts pārāk maz grupu. Šī iemesla dēļ šķiet neiespējami paļauties tikai uz piemērotības pārbaudi, lai noteiktu, vai norādītā parametru forma ir pamatota.

AIC var izmantot arī, lai salīdzinātu modeļus, kas darbojas ar dažādām parametru formām, ar zemāko AIC, kas norāda uz labāko piemērotību. AIC nevar izmantot, lai salīdzinātu parametriskos un pusparametriskos modeļus, tomēr, tā kā parametru modeļi ir balstīti uz novērotajiem notikumu laikiem, bet pusparametriskie modeļi ir balstīti uz notikumu laika secību. Arī šie rīki jāizmanto, lai pārbaudītu, vai norādītā forma atbilst datiem, taču norādītā pamatā esošā apdraudējuma ticamība joprojām ir vissvarīgākais parametru formas izvēles aspekts.

Kad norādītā parametru forma ir noteikta, lai tā labi atbilstu datiem, var izvēlēties līdzīgas metodes, kas iepriekš aprakstītas daļēji proporcionālu bīstamības modeļu gadījumā, lai izvēlētos starp dažādiem modeļiem, piemēram, atlikušos parauglaukumus un piemērotības pārbaudi.

Ko darīt, ja laika gaitā mainās prognozētāji?

Iepriekš rakstītajos modeļa paziņojumos mēs esam pieņēmuši, ka turpmākās darbības laikā riska darījumi ir nemainīgi. Ekspozīcijas ar vērtībām, kas laika gaitā mainās, vai laika gaitā mainīgus kovariātus var iekļaut izdzīvošanas modeļos, mainot analīzes vienību no indivīda uz laika periodu, kad iedarbība ir nemainīga. Tādējādi indivīdu personālais laiks tiek sadalīts intervālos, kas katram cilvēkam veicina pakļauto un neeksponēto riska pakāpi šim kovariātam. Galvenais pieņēmums par laiku mainīga kovariāta iekļaušanu šādā veidā ir tāds, ka laika mainīgā kovariāta ietekme nav atkarīga no laika.

Koksas proporcionālās bīstamības modelim laika gaitā mainīga kovariāta iekļaušana būtu šāda: h (t) = h0 (t) e ^ β1x1 (t). Parametriskajos modeļos var iekļaut arī laika mainīgos kovariātus, lai gan tas ir nedaudz sarežģītāks un grūtāk interpretējams. Parametriskie modeļi var arī modelēt laika gaitā mainīgos kovariātus, izmantojot splainus, lai nodrošinātu lielāku elastību.

Parasti mainīgie kovariāti jāizmanto laikā, kad tiek pieļauta hipotēze, ka bīstamība ir vairāk atkarīga no vēlākām kovariāta vērtībām, nevis kovariāta vērtības sākotnējā līmenī. Izaicinājumiem, kas rodas, mainoties laika gaitā mainīgajiem kovariātiem, trūkst datu par kovariātu dažādos laika punktos, kā arī potenciālā novirze bīstamības novērtēšanā, ja laika gaitā mainīgais kovariāts faktiski ir starpnieks.

man ir nepieciešama informācija par

Kas ir konkurējošo risku analīze?

Tradicionālās izdzīvošanas analīzes metodes pieņem, ka notiek tikai viens interesējošo notikumu veids. Tomēr pastāv progresīvākas metodes, kas ļauj vienā un tajā pašā pētījumā izpētīt vairāku veidu notikumus, piemēram, nāvi no vairākiem cēloņiem. Šajos pētījumos tiek izmantota konkurējoša riska analīze, kurā izdzīvošanas ilgums tiek pabeigts ar pirmo no vairākiem notikumiem. Ir vajadzīgas īpašas metodes, jo laika analīzi katram notikumam atsevišķi var būt neobjektīvi. Šajā kontekstā KM metodei ir tendence pārvērtēt to subjektu īpatsvaru, kuri piedzīvo notikumus. Konkurējošā riska analīzē tiek izmantota kumulatīvā sastopamības metode, kurā kopējā notikuma varbūtība jebkurā brīdī ir notikumam raksturīgo varbūtību summa. Modeļi parasti tiek ieviesti, ievadot katru pētījuma dalībnieku vairākas reizes - pa vienam pasākuma tipam. Katram pētījuma dalībniekam laiks līdz jebkuram notikumam tiek cenzēts laikā, kad pacients piedzīvoja pirmo notikumu. Lai iegūtu papildinformāciju, lūdzu, skatiet lapu advancedepidemiology.org konkurējošiem riskiem .

Kas ir trausluma modeļi un kāpēc tie ir noderīgi korelētiem datiem?

Korelēti izdzīvošanas dati var rasties atkārtotu notikumu dēļ, ko piedzīvojusi indivīds, vai arī tad, kad novērojumi ir apvienoti grupās. Vai nu zināšanu trūkuma dēļ, vai arī priekšizpēti, daži kovariāti, kas saistīti ar interesējošo notikumu, var netikt izmērīti. Frailty modeļi izskaidro neviendabīgo kovariātu radīto neviendabīgumu, pievienojot nejaušus efektus, kas multiplikatīvi iedarbojas uz bīstamības funkciju. Frailty modeļi būtībā ir Koksa modeļa paplašinājumi, pievienojot nejaušus efektus. Lai gan šo modeļu aprakstam tiek izmantotas dažādas klasifikācijas shēmas un nomenklatūra, četri izplatīti trausluma modeļu veidi ietver kopīgu, ligzdotu, kopīgu un papildinošu trauslumu.

Vai pastāv citas pieejas atkārtotu notikumu datu analīzei?

Atkārtotu notikumu dati ir savstarpēji saistīti, jo vienā un tajā pašā priekšmetā var notikt vairāki notikumi. Kaut arī trausluma modeļi ir viena metode, kā ņemt vērā šo korelāciju atkārtotu notikumu analīzēs, vienkāršāka pieeja, kas var ņemt vērā arī šo korelāciju, ir stabilu standarta kļūdu (SE) izmantošana. Pievienojot spēcīgas SE, atkārtotu notikumu analīzi var veikt kā pusparametrisko vai parametrisko modeļu vienkāršu paplašinājumu.

Lai gan to ir viegli ieviest, ir vairāki veidi, kā modelēt atkārtotu notikumu datus, izmantojot stabilas SE. Šīs pieejas atšķiras pēc tā, kā tās nosaka katram recidīvam noteikto risku. Tādā veidā viņi atbild uz nedaudz atšķirīgiem pētījuma jautājumiem, tāpēc izvēlei, kuru modelēšanas pieeju izmantot, vajadzētu balstīties uz pētījuma hipotēzi un modelēšanas pieņēmumu pamatotību.

Skaitīšanas procesa jeb Andersena-Džila pieeja periodisko notikumu modelēšanai pieņem, ka katrs atkārtošanās ir neatkarīgs notikums un neņem vērā notikumu secību vai veidu. Šajā modelī katra priekšmeta novērošanas laiks sākas pētījuma sākumā un tiek sadalīts segmentos, kurus nosaka notikumi (recidīvi). Subjekti veicina notikumam noteikto risku, ja vien tie tajā laikā tiek novēroti (netiek cenzēti). Šos modeļus ir viegli ievietot kā Koksa modeli, pievienojot stingru SE novērtētāju, un bīstamības koeficienti tiek interpretēti kā kovariāta ietekme uz atkārtošanās līmeni pārraudzības periodā. Šis modelis tomēr nebūtu piemērots, ja neatkarības pieņēmums nav pamatots.

Nosacītās pieejas pieņem, ka subjekts nav pakļauts nākamā notikuma riskam, kamēr nav noticis iepriekšējs notikums, un tāpēc ņem vērā notikumu secību. Tie ir piemēroti, izmantojot stratificētu modeli, ar slāņa mainīgo lielumu iekļaujot notikuma numuru (vai šajā gadījumā atkārtošanās skaitu), ieskaitot stabilus SE. Ir divas dažādas nosacītas pieejas, kurās tiek izmantotas dažādas laika skalas, un tāpēc tām ir atšķirīgas riska kopas. Nosacītās varbūtības pieejā laika intervālu noteikšanai tiek izmantots laiks kopš pētījuma sākuma, un tā ir piemērota, ja interese ir saistīta ar visu periodisko notikumu procesa norisi. Atstarpes laika pieeja būtībā atjauno katra atkārtošanās laiku, izmantojot laika intervālu noteikšanai laiku no iepriekšējā notikuma, un ir piemērotāka, ja interesē notikuma (vai atkārtošanās) specifiskās ietekmes aprēķini.

Visbeidzot, marginālas pieejas (pazīstamas arī kā WLW - Wei, Lin un Weissfeld pieeja) katru notikumu uzskata par atsevišķu procesu, tāpēc subjekti ir pakļauti visu notikumu riskam jau pēc pārraudzības sākuma, neatkarīgi no tā, vai viņi ir pieredzējuši iepriekšējs pasākums. Šis modelis ir piemērots, ja tiek uzskatīts, ka notikumi rodas no dažādiem pamatā esošiem procesiem, lai subjekts varētu piedzīvot 3. notikumu, piemēram, nepiedzīvojot 1. notikumu. Lai gan šis pieņēmums šķiet neticams dažu veidu datiem, piemēram, vēža atkārtošanās gadījumiem, to varētu izmantot, lai modelētu traumu atkārtošanos noteiktā laika periodā, kad subjekti laika periodā varēja piedzīvot dažāda veida traumas, kurām nav dabiskas kārtības. Marginālajiem modeļiem var būt piemēroti arī stratificēti modeļi ar stabiliem SE.

Lasījumi

Šī projekta mērķis bija aprakstīt metodoloģiskos un analītiskos lēmumus, ar kuriem var saskarties, strādājot ar laika līdz notikumam datiem, taču tas nebūt nav pilnīgs. Tālāk ir sniegti resursi, lai iedziļinātos šajās tēmās.

Mācību grāmatas un nodaļas

Vitinghoff E, Glidden DV, Shiboski SC, McCulloch CE (2012). Regresijas metodes biostatistikā, 2. Ņujorka, NY: Springer.

  • Lineāru, loģistisku, izdzīvošanas un atkārtotu mēru modeļu ievadteksts, vislabāk tiem, kas vēlas pamata sākumpunktu.

  • Izdzīvošanas analīzes nodaļa sniedz labu pārskatu, bet ne dziļumu. Piemēri ir balstīti uz STATA.

Hosmer DW, Lemeshow S, May S. (2008) Lietišķā izdzīvošanas analīze: Laika līdz notikumam datu regresijas modelēšana, 2. ed. Hoboken, NJ: John Wiley & Sons, Inc.

  • Neparametrisku, pusparametrisku un parametru Cox modeļu padziļināts pārskats, vislabāk tiem, kas ir informēti citās statistikas jomās. Progresīvas tehnikas nav padziļināti apskatītas, taču ir sniegtas atsauces uz citām specializētajām mācību grāmatām.

Kleinbaum ĢD, Klein M (2012). Izdzīvošanas analīze: pašmācības teksts, 3. izdevums Ņujorka, NY: Springer Science + Business Media, LLC

  • Izcils ievadteksts

Kleins JP, Moeschbergers ML (2005). Izdzīvošanas analīze: cenzētu un saīsinātu datu paņēmieni, 2. izdev. Ņujorka, NY: Springer Science + Business Media, LLC

  • kas paredzēta maģistrantiem, šī grāmata sniedz daudz praktisku piemēru

Therneau TM, Grambsch PM (2000). Izdzīvošanas datu modelēšana: Koksas modeļa paplašināšana. Ņujorka, NY: Springer Science + Business Media, LLC

  • Labs ievads pieejas skaitīšanai un korelēto izdzīvošanas datu analīzei. Autors arī uzrakstīja izdzīvošanas paketi R

Alisons PD (2010). Izdzīvošanas analīze, izmantojot SAS: A Practice Guide, 2. izdev. Karijs, NC: SAS institūts

  • Lielisks lietišķais teksts SAS lietotājiem

Bagdonavicius V, Nikulin M (2002). Paātrināti dzīves modeļi: modelēšana un statistiskā analīze. Boca Raton, FL: Chapman & Hall / CRC Press.

  • Labs resurss, lai iegūtu vairāk informācijas par parametru un daļēji parametru paātrināta atteices laika modeļiem un to salīdzinājumu ar proporcionālās bīstamības modeļiem

Metodiskie raksti

Ievada / pārskata raksti

Hougaard P (1999). Izdzīvošanas datu pamati. Biometrija 55 (1): 13-22. PMID: 11318147 .

Clark TG, Bradburn MJ, Love SB, Altman ĢD (2003). Izdzīvošanas analīzes I daļa: pamatjēdzieni un pirmās analīzes. Br J Cancer 89 (2): 232-8. PMID: 12865907

Clark TG, Bradburn MJ, Love SB, Altman ĢD (2003). Izdzīvošanas analīze II daļa: daudzfaktoru datu analīze - ievads jēdzienos un metodēs. Br J Cancer 89 (3): 431-6. PMID: 1288808

Clark TG, Bradburn MJ, Love SB, Altman ĢD (2003). Izdzīvošanas analīze II daļa: daudzfaktoru datu analīze - modeļa izvēle un tā atbilstības un piemērotības novērtēšana. Br J Cancer 89 (4): 605-11. PMID: 12951864

Clark TG, Bradburn MJ, Love SB, Altman ĢD (2003). Izdzīvošanas analīzes IV daļa: turpmākie jēdzieni un metodes izdzīvošanas analīzē. Br J Cancer 89 (5): 781-6. PMID: 12942105

  • Iepriekš minēto četru rakstu sērija ir lielisks ievada pārskats par izdzīvošanas analīzes metodēm, kas ir ļoti labi uzrakstīts un viegli saprotams - tas ir ļoti ieteicams.

    PhD sabiedrības veselības alga

Vecums kā laika skala

Korns EL, Graubards BI, Midthune D (1997). Aptaujas garengriezuma novērošanas laika līdz notikumam analīze: laika skalas izvēle. Am J Epidemiol 145 (1): 72-80. PMID: 8982025

  • Dokuments, kas atbalsta vecuma kā laika skalas, nevis pētījuma laika izmantošanu.

Ingram DD, Makuc DM, Feldman JJ (1997). Re: Aptaujas gareniskās novērošanas laika un notikuma analīze: laika skalas izvēle. Am J Epidemiol 146 (6): 528-9. PMID: 9290515 .

  • Komentējiet Korna dokumentu, aprakstot piesardzības pasākumus, kas jāveic, lietojot vecumu kā laika skalu.

Thiébaut AC, Benichou J (2004). Laika skalas izvēle Koksa epidemioloģisko kohortu datu analīzē: simulācijas pētījums. Stat Med 30; 23 (24): 3803-20. PMID: 15580597

  • Simulācijas pētījums, kas parāda neobjektivitātes lielumu dažādām saistības pakāpēm starp vecumu un interesējošo kovariātu, ja laika skalā tiek izmantots laiks pētījumā.

Canchola AJ, Stewart SL, Bernstein L, et al. Koksa regresija, izmantojot dažādas laika skalas. Pieejams: http://www.lexjansen.com/wuss/2003/DataAnalysis/i-cox_time_scales.pdf .

  • Jauks raksts, kurā salīdzināti 5 Koksa regresijas modeļi ar variācijām vai nu uz mācību laiku, vai vecumu kā laika skalu ar SAS kodu.

Cenzēšana

Huang CY, Ning J, Qin J (2015). Semiparametriskas iespējamības secinājums kreisās puses un labās puses cenzētajiem datiem. Biostatistika [epub] PMID: 25796430 .

  • Šajā rakstā ir sniegts labs ievads cenzēto datu analīzei un sniegta jauna novērtēšanas procedūra izdzīvošanas laika sadalījumam ar kreisās un labās puses cenzētiem datiem. Tas ir ļoti blīvs un ar uzlabotu statistikas fokusu.

Keins KC, Harlova SD, Mazais RJ, Nan B, Yosefs M, Taffe JR, Elliots MR (2011). Aizspriedumi kreisās apcirpšanas un kreisās cenzēšanas dēļ attīstības un slimības procesu gareniskajos pētījumos. Am J Epidemiol 173 (9): 1078-84. PMID: 21422059 .

  • Lielisks resurss, kas no epidemioloģiskā viedokļa izskaidro novirzi, kas raksturīga kreisi cenzētiem datiem.

Saule J, Saule L, Zhu C (2007). Proporcionālo koeficientu modeļa pārbaude attiecībā uz intervālu cenzētiem datiem. Dzīves laika datu analīze 13: 37–50. PMID 17160547 .

  • Vēl viens statistiski blīvs raksts par niansētu TTE datu analīzes aspektu, taču sniedz labu intervālu cenzēto datu skaidrojumu.

Robins JM (1995a) Analītiska metode randomizētiem pētījumiem ar informatīvu cenzēšanu: I daļa. Mūža datu analīze 1: 241–254. PMID 9385104 .

Robins JM (1995b) Analītiskā metode randomizētiem pētījumiem ar informatīvu cenzēšanu: II daļa. Mūža datu analīze 1: 417–434. PMID 9385113 .

  • Divi raksti, kuros apspriestas metodes, kā rīkoties ar informatīvo cenzūru.

Neparametriskas izdzīvošanas metodes

Borgana Ø (2005) Kaplana-Meiera aprēķinātājs. Biostatistikas enciklopēdija DOI: 10.1002 / 0470011815.b2a11042

  • Lielisks Kaplana-Meiera novērtētāja pārskats un tā saistība ar Nelsona-Alena novērtētāju

Rodrigez G (2005). Parametriska novērtēšana izdzīvošanas modeļos. Pieejams no: http://data.princeton.edu/pop509/NonParametricSurvival.pdf

  • Ievads parametriskajās metodēs un Koksa proporcionālā apdraudējuma modelis, kas izskaidro attiecības starp metodēm ar matemātiskajām formulām

Kols SR, Hernans, MA (2004). Pielāgotas izdzīvošanas līknes ar apgrieztu varbūtības svaru. Skaitļošanas metožu programmas Biomed 75 (1): 35-9. PMID: 15158046

  • Apraksta IPW izmantošanu, lai izveidotu pielāgotas Kaplana-Meiera līknes. Ietver piemēru un SAS makro.

Džans M (2015). Stingras metodes, lai uzlabotu efektivitāti un mazinātu aizspriedumus, novērtējot izdzīvošanas līknes randomizētos klīniskos pētījumos. Mūža datu analīze 21 (1): 119-37. PMID: 24522498

  • Piedāvātā metode kovariātiem pielāgotām izdzīvošanas līknēm RCT

Pusparametriskās izdzīvošanas metodes

Cox DR (1972) Regresijas modeļi un dzīves tabulas (ar diskusiju). J R Statist Soc B 34: 187–220.

  • Klasiskā atsauce.

Christensen E (1987) Daudzveidīgo izdzīvošanas analīze, izmantojot Koksa regresijas modeli. Hepatology 7: 1346–1358. PMID 3679094 .

  • Apraksta Koksa modeļa izmantošanu, izmantojot motivējošu piemēru. Lielisks Koks modeļa analīzes galveno aspektu pārskats, ieskaitot to, kā pielāgot Koksa modeli, un modeļa pieņēmumu pārbaude.

Grambsch PM, Therneau TM (1994) Proporcionālās bīstamības testi un diagnostika, pamatojoties uz svērtajiem atlikumiem. Biometrika 81: 515–526.

  • Padziļināts dokuments par proporcionālās bīstamības pieņēmuma pārbaudi. Labs teorijas un uzlabotas statistikas skaidrojums.

Ng’andu NH (1997) Empīrisks statistisko testu salīdzinājums, lai novērtētu Koksa modeļa pieņēmumu par proporcionālo bīstamību. Stat Med 16: 611–626. PMID 9131751 .

  • Vēl viens padziļināts dokuments par proporcionālās bīstamības pieņēmuma pārbaudi, kas ietver diskusiju par cenzūras atlikumu un seku pārbaudi.

Parametriskās izdzīvošanas metodes

Rodrašegess, G (2010). Parametriskie izdzīvošanas modeļi. Pieejams no: http://data.princeton.edu/pop509/ParametricSurvival.pdf

  • īss ievads par izplatītākajiem sadalījumiem, ko izmanto parametru izdzīvošanas analīzē

Nardi A, Schemper M (2003). Cox un parametru modeļu salīdzināšana klīniskajos pētījumos. Stat Med 22 (23): 2597-610. PMID: 14652863

  • Sniedz labus piemērus, kā salīdzināt pusparametriskos modeļus ar modeļiem, izmantojot kopīgus parametru sadalījumus, un koncentrējas uz modeļa piemērotības novērtēšanu

Royston P, Parmar MK (2002). Elastīgi parametru proporcionālās bīstamības un proporcionālo koeficientu modeļi cenzētiem izdzīvošanas datiem, izmantojot prognostisko modelēšanu un ārstēšanas efektu novērtēšanu. Stat Med 21 (15): 2175-97. PMID: 12210632

  • Labs skaidrojums proporcionālo bīstamības un izredžu modeļu pamatiem un salīdzinājumiem ar kubiskajām splainām

Cox C, Chu H, Schneider MF, Muñoz A (2007). Parametriska izdzīvošanas analīze un bīstamības funkciju taksonomija vispārējam gamma sadalījumam. Statist Med 26: 4352–4374. PMID 17342754 .

  • Sniedz lielisku pārskatu par parametru izdzīvošanas metodēm, ieskaitot bīstamības funkciju taksonomiju un padziļinātu diskusiju par vispārējo gamma sadalījuma saimi.

Crowther MJ, Lambert PC (2014). Vispārēja struktūra parametru izdzīvošanas analīzei. Stat Med 33 (30): 5280-97. PMID: 25220693

  • Aprakstīti ierobežojumi pieņēmumiem par parasti izmantotajiem parametru sadalījumiem un izskaidrota ierobežotā kubiskā splaina metodika

Sparling YH, Younes N, Lachin JM, Bautista OM (2006). Parametriski izdzīvošanas modeļi intervālu cenzētiem datiem ar laika atkarīgiem kovariātiem. Biometrija 7 (4): 599-614. PMID: 16597670

  • Paplašinājums un piemērs, kā izmantot parametriskos modeļus ar intervālā cenzētiem datiem

Dažādi kovariāti

Fišers LD, Lin DY (1999). No laika atkarīgi kovariāti Koksas proporcionālās-bīstamības regresijas modelī. Annu Rev Sabiedrības veselība 20: 145-57. PMID: 10352854

  • Rūpīgs un viegli saprotams laika gaitā mainīgo kovariātu skaidrojums Koksa modeļos ar matemātisku pielikumu

Pētersens T (1986). Parametru izdzīvošanas modeļu pielāgošana no laika atkarīgiem kovariātiem. Appl Statist 35 (3): 281-88.

Konkurējoša riska analīze

Skatiet Konkurējošie riski

Tai B, Machin D, White I, Gebski V (2001) Konkurējoša risku analīze pacientiem ar osteosarkomu: četru dažādu pieeju salīdzinājums. Stat Med 20: 661–684. PMID 11241570 .

  • Labs padziļināts dokuments, kurā aprakstītas četras dažādas konkurējošo risku datu analīzes metodes, un šo četru pieeju salīdzināšanai tiek izmantoti randomizēta osteosarkomas slimnieku pētījuma dati.

Checkley W, Brower RG, Muñoz A (2010). Secinājums par savstarpēji izslēdzošiem konkurējošiem notikumiem, izmantojot vispārinātu gamma sadalījumu maisījumu. Epidemioloģija 21 (4): 557–565. PMID 20502337 .

  • Dokuments par konkurējošiem riskiem, izmantojot vispārējo gamma sadalījumu.

Klasteru datu un trausluma modeļu analīze

Yamaguchi T, Ohashi Y, Matsuyama Y (2002) Proporcionālās bīstamības modeļi ar nejaušām sekām, lai pārbaudītu centra iedarbību daudzcentru vēža klīniskajos pētījumos. Stat Metodes Med Res 11: 221–236. PMID 12094756 .

  • Dokuments ar lielisku teorētisku un matemātisku skaidrojumu par kopu ņemšanu vērā, analizējot daudzcentru klīnisko pētījumu izdzīvošanas datus.

O’Quigley J, Stare J (2002) Proporcionālās bīstamības modeļi ar vājiem un nejaušiem efektiem. Stat Med 21: 3219–3233. PMID 12375300 .

  • Vājību modeļu un nejaušu efektu modeļu salīdzinājums.

Balakrishnan N, Peng Y (2006). Vispārējs gamma trausluma modelis. Statist Med 25: 2797–2816. PMID

  • Darbs par trausluma modeļiem, izmantojot vispārēju gamma sadalījumu kā trausluma sadalījumu.

Rondeau V, Mazroui Y, Gonzalez JR (2012). frailtypack: R pakete korelētu izdzīvošanas datu analīzei ar Frailty modeļiem, izmantojot sodītu varbūtības aprēķinu vai parametru aprēķinu. Statistikas programmatūras žurnāls 47 (4): 1-28.

  • R paketes vinjete ar labu pamatinformāciju par trausluma modeļiem.

Schaubel DE, Cai J (2005). Grupētu atkārtotu notikumu datu analīze, piemērojot hospitalizācijas rādītājus pacientiem ar nieru mazspēju. Biostatistika 6 (3): 404-19. PMID 15831581 .

  • Izcils dokuments, kurā autori iepazīstina ar divām metodēm, lai analizētu grupētu atkārtotu notikumu datus, un pēc tam salīdzina piedāvāto modeļu rezultātus ar tiem, kuru pamatā ir trausluma modelis.

Gharibvand L, Liu L (2009). Izdzīvošanas datu analīze ar grupētiem notikumiem. SAS Globālā foruma 2009. gada dokuments 237.-2009.

  • Īss un viegli saprotams avots, lai analizētu laika līdz notikumam datus ar kopīgiem notikumiem ar SAS procedūrām.

Atkārtotu notikumu analīze

Twisk JW, Smidt N, de Vente W (2005). Lietotu atkārtotu notikumu analīze: praktisks pārskats. J Epidemiol Kopienas veselība 59 (8): 706-10. PMID: 16020650

  • Ļoti viegli saprotams ievads atkārtotu notikumu modelēšanā un riska kopu jēdziens

Villegas R, Juliá O, Ocaña J (2013). Empīrisks pētījums par korelētiem izdzīvošanas laikiem atkārtotiem notikumiem ar proporcionālām bīstamības robežām un korelācijas un cenzēšanas efektu. BMC Med Res Methodol 13:95. PMID: 23883000

  • Izmanto simulācijas, lai pārbaudītu dažādu modeļu izturību atkārtotu notikumu datiem

Kellija PJ, Lim LL (2000). Izdzīvošanas analīze atkārtotu notikumu datiem: pielietojums bērnu infekcijas slimībām. Stat Med 19 (1): 13-33. PMID: 10623190

  • Pielietoti četru galveno pieeju piemēri atkārtotu notikumu datu modelēšanai

Wei LJ, Lin DY, Weissfeld L (1989). Daudzveidīgo nepilnīgo nepilnību laika datu regresijas analīze, modelējot robežsadalījumus. Amerikas Statistikas asociācijas žurnāls84 (108): 1065-1073

Sākotnējais raksts, kurā aprakstīti margināli modeļi atkārtotu notikumu analīzei

Kursi

Kolumbijas universitātes Epidemioloģijas un iedzīvotāju veselības vasaras institūts (EPIC)

Statistikas horizonts, privāts speciālistu statistikas semināru sniedzējs, ko pasniedz nozares eksperti

Starpuniversitāšu politisko un sociālo pētījumu konsorcija (ICPSR) vasaras programma sociālo pētījumu kvantitatīvajās metodēs, daļa no Mičiganas Universitātes Sociālo pētījumu institūta

  • Trīs dienu seminārs par izdzīvošanas analīzi, notikumu vēstures modelēšanu un ilguma analīzi tika piedāvāts 2015. gada 22. – 24. Jūnijā Bērklijā, Kalifornijā, pasniedzējs Tenko Raykov no Mičiganas Valsts universitātes. Visaptverošs pārdzīvošanas metožu pārskats visās disciplīnās (ne tikai sabiedrības veselībā): http://www.icpsr.umich.edu/icpsrweb/sumprog/courses/0200

Statistikas pētījumu institūts piedāvā divus tiešsaistes kursus izdzīvošanas analīzei, kas tiek piedāvāti vairākas reizes gadā. Šie kursi ir balstīti uz Kleina un Kleinbauma lietišķās analīzes mācību grāmatu (skatīt zemāk), un tos var izvēlēties pēc izvēles vai kā daļu no sertifikātu programmas Statistikā:

UCLA Digitālo pētījumu un izglītības institūts, izmantojot savu vietni, piedāvā izdzīvošanas analīzei dažādās statistikas programmatūrās seminārus, kurus viņi sauc. Šie semināri parāda, kā veikt pielietoto izdzīvošanas analīzi, vairāk koncentrējoties uz kodu, nevis uz teoriju.

Interesanti Raksti

Redaktora Izvēle

Mācību programma un kursi
Mācību programma un kursi
Pilna laika, universitātes pilsētiņā 36 punkti (kredītpunkti) par grāda iegūšanu. Universitātes opcija Tikai iekļaušana rudenī * 3 termiņi, lai pabeigtu Capstone projektu ...
Snieg sniegs ... Mikroplastmasa
Snieg sniegs ... Mikroplastmasa
Columbia Creative
GOOGLE IZLAIDA DROŠĪBAS ATJAUNINĀJUMUS HROMAM 2021. gada 14. APRĪLĪ
GOOGLE IZLAIDA DROŠĪBAS ATJAUNINĀJUMUS HROMAM 2021. gada 14. APRĪLĪ
Skolotāju koledža, Kolumbijas universitāte, ir pirmā un lielākā izglītības augstskola Amerikas Savienotajās Valstīs, kā arī pastāvīgi ierindota starp valsts labākajām.
Becca Thomas '13 un Jessica Caldwell '12 Adaptēt Gonzo Girl
Becca Thomas '13 un Jessica Caldwell '12 Adaptēt Gonzo Girl
Filmu programmas absolventi Džesika Kaldvela ‘12 un Becka Tomass ’13 ir pielāgoti un vadīs izdevēju Simona un Šustera Gonzo Girl. Šerlas Dellas Pietras sarakstītais romāns ir iedvesmots no autora trakajām pieredzēm, strādājot ar vēlu žurnālistu un
L’Oréal SA pret. eBay International AG
L’Oréal SA pret. eBay International AG
Kolumbijas globālās vārda brīvības mērķis ir veicināt izpratni par starptautiskajām un nacionālajām normām un institūcijām, kas vislabāk aizsargā informācijas un vārda brīvu plūsmu savstarpēji saistītā globālā kopienā, kurā jārisina galvenie kopējie izaicinājumi. Lai sasniegtu savu misiju, globālā vārda brīvība uzņemas un pasūta pētniecības un politikas projektus, organizē pasākumus un konferences, kā arī piedalās un piedalās globālās diskusijās par vārda un informācijas brīvības aizsardzību 21. gadsimtā.
Aptaukošanās nogalina vairāk amerikāņu nekā iepriekš domāts
Aptaukošanās nogalina vairāk amerikāņu nekā iepriekš domāts
Aptaukošanās ir daudz nāvējošāka, nekā tika domāts iepriekš. Pēdējo gadu desmitu laikā aptaukošanās izraisīja 18 procentus nāves gadījumu starp melnbaltajiem un amerikāņiem vecumā no 40 līdz 85 gadiem, liecina zinātnieku dati. Šis atklājums izaicina zinātnieku valdošo gudrību, kas liek šo daļu sasniegt aptuveni 5%. Aptaukošanās rada dramatiski sliktākas sekas veselībai nekā daži nesenie
Mārtiņš Luters Kings juniors Kolumbijā
Mārtiņš Luters Kings juniors Kolumbijā
1961. gada 27. oktobrī Mārtiņš Luters Kinga juniors, Dienvidu kristīgās līderības konferences (SCLC) priekšsēdētājs un Atlantas Ebenezera baptistu draudzes mācītājs ieradās Kolumbijas universitātē, lai teiktu uzrunu. Atbalstot kristīgo mīlestību un Gandijas nevardarbību, uzstājot, ka Amerika piepilda savu solījumu par vienādām tiesībām visiem, King, būdams trīsdesmit divi, bija nācijas izcilākais pilsonisko tiesību līderis. Viņš bija vadījis Montgomerijas autobusu boikotu 1956. gadā un veidojis TIME vāku.