Pagrindinis Kita Laiko iki įvykio duomenų analizė

Laiko iki įvykio duomenų analizė

Apžvalga

Programinė įranga

apibūdinimas

Tinklalapiai

Skaitymai

Kursai

Apžvalga

Šiame puslapyje trumpai aprašoma keletas klausimų, į kuriuos reikėtų atsižvelgti analizuojant laiko iki įvykio duomenis, ir pateikiamas anotuotų šaltinių sąrašas, kuriame pateikiama daugiau informacijos.

apibūdinimas

Kuo unikalūs laiko iki įvykio (TTE) duomenys?

Laiko iki įvykio (TTE) duomenys yra unikalūs, nes dominantys rezultatai yra ne tik tai, ar įvykis įvyko, bet ir tada, kai įvykis įvyko. Tradiciniai logistinės ir tiesinės regresijos metodai nėra tinkami, kad į modelį būtų galima įtraukti ir įvykio, ir laiko aspektus. Tradiciniai regresijos metodai taip pat nėra pritaikyti cenzūravimui - specialiam trūkstamų duomenų tipui, kuris atsiranda analizuojant laiką iki įvykio, kai tiriamieji stebėjimo metu nepatiria dominančio įvykio. Cenzūruojant, neįvertinamas tikrasis įvykio laikas. Sukurti specialūs TTE duomenų metodai, kurie bus aptarti toliau, siekiant panaudoti dalinę informaciją apie kiekvieną tiriamąjį su cenzūruotais duomenimis ir pateikti nešališkus išgyvenamumo įverčius. Šie metodai apima daugelio tiriamųjų laiko taškų duomenis ir gali būti naudojami tiesiogiai apskaičiuoti normas, laiko santykius ir pavojaus santykius.

Kokie yra svarbūs metodologiniai laiko momento į įvykį aspektai?

Analizuojant laiko iki įvykio ar išgyvenamumo duomenis yra 4 pagrindiniai metodiniai aspektai. Svarbu aiškiai apibrėžti tikslinį įvykį, laiko kilmę, laiko skalę ir apibūdinti, kaip dalyviai išeis iš tyrimo. Kai jie bus gerai apibrėžti, analizė taps paprastesnė. Paprastai yra vienas tikslinis įvykis, tačiau yra išgyvenimo analizės plėtinių, leidžiančių atlikti kelis įvykius ar pakartotinius įvykius.

Kokia yra laiko kilmė?

Laiko kilmė yra taškas, nuo kurio prasideda tolesnis laikas. TTE duomenys gali panaudoti įvairius laiko šaltinius, kuriuos daugiausia lemia tyrimo planas, kiekvienas iš jų turi privalumų ir trūkumų. Pavyzdžiai gali būti pradinis laikas arba pradinis amžius. Laiko kilmę taip pat galima nustatyti pagal apibrėžiančią charakteristiką, pvz., Poveikio pradžią ar diagnozę. Tai dažnai yra natūralus pasirinkimas, jei rezultatas yra susijęs su ta savybe. Kiti pavyzdžiai yra gimimas ir kalendoriniai metai. Atliekant kohortos tyrimus, laiko skalė dažniausiai yra studijų laikas.

Ar yra kitas laiko skalės variantas, išskyrus studijų laiką?

Amžius yra dar viena dažnai naudojama laiko skalė, kai pradinis amžius yra laiko kilmė, o asmenys išeina iš įvykio ar cenzūros amžiaus. Modelius, kurių amžius yra laiko skalė, galima koreguoti atsižvelgiant į kalendoriaus efektus. Kai kurie autoriai rekomenduoja, kad laiko skalėje būtų naudojamas amžius, o ne tyrimo laikas, nes tai gali pateikti mažiau šališkų įvertinimų.

Kas yra cenzūra?

Vienas iš išgyvenimo analizei būdingų iššūkių yra tas, kad tik kai kurie asmenys bus patyrę įvykį iki tyrimo pabaigos, todėl tiriamosios grupės pogrupiui išgyvenimo laikas nebus žinomas. Šis reiškinys vadinamas cenzūra ir gali atsirasti šiais būdais: tyrimo dalyvis iki tyrimo pabaigos dar nepatyrė atitinkamo rezultato, pvz., Recidyvo ar mirties; tyrimo metu tyrimo dalyvis netenka stebėjimo; arba tyrimo dalyvis patiria kitokį įvykį, dėl kurio tolesnė tolesnė veikla tampa neįmanoma. Toks cenzūruotas intervalų laikas neįvertina tikrojo, bet nežinomo įvykio laiko. Laikoma, kad taikant daugumą analitinių metodų, cenzūra yra atsitiktinė arba neinformatyvi.

Yra trys pagrindiniai cenzūros tipai: dešinė, kairė ir intervalas. Jei įvykiai įvyksta pasibaigus tyrimui, tada duomenys cenzūruojami dešinėje. Kairėje cenzūruoti duomenys atsiranda stebint įvykį, tačiau tikslus įvykio laikas nežinomas. Intervalu cenzūruojami duomenys atsiranda stebint įvykį, tačiau dalyviai ateina ir stebi, todėl tikslus įvykio laikas nežinomas. Dauguma išgyvenamumo analizės metodų yra skirti stebėjimams dešinėje cenzūruoti, tačiau yra intervalų ir kairės cenzūros duomenų metodai.

Koks yra susidomėjimo klausimas?

Analitinę priemonę reikia rinktis pagal dominantį tyrimo klausimą. Turint TTE duomenis, tyrimo klausimas gali būti kelių formų, o tai įtakoja, kuri išgyvenimo funkcija yra pati aktualiausia tyrimo klausimui. Trijų skirtingų tipų tyrimo klausimai, kurie gali dominti TTE duomenis, yra šie:

  1. Kokia dalis asmenų po tam tikro laiko liks be renginio?

  2. Kokia dalis asmenų turės įvykį po tam tikro laiko?

  3. Kokia yra įvykio rizika tam tikru laiko momentu tarp tų, kurie išgyveno iki to momento?

Kiekvienas iš šių klausimų atitinka skirtingą funkciją, naudojamą išgyvenimo analizėje:

  1. Išgyvenimo funkcija, S (t): tikimybė, kad individas išgyvens pasibaigus laikui t [Pr (T> t)]

  2. Tikimybės tankio funkcija, F (t) arba kumuliacinio dažnio funkcija, R (t): tikimybė, kad individo išgyvenimo laikas bus mažesnis arba lygus t [Pr (T≤t)]

  3. Pavojaus funkcija, h (t): momentinis įvykio išgyvenimo momentas t, su sąlyga, kad jis išgyveno iki to laiko

  4. Kaupiamoji pavojaus funkcija, H (t): pavojaus funkcijos integralas nuo 0 iki laiko t, lygus plotui po kreive h (t) tarp laiko 0 ir laiko t

Jei žinoma viena iš šių funkcijų, kitas funkcijas galima apskaičiuoti naudojant šias formules:

S (t) = 1 - F (t) Išgyvenimo funkcija ir tikimybės tankio funkcija yra lygi 1

h (t) = f (t) / S (t) Momentinis pavojus yra lygus besąlyginei tikimybei

išgyvena įvykį t metu, kurį keičia t momentu gyva dalis

H (t) = -log [S (t)] Kumuliacinė pavojaus funkcija lygi neigiamam išgyvenimo log

funkcija

S (t) = e – H (t) Išgyvenimo funkcija lygi eksponuojamos neigiamos kaupiamosios rizikos grupei

funkcija

Šios konversijos dažnai naudojamos išgyvenimo analizės metoduose, kaip bus aptarta toliau. Paprastai padidėjus h (t), momentiniam pavojui, padidės H (t), sukauptas pavojus, kuris reiškia S (t), išgyvenimo funkcijos, sumažėjimą.

Kokias prielaidas reikia padaryti norint naudoti standartinius metodus duomenims apie laiką iki įvykio?

Pagrindinė prielaida analizuojant TTE duomenis yra neinformatyvi cenzūra: cenzūruojami asmenys turi tokią pačią tikimybę patirti vėlesnį įvykį kaip ir asmenys, kurie lieka tyrime. Informacinė cenzūra yra analogiška nežinomiems trūkstamiems duomenims, o tai pakraipys analizę. Nėra galutinio būdo patikrinti, ar cenzūra yra neinformatyvi, nors tiriant cenzūros modelius galima nurodyti, ar neinformatyvios cenzūros prielaida yra pagrįsta. Jei įtariama informacinė cenzūra, gali būti naudojama jautrumo analizė, pvz., Geriausio ir blogiausio scenarijaus, siekiant pabandyti kiekybiškai įvertinti informacinio cenzūravimo poveikį analizei.

Kita prielaida analizuojant TTE duomenis yra ta, kad yra pakankamas stebėjimo laikas ir įvykių skaičius, kad būtų galima gauti tinkamą statistinę galią. Į tai reikia atsižvelgti rengiant tyrimą, nes dauguma išgyvenamumo analizių yra paremtos kohortos tyrimais.

Verta paminėti papildomas supaprastinančias prielaidas, nes jos dažnai daromos išgyvenimo analizės apžvalgose. Nors šios prielaidos supaprastina išgyvenimo modelius, jų atlikti analizei naudojant TTE duomenis nėra būtina. Pažeidus šias prielaidas gali būti naudojami pažangūs metodai:

  • Neturite įtakos kohortai išgyvenimui: darant prielaidą, kad kohorta, turinti ilgą įdarbinimo laikotarpį, išgyvena anksti prisijungusių asmenų išgyvenimo tikimybė

  • Dešinioji cenzūra tik duomenyse

  • Renginiai yra nepriklausomi vienas nuo kito

Kokius metodus galima naudoti išgyvenimo analizei?

Yra trys pagrindiniai TTE duomenų analizės metodai: neparametriniai, pusiau parametriniai ir parametriniai. Pasirinkti, kurį požiūrį naudoti, turėtų lemti dominantis tyrimo klausimas. Dažnai toje pačioje analizėje galima tinkamai naudoti daugiau nei vieną metodą.

Kokie yra neparametriniai išgyvenimo analizės metodai ir kada jie yra tinkami?

Neparametriniai metodai nesiremia prielaidomis apie pagrindinės populiacijos parametrų formą ar formą. Atliekant išgyvenamumo analizę, duomenims apibūdinti naudojami neparametriniai metodai, įvertinant išgyvenimo funkciją S (t) kartu su išgyvenimo laiko mediana ir kvartiliais. Šios aprašomosios statistikos negalima apskaičiuoti tiesiogiai iš duomenų, susijusių su cenzūra, kuri nepakankamai įvertina tikrąjį išgyvenimo laiką cenzūruojamuose subjektuose, o tai lemia iškreiptus vidurkio, medianos ir kitų aprašų įvertinimus. Neparametriniai metodai dažnai naudojami kaip pirmasis analizės žingsnis, siekiant generuoti nešališką aprašomąją statistiką, ir dažnai naudojami kartu su pusiau parametriniais ar parametriniais metodais.

„Kaplan-Meier“ vertintojas

Dažniausias neparametrinis metodas literatūroje yra Kaplan-Meier (arba produkto ribos) įvertis. Kaplano-Meierio įvertintuvas veikia suskaidydamas S (t) įvertinimą į žingsnių / intervalų seką, pagrįstą stebėtu įvykių laiku. Stebėjimai prisideda prie S (t) įvertinimo, kol įvykis įvyksta arba kol jie cenzūruojami. Kiekvienam intervalui apskaičiuojama tikimybė išgyventi iki intervalo pabaigos, atsižvelgiant į tai, kad tiriamiesiems intervalo pradžioje kyla pavojus (tai paprastai žymima kaip pj = (nj - dj) / nj). Apskaičiuotas kiekvienos t vertės S (t) yra lygus kiekvieno intervalo išgyvenimo iki laiko t imtinai rezultatui. Pagrindinės šio metodo prielaidos, be neinformatyvios cenzūros, yra tai, kad cenzūra įvyksta po nesėkmių ir kad kohortos poveikis išgyvenimui nėra, todėl tiriamieji išgyvenimo tikimybę turi vienodą, neatsižvelgiant į tai, kada jie buvo tiriami.

Apskaičiuotą S (t) pagal Kaplan-Meier metodą galima pavaizduoti kaip laipsnišką funkciją su laiku X ašyje. Šis grafikas yra puikus būdas vizualizuoti kohortos išgyvenimo patirtį ir taip pat gali būti naudojamas išgyvenimo laiko medianai (kai S (t) ≤0,5) arba kvartilėms įvertinti. Ši aprašomoji statistika taip pat gali būti apskaičiuojama tiesiogiai naudojant Kaplan-Meier įvertintuvą. 95% patikimumo intervalai (PI) S (t) remiasi S (t) transformacijomis, kad būtų užtikrinta, jog 95% PI yra 0 ir 1 ribose. Dažniausias literatūros metodas yra Greenwoodo vertintojas.

Gyvenimo lentelės skaičiuoklė

Išgyvenimo funkcijos gyvenimo lentelės įvertinimas yra vienas iš ankstyviausių taikytų statistinių metodų pavyzdžių, kuris daugiau kaip 100 metų buvo naudojamas apibūdinant mirtingumą didelėse populiacijose. Gyvenimo lentelės įvertinimas yra panašus į Kaplan-Meier metodą, išskyrus tai, kad intervalai yra pagrįsti kalendoriaus laiku, o ne stebimais įvykiais. Kadangi gyvenimo lentelės metodai yra pagrįsti šiais kalendoriaus intervalais, o ne remiantis atskirais įvykiais / cenzūros laikais, šiems metodams S (t) apskaičiuoti naudojamas vidutinis rizikos intervalo dydis per intervalą ir turi būti daroma prielaida, kad cenzūra įvyko vienodai per kalendoriaus laiko intervalą. Dėl šios priežasties gyvenimo lentelės įvertintuvas nėra toks tikslus kaip Kaplan-Meier įvertintojas, tačiau labai didelių imčių rezultatai bus panašūs.

Nelsono-Aaleno įvertintojas

Kita „Kaplan-Meier“ alternatyva yra „Nelson-Aalen“ vertintojas, kuris remiasi skaičiavimo proceso metodu įvertinant kaupiamojo pavojaus funkciją H (t). Tada H (t) įvertį galima naudoti įvertinant S (t). S (t) įvertinimai, gauti naudojant šį metodą, visada bus didesni nei K-M įvertis, tačiau skirtumas tarp šių dviejų didelių imčių metodų bus nedidelis.

kas yra kelio analizė

Ar galima neneparametrinius metodus naudoti vienkartinėms ar daugialypėms analizėms?

Neparametriniai metodai, tokie kaip Kaplan-Meier įvertintuvas, gali būti naudojami atliekant vienkartinę analizę, siekiant nustatyti kategorinius dominančius veiksnius. Veiksniai turi būti kategoriški (pagal pobūdį arba ištisinį kintamąjį, suskirstytą į kategorijas), nes išgyvenimo funkcija S (t) yra apskaičiuojama kiekvienam kategorinio kintamojo lygiui ir vėliau palyginama šiose grupėse. Įvertintą kiekvienos grupės S (t) galima pavaizduoti ir vizualiai palyginti.

Reitingais pagrįsti testai taip pat gali būti naudojami statistiškai išbandyti išgyvenamumo kreivių skirtumą. Šiuose bandymuose palyginamas pastebėtas ir numatomas įvykių skaičius kiekvienu laiko momentu grupėse, remiantis hipoteze, kad išgyvenimo funkcijos yra lygios grupėse. Yra kelios šių reitingais pagrįstų testų versijos, kurios skiriasi kiekvienu laiko momentu apskaičiuojant testo statistiką. Du iš dažniausiai literatūroje matomų rangu pagrįstų testų yra log rango testas, suteikiantis kiekvienam laiko taškui vienodą svorį, ir Wilcoxon testas, kuris kiekvieną laiko tašką įvertina pagal rizikos grupių skaičių. Remiantis šiuo svoriu, Wilcoxon testas yra jautresnis kreivių skirtumams tolesnio tyrimo pradžioje, kai rizikuojama daugiau tiriamųjų. Kituose bandymuose, pavyzdžiui, „Peto-Prentice“ teste, naudojami svoriai tarp log log rango ir Wilcoxon testų. Pagal rangą atliekamiems testams taikoma papildoma prielaida, kad cenzūra yra nepriklausoma nuo grupės, ir visus riboja mažai galių nustatyti skirtumus tarp grupių, kai išgyvenimo kreivės kerta. Nors šie testai pateikia kreivių skirtumo p vertę, jie negali būti naudojami efekto dydžiams įvertinti (tačiau log rank testo p reikšmė yra tolygi kategorinio veiksnio, kuris domina vienkartinį Cox, p vertei) modelis).

Neparametriniai modeliai yra riboti, nes jie nepateikia poveikio įvertinimų ir paprastai negali būti naudojami vertinant daugelio dominančių veiksnių poveikį (daugialypiai kintamieji). Dėl šios priežasties epidemiologijoje kartu su pusiau arba visiškai parametriniais modeliais dažnai taikomi neparametriniai metodai, kur paprastai naudojami įvairialypiai kintamieji.

Ar galima sureguliuoti Kaplano-Meierio kreives?

Tai paplitęs mitas, kad Kaplano-Meierio kreivės negali būti koreguojamos, ir tai dažnai nurodoma kaip priežastis naudoti parametrinį modelį, kuris gali generuoti kovariuotai koreguotas išgyvenimo kreives. Tačiau sukurtas metodas sureguliuotoms išgyvenimo kreivėms sukurti naudojant atvirkštinį tikimybės svertą (IPW). Tik vieno kovarianto atveju IPW gali būti neparametriškai įvertinami ir yra lygiaverčiai tiesioginiam išgyvenamumo kreivių standartizavimui pagal tiriamą populiaciją. Jei yra keli kovariatai, svoriams įvertinti reikia naudoti pusiau arba visiškai parametrinius modelius, kurie vėliau naudojami kuriant daugiarankius koreguotus išgyvenimo kreives. Šio metodo pranašumai yra tai, kad jam netaikoma proporcingo pavojaus prielaida, jis gali būti naudojamas kovariatams, kintantiems pagal laiką, ir taip pat nenutrūkstamiems kovariatams.

Kodėl mums reikalingi parametriniai metodai analizuojant laiko iki įvykio duomenis?

Neparametrinis TTE duomenų analizės metodas naudojamas tiesiog apibūdinant išgyvenamumo duomenis atsižvelgiant į tiriamą veiksnį. Modeliai, naudojantys šį metodą, taip pat vadinami nekintamais modeliais. Tyrėjus dažniau domina kelių kovariatų santykiai ir laikas iki įvykio. Pusiau parametrų modelių naudojimas leidžia analizuoti įvykio laiką daugelio veiksnių atžvilgiu vienu metu ir pateikia kiekvieno sudedamojo veiksnio poveikio stiprumo įvertinimus.

Kas yra pusiau parametrinis metodas ir kodėl jis taip dažnai naudojamas?

Cox proporcinis modelis yra dažniausiai naudojamas daugialypis požiūris analizuojant išgyvenamumo duomenis atliekant medicininius tyrimus. Iš esmės tai yra laiko iki įvykio regresijos modelis, apibūdinantis įvykio dažnio, išreikšto pavojaus funkcija, ir kovariatų rinkinio ryšį. „Cox“ modelis parašytas taip:

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

Tai laikoma pusiau parametriniu požiūriu, nes modelyje yra neparametrinis komponentas ir parametrinis komponentas. Neparametrinis komponentas yra pagrindinis pavojus, h0 (t). Tai yra pavojaus vertė, kai visi kovariantai yra lygūs 0, o tai parodo kovariatų centravimo svarbą interpretavimo modelyje. Negalima painioti, kad pradinis pavojus yra pavojingas 0 momentu. Pagrindinė pavojaus funkcija yra vertinama neparametriškai, todėl, skirtingai nei daugumoje kitų statistinių modelių, manoma, kad išgyvenimo laikas neatitinka tam tikro statistinio pasiskirstymo ir pradinės padėties formos. pavojus yra savavališkas. Norint padaryti išvadą apie santykinį pavojų ar pavojaus santykį, nereikia įvertinti pradinės rizikos funkcijos. Ši savybė daro „Cox“ modelį tvirtesnį nei parametriniai metodai, nes jis nėra pažeidžiamas neteisingai nurodant pagrindinį pavojų.

Parametrinį komponentą sudaro kovariatinis vektorius. Kovariacinis vektorius bazinį pavojų padaugina iš to paties dydžio, neatsižvelgiant į laiką, todėl bet kokio kovariato poveikis bet kurio stebėjimo metu yra vienodas, ir tai yra proporcingo pavojaus prielaidos pagrindas.

Kokia yra proporcingo pavojaus prielaida?

Proporcingo pavojaus prielaida yra gyvybiškai svarbi naudojant ir interpretuojant Cox modelį.

Pagal šią prielaidą yra pastovus ryšys tarp rezultato arba priklausomo kintamojo ir kovariacinio vektoriaus. Šios prielaidos pasekmės yra tai, kad bet kurio dviejų asmenų pavojaus funkcijos yra proporcingos bet kuriuo laiko momentu, o pavojaus santykis nesikeičia priklausomai nuo laiko. Kitaip tariant, jei asmuo rizikuoja mirti tam tikru pradiniu laikotarpiu, kuris yra dvigubai didesnis nei kito asmens, tada visais vėlesniais laikais mirties rizika išlieka dvigubai didesnė. Ši prielaida reiškia, kad pavojaus kreivės grupėms turėtų būti proporcingos ir neturėtų kirsti. Kadangi ši prielaida yra labai svarbi, ją tikrai reikėtų patikrinti.

Kaip tikrinate proporcingo pavojaus prielaidą?

Vertinant proporcingo pavojaus prielaidą pagrįstumą, yra įvairių grafinių ir bandymų metodų. Viena iš metodų yra paprasčiausiai nubrėžti Kaplano – Meierio išgyvenimo kreives, jei lyginate dvi grupes be kovariatų. Jei kreivės kerta, proporcingo pavojaus prielaida gali būti pažeista. Atliekant mažus tyrimus, reikia nepamiršti svarbaus šio požiūrio įspėjimo. Tyrimams su mažu imties dydžiu gali būti didelė klaida, susijusi su išgyvenimo kreivių įvertinimu, todėl kreivės gali kirstis net tada, kai laikomasi proporcingo pavojaus prielaidos. Papildomas log-log diagramas yra patikimesnis testas, kurio metu apskaičiuojamas išgyvenamojo funkcijos neigiamo logaritmo logaritmas palyginamas su išgyvenimo laiko logaritmu. Jei pavojai yra proporcingi grupėms, šis diagramas duos lygiagrečias kreives. Kitas įprastas proporcingų pavojų prielaidos patikrinimo metodas yra įtraukti laiko sąveikos terminą, kad būtų galima nustatyti, ar HR laikui bėgant keičiasi, nes laikas dažnai yra pavojų neproporcingumo kaltininkas. Įrodymai, kad grupės * laiko sąveikos terminas nėra nulis, yra įrodymas, kad nėra proporcingų pavojų.

Ką daryti, jei proporcingo pavojaus prielaida netinka?

Jei pastebėsite, kad PH prielaida netinka, nebūtinai turite atsisakyti Cox modelio naudojimo. Yra proporcingumo modelyje tobulinimo galimybių. Pavyzdžiui, į modelį galite įtraukti kitus kovariatus: naujus kovariatus, netiesinius esamų kovariatų terminus arba kovariatų sąveiką. Arba galite stratifikuoti analizę pagal vieną ar daugiau kintamųjų. Tai įvertina modelį, kuriame kiekvienam sluoksniui leidžiama skirtis pradiniam pavojui, tačiau kovariacinis poveikis yra lygus visiems sluoksniams. Kitos galimybės apima laiko padalijimą į kategorijas ir indikatorių kintamųjų naudojimą, kad pavojaus koeficientai galėtų skirtis pagal laiką, ir analizės laiko kintamojo pakeitimą (pvz., Nuo praėjusio laiko iki amžiaus arba atvirkščiai).

Kaip jūs tikrinate pusiau parametrinį modelio tinkamumą?

Be proporcingumo prielaidos pažeidimų patikrinimo, reikėtų išnagrinėti ir kitus modelio tinkamumo aspektus. Statistika, panaši į tą, kuri naudojama tiesinėje ir logistinėje regresijoje, gali būti naudojama atliekant šias užduotis Cox modeliams su tam tikrais skirtumais, tačiau esminės idėjos visose trijose nuostatose yra vienodos. Svarbu patikrinti kovariacinio vektoriaus tiesiškumą, kurį galima padaryti tiriant likučius, kaip ir tiesinės regresijos atveju. Tačiau liekanos TTE duomenyse nėra tokios paprastos, kaip tiesinės regresijos atveju, iš dalies dėl to, kad kai kurių duomenų rezultato vertė nežinoma, o liekanos dažnai yra iškreiptos. Siekiant įvertinti Cox modelio tinkamumą TTE duomenims, buvo sukurti keli skirtingi liekanų tipai. Pavyzdžiui, Martingale ir Schoenfeld. Taip pat galite pažvelgti į liekanas, kad nustatytumėte labai įtakingus ir blogai tinkamus pastebėjimus. Taip pat yra tinkamumo testų, būdingų Cox modeliams, tokių kaip Gronnesby ir Borgan testas bei Hosmerio ir Lemeshowo prognostinis indeksas. Taip pat galite naudoti AIC skirtingiems modeliams palyginti, nors R2 naudojimas yra problemiškas.

Kodėl verta naudoti parametrinį metodą?

Vienas pagrindinių pusiau parametrinių modelių pranašumų yra tas, kad norint nustatyti pavojaus santykius, apibūdinančius santykinio pavojaus skirtumus tarp grupių, pagrindinio pavojaus nurodyti nereikia. Vis dėlto gali būti įdomu įvertinti patį pradinį pavojų. Šiuo atveju būtinas parametrinis metodas. Taikant parametrinius metodus, nurodoma ir pavojaus funkcija, ir kovariatų poveikis. Pavojingumo funkcija įvertinta remiantis numanomu pasiskirstymu pagrindinėje populiacijoje.

Parametrinio išgyvenimo analizės metodo taikymo pranašumai yra šie:

  • Parametriniai metodai yra labiau informatyvūs nei ne ir pusiau parametriniai. Be santykinio poveikio įverčių skaičiavimo, jie taip pat gali būti naudojami prognozuojant išgyvenimo laiką, pavojaus rodiklius ir vidutinį bei vidutinį išgyvenimo laiką. Jie taip pat gali būti naudojami absoliučiai rizikos prognozei laikui bėgant ir pagal kovariatą pakoreguotų išgyvenamumo kreivių braižymui.

  • Teisingai nurodžius parametrinę formą, parametriniai modeliai turi daugiau galios nei pusiau parametriniai modeliai. Jie taip pat yra efektyvesni, todėl mažesnės standartinės klaidos ir tikslesni įvertinimai.

  • Parametriniai metodai remiasi maksimalia tikimybe įvertinti parametrus.

  • Parametrinių modelių likučiai įgauna įprastą stebimo ir laukiamo skirtumo formą.

Pagrindinis parametrinio metodo naudojimo trūkumas yra tas, kad remiamasi prielaida, kad teisingai nurodytas pagrindinis gyventojų pasiskirstymas. Parametriniai modeliai nėra tvirti, kad būtų neteisingai aprašyti, todėl pusiau parametriniai modeliai yra labiau paplitę literatūroje ir yra mažiau rizikingi naudoti, kai nėra aiškumo dėl pagrindinio populiacijos pasiskirstymo.

Kaip pasirenkate parametrinę formą?

Tinkamos parametrinės formos pasirinkimas yra sunkiausia parametrinės išgyvenamumo analizės dalis. Parametrinės formos specifikaciją turėtų lemti tyrimo hipotezė, išankstinės žinios ir biologinis patikimumas apie pradinio pavojaus formą. Pavyzdžiui, jei yra žinoma, kad iškart po operacijos mirties rizika labai padidėja, o po to sumažėja ir išsilygina, būtų netikslinga nurodyti eksponentinį pasiskirstymą, kuris laikui bėgant prisiima nuolatinį pavojų. Duomenys gali būti naudojami norint įvertinti, ar nurodyta forma atitinka duomenis, tačiau šie duomenimis pagrįsti metodai turėtų papildyti, o ne pakeisti hipotezėmis pagrįstus pasirinkimus.

Kuo skiriasi proporcingo pavojaus modelis ir pagreitinto gedimo laiko modelis?

Nors Cox proporcinių pavojų modelis yra pusiau parametrinis, proporcinių pavojų modeliai taip pat gali būti parametriniai. Parametrinius proporcingų pavojų modelius galima parašyti taip:

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

kur pradinis pavojus, h0 (t), priklauso tik nuo laiko, t, bet ne nuo X, o λ yra kovariatų vienetui būdinga funkcija, kuri nepriklauso nuo t, kuri padidina arba sumažina pagrindinio pavojaus funkciją. λ negali būti neigiamas. Šiame modelyje pavojaus rodiklis yra dauginamoji pradinio pavojaus funkcija, o pavojaus santykius galima aiškinti taip pat, kaip pusiau parametriniame proporcingo pavojaus modelyje.

Pagreitinto gedimo laiko (AFT) modeliai yra parametrinių išgyvenimo modelių klasė, kurią galima linijuoti paimant natūralų išgyvenimo laiko modelio žurnalą. Paprasčiausias AFT modelio pavyzdys yra eksponentinis modelis, kuris parašytas taip:

ln (T) = β0 + β1X1 +…. + βpXp + ε *

Pagrindinis skirtumas tarp AFT modelių ir PH modelių yra tas, kad AFT modeliuose daroma prielaida, kad kovariatų poveikis yra dauginamasis pagal laiko skalę, o Cox modeliai naudoja pavojaus skalę, kaip parodyta aukščiau. AFT modelių parametrų vertinimai interpretuojami kaip poveikis laiko skalei, kuris gali pagreitinti arba sulėtinti išgyvenimo laiką. Exp (β)> 1 iš AFT modelio reiškia, kad faktorius pagreitina išgyvenimo laiką arba sukelia ilgesnį išgyvenamumą. Tinka (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).

Kai kuriuos klaidų pasiskirstymus galima rašyti ir interpretuoti kaip PH ir AFT modelius (t. Y. Eksponentinius, Weibull), kiti yra tik PH (t. Y. Gompertz) arba tik AFT modeliai (ty logistiniai), o kiti nėra nei PH, nei AFT modeliai. (t. y. montuoti spline).

Kokias formas parametrų modeliai gali įgyti?

Pavojaus funkcija gali būti bet kokios formos, kol h (t)> 0 visoms t reikšmėms. Nors pagrindinis parametro formos aspektas turėtų būti išankstinis žinojimas apie pradinio pavojaus formą, kiekvienas skirstinys turi savo privalumų ir trūkumų. Kai kurios iš labiau paplitusių formų bus trumpai paaiškintos, o daugiau informacijos rasite išteklių sąraše.

Eksponentinis paskirstymas

Eksponentinis skirstinys daro prielaidą, kad h (t) priklauso tik nuo modelio koeficientų ir kovariatų ir yra pastovus laikui bėgant. Pagrindinis šio modelio privalumas yra tai, kad jis yra ir proporcingo pavojaus, ir pagreitinto gedimo laiko modelis, todėl poveikio įvertinimus galima interpretuoti kaip pavojaus santykius arba laiko santykius. Pagrindinis šio modelio trūkumas yra tas, kad dažnai neįmanoma prisiimti pastovaus pavojaus laikui bėgant.

„Weibull“ paskirstymas

„Weibull“ skirstinys yra panašus į eksponentinį skirstinį. Nors eksponentinis pasiskirstymas prisiima nuolatinį pavojų, Weibull pasiskirstymas prisiima monotonišką pavojų, kuris gali arba didėti, arba mažėti, bet ne abu. Jis turi du parametrus. Formos parametras (σ) kontroliuoja, ar padidėja pavojus (σ1) (eksponentiniame skirstinyje šis parametras nustatytas į 1). Skalės parametras (1 / σ) exp (-β0 / σ) nustato šio padidėjimo / sumažėjimo mastą. Kadangi Weibull skirstinys supaprastina eksponentinį skirstinį, kai σ = 1, nulinę hipotezę, kad σ = 1, galima patikrinti naudojant Waldo testą. Pagrindinis šio modelio privalumas yra tas, kad jis yra ir PH, ir AFT modelis, todėl galima įvertinti ir pavojaus, ir laiko santykius. Vėlgi, pagrindinis trūkumas yra tas, kad prielaida apie pradinio pavojaus monotoniškumą kai kuriais atvejais gali būti neįtikėtina.

„Gompertz“ paskirstymas

Gompertz pasiskirstymas yra PH modelis, kuris yra lygus log-Weibull pasiskirstymui, taigi pavojaus funkcijos log yra t linijinis. Šis pasiskirstymas turi eksponentiškai didėjantį nesėkmės rodiklį ir dažnai tinka aktuariniams duomenims, nes laikui bėgant mirtingumo rizika taip pat didėja eksponentiškai.

Log-Logistic paskirstymas

Logistinis-logistinis paskirstymas yra AFT modelis su klaidos terminu, kuris atitinka standartinį logistinį paskirstymą. Jis gali atitikti nemonotoniškus pavojus ir paprastai geriausiai tinka, kai pagrindinis pavojus pakyla iki didžiausio taško, o po to sumažėja, o tai gali būti tikėtina tam tikroms ligoms, tokioms kaip tuberkuliozė. Logistinis-logistinis paskirstymas nėra PH modelis, tačiau tai yra proporcingo koeficiento modelis. Tai reiškia, kad jam taikoma proporcingo koeficiento prielaida, tačiau pranašumas yra tas, kad nuolydžio koeficientus galima interpretuoti kaip laiko santykius ir taip pat kaip koeficientų koeficientus. Pavyzdžiui, koeficiento koeficientas 2 iš parametrinio logistinio modelio būtų aiškinamas kaip išgyvenamumo po laiko t tikimybė tarp subjektų, kurių x = 1, yra dvigubai didesnis už koeficientus tarp subjektų, kurių x = 0.

Apibendrintas gama (GG) pasiskirstymas

Apibendrintas gama (GG) skirstinys iš tikrųjų yra paskirstymų šeima, kurioje yra beveik visi dažniausiai naudojami skirstiniai, įskaitant eksponentinius, Weibull, log normalus ir gama skirstinius. Tai leidžia palyginti skirtingus paskirstymus. GG šeima taip pat apima visus keturis labiausiai paplitusius pavojaus funkcijų tipus, todėl GG paskirstymas yra ypač naudingas, nes pavojaus funkcijos forma gali padėti optimizuoti modelio pasirinkimą.

Splines požiūris

Kadangi vienintelis pagrindinis bazinės pavojaus funkcijos specifikacijos apribojimas yra thath (t)> 0 visoms t reikšmėms, splainus galima naudoti siekiant maksimalaus lankstumo modeliuojant pradinio pavojaus formą. Riboti kubiniai splainai yra vienas iš metodų, kuris neseniai buvo rekomenduojamas literatūroje parametrinei išgyvenamumo analizei, nes šis metodas leidžia formos lankstumą, tačiau riboja funkcijos linijiškumą galuose, kur duomenų yra nedaug. Splainai gali būti naudojami įvertinimui pagerinti, be to, jie yra naudingi ekstrapoliacijai, nes jie maksimaliai pritaikomi prie stebimų duomenų. Jei teisingai nurodyta, modelių, vertinamų naudojant splines, poveikio vertinimai neturėtų būti šališki. Kaip ir kitose regresijos analizėse, iššūkiai montuojant splines gali apimti mazgų skaičiaus ir vietos pasirinkimą bei problemas, susijusias su per dideliu pritaikymu.

Kaip jūs tiriate parametrinį modelį?

Svarbiausias parametrinio modelio atitikimo vertinimo komponentas yra patikrinti, ar duomenys palaiko nurodytą parametrinę formą. Tai galima įvertinti vizualiai, pavaizduojant modeliu pagrįstą kaupiamąjį pavojų pagal Kaplan-Meier apskaičiuotą kaupiamojo pavojaus funkciją. Jei nurodyta forma yra teisinga, grafikas turėtų praeiti per kilmę su 1 nuolydžiu. Grønnesby-Borgano tinkamumo testas taip pat gali būti naudojamas norint nustatyti, ar pastebėtas įvykių skaičius žymiai skiriasi nuo numatomo įvykių skaičiaus grupėse, diferencijuotose pagal rizikos balus. Šis testas labai jautriai reaguoja į pasirinktų grupių skaičių ir yra linkęs per daug liberaliai atmesti nulinę tinkamo tinkamumo hipotezę, jei pasirenkama daug grupių, ypač mažuose duomenų rinkiniuose. Testas neturi galios aptikti modelio pažeidimų, tačiau jei pasirenkama per mažai grupių. Dėl šios priežasties atrodo nerekomenduojama pasikliauti vien tinkamumo testu nustatant, ar nurodyta parametrinė forma yra pagrįsta.

AIC taip pat gali būti naudojamas palyginti modelius, veikiančius su skirtingomis parametrų formomis, o žemiausias AIC rodo geriausią atitikimą. AIC negalima naudoti lyginant parametrinius ir pusiau parametrinius modelius, tačiau parametriniai modeliai yra pagrįsti stebėtais įvykių laikais, o pusiau parametriniai modeliai - įvykių laiko tvarka. Vėlgi, šios priemonės turėtų būti naudojamos tiriant, ar nurodyta forma atitinka duomenis, tačiau nurodyto pagrindinio pavojaus patikimumas vis dar yra svarbiausias aspektas renkantis parametrinę formą.

Nustačius nurodytą parametrinę formą, kad ji gerai atitiktų duomenis, galima pasirinkti panašius metodus, aprašytus anksčiau pusiau proporcingo pavojaus modeliuose, norint pasirinkti skirtingus modelius, tokius kaip liekamieji brėžiniai ir tinkamumo testai.

O jei prognozuotojai laikui bėgant pasikeis?

Aukščiau parašytuose pavyzdiniuose teiginiuose mes darėme prielaidą, kad tolesnio stebėjimo metu pozicijos yra pastovios. Ekspozicijos, kurių vertės kinta laikui bėgant, arba kintamieji, priklausomai nuo laiko, gali būti įtraukti į išgyvenimo modelius, pakeičiant analizės vienetą nuo individo iki laikotarpio, kai ekspozicija yra pastovi. Tai suskirsto asmenų asmens laiką į intervalus, kuriais kiekvienas asmuo prisideda prie to kovariatei būdingos ir neeksponuotos rizikos. Pagrindinė prielaida įtraukti tokiu būdu kintantį laiką kintantį variantą yra ta, kad kintančio kintančio laikas poveikis nepriklauso nuo laiko.

Kokso proporcingo pavojaus modelio įtraukimas į laiką kintantį kovariantą būtų toks: h (t) = h0 (t) e ^ β1x1 (t). Į parametrinius modelius taip pat galima įtraukti įvairius laiką kintančius variantus, nors tai yra šiek tiek sudėtingiau ir sunkiau interpretuoti. Parametriniai modeliai taip pat gali modeliuoti kintančius kintamuosius, naudojant splines, kad būtų didesnis lankstumas.

Paprastai kintamieji, priklausomai nuo laiko, turėtų būti naudojami, kai keliama hipotezė, kad pavojus labiau priklauso nuo vėlesnių kovariato verčių, nei kovariato vertės pradiniame etape. Iššūkiams, kylantiems su kintamaisiais laikais, trūksta duomenų apie kovariatą skirtingais laiko momentais ir galimo šališkumo vertinant pavojų, jei kovaariuotas laikas iš tikrųjų yra tarpininkas.

Kas yra konkuruojančios rizikos analizė?

Tradiciniuose išgyvenimo analizės metoduose daroma prielaida, kad įvyksta tik vieno tipo dominantys įvykiai. Tačiau yra pažangesnių metodų, leidžiančių tame pačiame tyrime ištirti kelių tipų įvykius, pavyzdžiui, mirtį dėl daugelio priežasčių. Šiems tyrimams, kuriuose išgyvenimo trukmė baigiasi pirmuoju iš kelių įvykių, naudojama konkuruojanti rizikos analizė. Reikia specialių metodų, nes analizuoti laiką iki kiekvieno įvykio atskirai galima neobjektyviai. Konkrečiai šiame kontekste KM metodas linkęs pervertinti subjektų, patiriančių įvykius, dalį. Konkuruojančioje rizikos analizėje naudojamas kumuliatyvaus paplitimo metodas, pagal kurį bendra įvykio tikimybė bet kuriuo metu yra įvykiui būdingų tikimybių suma. Modeliai paprastai įgyvendinami įvedus kiekvieną tyrimo dalyvį kelis kartus - po vieną kiekvienam renginio tipui. Kiekvieno tyrimo dalyvio laikas iki bet kurio įvykio yra cenzūruojamas atsižvelgiant į laiką, kai pacientas patyrė pirmąjį įvykį. Norėdami gauti daugiau informacijos, apsilankykite Advancedepidemiology.org puslapyje konkuruojančios rizikos .

Kas yra silpnumo modeliai ir kodėl jie naudingi koreliuojantiems duomenims?

Koreliuojami išgyvenamumo duomenys gali atsirasti dėl pasikartojančių įvykių, kuriuos patiria asmuo, arba kai stebėjimai sugrupuoti į grupes. Arba dėl žinių stokos, ar dėl galimybių, kai kurie kovariatai, susiję su dominančiu įvykiu, gali būti neišmatuoti. „Frailty“ modeliuose atsižvelgiama į heterogeniškumą, kurį sukelia neišmatuoti kovariatai, pridedant atsitiktinius efektus, kurie daugybiškai veikia pavojaus funkciją. „Frailty“ modeliai iš esmės yra „Cox“ modelio pratęsimai, pridėjus atsitiktinius efektus. Nors šiems modeliams apibūdinti naudojamos įvairios klasifikavimo schemos ir nomenklatūra, keturi įprasti silpnumo modelių tipai yra bendras, įdėtas, jungtinis ir papildomas silpnumas.

Ar yra kitų būdų analizuoti pasikartojančių įvykių duomenis?

Pasikartojančių įvykių duomenys yra susiję, nes toje pačioje temoje gali įvykti keli įvykiai. Nors silpnumo modeliai yra vienas iš būdų, kaip atsižvelgti į šią koreliaciją pasikartojančių įvykių analizėse, paprastesnis metodas, kuris taip pat gali paaiškinti šią koreliaciją, yra tvirtų standartinių klaidų (SE) naudojimas. Pridėjus patikimas SE, pasikartojančių įvykių analizė gali būti atliekama kaip paprastas pusiau parametrinių arba parametrinių modelių išplėtimas.

Nors tai paprasta įgyvendinti, pasikartojančių įvykių duomenis galima modeliuoti naudojant patikimas SE. Šie metodai skiriasi tuo, kaip jie apibrėžia kiekvieno pasikartojimo riziką. Tokiu būdu jie atsako į šiek tiek skirtingus tyrimo klausimus, todėl pasirinkti, kurį modeliavimo metodą naudoti, reikėtų remtis tyrimo hipoteze ir modeliavimo prielaidų pagrįstumu.

Skaičiavimo proceso arba Anderseno-Gillo požiūris į pasikartojančių įvykių modeliavimą daro prielaidą, kad kiekvienas pasikartojimas yra nepriklausomas įvykis ir neatsižvelgiama į įvykio tvarką ar tipą. Pagal šį modelį kiekvieno dalyko stebėjimo laikas prasideda tyrimo pradžioje ir yra suskirstytas į segmentus, apibrėžtus įvykių (pasikartojimų). Tiriamieji prisideda prie įvykiui nustatytos rizikos, jei jie tuo metu yra stebimi (nėra cenzūruojami). Šiuos modelius paprasta pritaikyti kaip „Cox“ modelį, pridedant patikimą SE įvertintoją, o pavojaus santykiai aiškinami kaip kovariatoriaus poveikis pasikartojimo dažniui tolesnio laikotarpio metu. Tačiau šis modelis būtų netinkamas, jei nepriklausomybės prielaida nėra pagrįsta.

Sąlyginiuose požiūriuose daroma prielaida, kad tiriamajam nėra pavojaus dėl vėlesnio įvykio, kol neįvyks ankstesnis įvykis, todėl atsižvelgiama į įvykių tvarką. Jie tinka naudojant stratifikuotą modelį, kurio įvykio numeris (arba šiuo atveju pasikartojimo skaičius) yra sluoksnių kintamasis, įskaitant tvirtas SE. Yra du skirtingi sąlyginiai metodai, kuriems naudojamos skirtingos laiko skalės, todėl jų rizika skiriasi. Sąlyginės tikimybės metodas laiko intervalams apibrėžti naudoja laiką nuo tyrimo pradžios ir yra tinkamas, kai domimasi visu pasikartojančio įvykio procesu. Atotrūkio laiko metodas iš esmės atstato kiekvieno pasikartojimo laikrodį, naudodamas laiką nuo ankstesnio įvykio, kad apibrėžtų laiko intervalus, ir yra tinkamesnis, kai domina konkretaus įvykio (ar pasikartojimo) poveikio įvertinimai.

Galiausiai, ribiniai metodai (dar vadinami WLW - Wei, Lin ir Weissfeld - požiūris) kiekvieną įvykį laiko atskiru procesu, todėl tiriamiesiems gresia visi įvykiai nuo tolesnių veiksmų pradžios, neatsižvelgiant į tai, ar jie patyrė prieš įvykį. Šis modelis yra tinkamas, kai manoma, kad įvykiai atsiranda dėl skirtingų pagrindinių procesų, kad tiriamasis galėtų patirti 3 įvykį, pavyzdžiui, nepatyręs 1-ojo. Nors ši prielaida atrodo neįtikėtina naudojant kai kuriuos duomenų tipus, pavyzdžiui, vėžio pasikartojimus, ji gali būti naudojama modeliuojant sužalojimų pasikartojimą tam tikru laikotarpiu, kai tiriamieji per tą laikotarpį galėjo patirti įvairių rūšių sužalojimus, kurie neturi natūralios tvarkos. Ribiniai modeliai taip pat gali būti pritaikyti naudojant stratifikuotus modelius su tvirtomis SE.

Skaitymai

Šiuo projektu buvo siekiama aprašyti metodinius ir analitinius sprendimus, su kuriais gali susidurti dirbant su laiko iki įvykio duomenimis, tačiau tai jokiu būdu nėra išsamus. Toliau pateikiami šaltiniai, skirti gilintis į šias temas.

Vadovėliai ir skyriai

„Vittinghoff E“, „Glidden DV“, „Shiboski SC“, „McCulloch CE“ (2012). Regresijos metodai biostatistikoje, 2-asis Niujorkas, NY: „Springer“.

  • Linijinių, logistinių, išgyvenamumo ir pakartotinių matų modelių įvadinis tekstas geriausiai tinka tiems, kurie nori pagrindinio atspirties taško.

  • Išgyvenimo analizės skyriuje pateikiama gera apžvalga, bet ne gylis. Pavyzdžiai yra pagrįsti STATA.

Hosmer DW, Lemeshow S, May S. (2008) Taikoma išgyvenimo analizė: Regresinis modeliavimas laiko iki įvykio duomenims, 2-asis leidimas. Hoboken, NJ: John Wiley & Sons, Inc.

  • Išsami neparametrinių, pusiau parametrinių ir parametrinių „Cox“ modelių apžvalga, geriausiai tinkanti tiems, kurie turi žinių kitose statistikos srityse. Pažangios technikos nėra išsamiai aprašytos, tačiau pateikiamos nuorodos į kitus specialybės vadovėlius.

Kleinbaum generalinis direktoratas, Klein M (2012). Išgyvenimo analizė: savarankiškai mokantis tekstas, 3-asis leidimas. Niujorkas, NY: „Springer Science + Business Media, LLC“

  • Puikus įvadinis tekstas

Klein JP, Moeschberger ML (2005). Išgyvenimo analizė: cenzūruotų ir sutrumpintų duomenų metodika, 2-asis leidimas. Niujorkas, NY: „Springer Science + Business Media, LLC“

  • skirta magistrantams, šioje knygoje pateikiama daug praktinių pavyzdžių

Therneau TM, Grambscho ministras pirmininkas (2000). Išgyvenimo duomenų modeliavimas: Cox modelio išplėtimas. Niujorkas, NY: „Springer Science + Business Media, LLC“

  • Geras įvadas į skaičiavimo proceso metodą ir susietų išgyvenamumo duomenų analizę. Autorius taip pat parašė išgyvenimo paketą R

Allison PD (2010). Išgyvenimo analizė naudojant SAS: praktikos vadovas, 2-asis leidimas. Cary, NC: SAS institutas

  • Puikus pritaikytas tekstas SAS vartotojams

Bagdonavičius V, Nikulinas M (2002). Pagreitinti gyvenimo modeliai: modeliavimas ir statistinė analizė. Boca Raton, FL: „Chapman & Hall / CRC Press“.

  • Geras šaltinis daugiau informacijos apie parametrinius ir pusiau parametrinius pagreitinto gedimo laiko modelius ir jų palyginimą su proporcingo pavojaus modeliais

Metodiniai straipsniai

Įvadiniai / apžvalginiai straipsniai

Hougaardas P (1999). Išgyvenimo duomenų pagrindai. Biometrija 55 (1): 13-22. PMID: 11318147 .

Clarkas TG, Bradburnas MJ, Love SB, „Altman“ generalinis direktoratas (2003). I išgyvenimo analizės dalis: pagrindinės sąvokos ir pirmosios analizės. Br J vėžys 89 (2): 232-8. PMID: 12865907

Clarkas TG, Bradburnas MJ, Love SB, „Altman“ generalinis direktoratas (2003). Išgyvenimo analizė II dalis: daugialypė duomenų analizė - įvadas į sąvokas ir metodus. Br J vėžys 89 (3): 431-6. PMID: 1288808

Clarkas TG, Bradburnas MJ, Love SB, „Altman“ generalinis direktoratas (2003). Išgyvenimo analizė II dalis: daugialypė duomenų analizė - modelio pasirinkimas ir jo tinkamumo bei tinkamumo įvertinimas. Br J vėžys 89 (4): 605-11. PMID: 12951864

Clarkas TG, Bradburnas MJ, Love SB, „Altman“ generalinis direktoratas (2003). IV išgyvenimo analizės dalis: tolesnės išgyvenimo analizės sąvokos ir metodai. Br J vėžys 89 (5): 781-6. PMID: 12942105

  • Keturių aukščiau pateiktų straipsnių serija yra puiki įžanginė išgyvenimo analizės metodų apžvalga, kuri yra labai gerai parašyta ir lengvai suprantama - labai rekomenduojama.

Amžius kaip laiko skalė

Korn EL, Graubard BI, Midthune D (1997). Apklausos išilginio stebėjimo laiko iki įvykio analizė: laiko skalės pasirinkimas. Am J Epidemiol 145 (1): 72-80. PMID: 8982025

  • Straipsnis, kuriame teigiama, kad amžius naudojamas kaip laiko skalė, o ne laikas studijoms.

Ingram DD, Makuc DM, Feldman JJ (1997). Re: Apklausos išilginio stebėjimo laiko iki įvykio analizė: laiko skalės pasirinkimas. Am J Epidemiol 146 (6): 528-9. PMID: 9290515 .

  • Pakomentuokite Korno dokumentą, kuriame aprašomos atsargumo priemonės, kurių reikia imtis naudojant amžių kaip laiko skalę.

Thiébaut AC, Bénichou J (2004). Laiko skalės pasirinkimas Coxo epidemiologinės kohortos duomenų analizėje: modeliavimo tyrimas. Stat Med 30; 23 (24): 3803-20. PMID: 15580597

  • Imitacinis tyrimas, rodantis įvairaus amžiaus ir dominančio kovariato skirtingo laipsnio šališkumo dydį, kai laiko skalėje naudojamas tyrimo laikas.

Canchola AJ, Stewart SL, Bernstein L ir kt. Kokso regresija naudojant skirtingas laiko skales. Yra: http://www.lexjansen.com/wuss/2003/DataAnalysis/i-cox_time_scales.pdf .

  • Gražus straipsnis, kuriame lyginami 5 Cox regresijos modeliai su studijų laiko ar amžiaus skirtumais kaip laiko skalė su SAS kodu.

Cenzūra

Huang CY, Ning J, Qin J (2015). Pusiau parametrinės tikimybės tikimybė daryti išvadą apie kairėje ir dešinėje cenzūruotus duomenis. Biostatistika [epub] PMID: 25796430 .

  • Šiame dokumente yra puikus įvadas į cenzūruotų duomenų analizę ir pateikiama nauja išgyvenimo laiko pasiskirstymo įvertinimo procedūra su kairiaisiais ir dešiniaisiais cenzūruotais duomenimis. Jis yra labai tankus ir turi pažangų statistinį dėmesį.

Cain KC, Harlow SD, Little RJ, Nan B, Yosef M, Taffe JR, Elliott MR (2011). Šališkumas dėl kairiojo kirpimo ir kairiosios cenzūros atliekant išilginius vystymosi ir ligos procesų tyrimus. Am J Epidemiol 173 (9): 1078-84. PMID: 21422059 .

  • Puikus šaltinis, kuris epidemiologiniu požiūriu paaiškina šališkumą, būdingą kairiosios cenzūros duomenims.

Saulė J, Saulė L, Zhu C (2007). Tikrinamas proporcingų koeficientų modelis, naudojant cenzūruojamus intervalus. Gyvenimo trukmės duomenų analizė 13: 37–50. PMID 17160547 .

  • Kitas statistiškai tankus straipsnis apie niuansuotą TTE duomenų analizės aspektą, tačiau pateikia gerą intervalų cenzūruotų duomenų paaiškinimą.

Robins JM (1995a) Atsitiktinių imčių tyrimų su informaciniu cenzūravimu analitinis metodas: I dalis. Gyvenimo duomenų analizė 1: 241–254. PMID 9385104 .

Robins JM (1995b) Analitinis atsitiktinių imčių tyrimų metodas su informacine cenzūra: II dalis. „Lifetime Data Anal 1“: 417–434. PMID 9385113 .

  • Du dokumentai, kuriuose aptariami informacinio cenzavimo metodai.

Neparametriniai išgyvenimo metodai

Borganas Ø (2005) „Kaplan-Meier“ vertintojas. Biostatistikos enciklopedija DOI: 10.1002 / 0470011815.b2a11042

  • Puiki apžvalga apie Kaplan-Meier įvertintoją ir jo ryšį su Nelsono-Aaleno įverčiu

Rodríguezas G (2005). Neparametrinis įvertinimas išgyvenimo modeliuose. Galima įsigyti iš: http://data.princeton.edu/pop509/NonParametricSurvival.pdf

  • Įvadas į neparametrinius metodus ir Cox proporcingo pavojaus modelį, kuris paaiškina metodų sąsajas su matematinėmis formulėmis

Cole SR, Hernanas, MA (2004). Sureguliuotos išgyvenimo kreivės su atvirkštinės tikimybės svoriais. Skaičiavimo metodų programos „Biomed 75“ (1): 35–9. PMID: 15158046

  • Apibūdina IPW naudojimą kuriant pakoreguotas Kaplan-Meier kreives. Apima pavyzdį ir SAS makrokomandą.

Zhangas M (2015). Patikimi metodai, skirti pagerinti efektyvumą ir sumažinti šališkumą vertinant išgyvenimo kreives atsitiktinių imčių klinikinių tyrimų metu. Gyvenimo trukmės duomenų analizė 21 (1): 119-37. PMID: 24522498

  • Siūlomas kovariate koreguotų išgyvenamumo kreivių metodas RCT

Pusiau parametriniai išgyvenimo metodai

Cox DR (1972) Regresijos modeliai ir gyvenimo lentelės (su diskusija). J R Statist Soc B 34: 187–220.

  • Klasikinė nuoroda.

Christensen E (1987) Daugiamatė išgyvenamumo analizė naudojant Coxo regresijos modelį. Hepatology 7: 1346–1358. PMID 3679094 .

  • Aprašomas Cox modelio naudojimas, naudojant motyvuojantį pavyzdį. Puiki pagrindinių Cox modelio analizės aspektų apžvalga, įskaitant tai, kaip pritaikyti Cox modelį, ir modelio prielaidų tikrinimas.

Grambsch PM, Therneau TM (1994) Proporcingų pavojų testai ir diagnostika, pagrįsta svertinėmis liekanomis. „Biometrika“ 81: 515–526.

  • Išsamus dokumentas apie proporcingų pavojų prielaidos patikrinimą. Geras teorijos ir pažangaus statistinio paaiškinimo derinys.

Ng’andu NH (1997) Empirinis statistinių testų palyginimas siekiant įvertinti Kokso modelio proporcingų prielaidų prielaidą. Stat Med 16: 611–626. PMID 9131751 .

  • Kitas išsamus dokumentas apie proporcingo pavojaus prielaidos patikrinimą, šis apima diskusijas apie cenzūros likučių ir padarinių tikrinimą.

Parametriniai išgyvenimo metodai

Rodrίguezas, G (2010). Parametriniai išgyvenimo modeliai. Galima įsigyti iš: http://data.princeton.edu/pop509/ParametricSurvival.pdf

  • trumpas įvadas į dažniausiai pasiskirstymą, naudojamą parametrinėje išgyvenamumo analizėje

Nardi A, Schemperis M (2003). Kokso ir parametrinių modelių palyginimas klinikiniuose tyrimuose. Stat Med 22 (23): 2597-610. PMID: 14652863

  • Pateikiami geri pavyzdžiai, lyginant pusiau parametrinius modelius su modeliais, naudojant įprastus parametrinius skirstinius, ir daugiausia dėmesio skiriama modelio tinkamumui įvertinti

Roystonas P, Parmaras MK (2002). Cenzūruotų išgyvenamumo duomenų lankstūs parametriniai proporcinių pavojų ir proporcingų koeficientų modeliai, taikant prognostinį modeliavimą ir įvertinant gydymo poveikį. Stat Med 21 (15): 2175-97. PMID: 12210632

  • Geras paaiškinimas apie proporcingų pavojų ir šansų modelius bei palyginimus su kubinėmis splainomis

Cox C, Chu H, Schneider MF, Muñoz A (2007). Parametrinė išgyvenamumo analizė ir pavojingumo funkcijų taksonomija apibendrintam gama pasiskirstymui. Statist Med 26: 4352–4374. PMID 17342754 .

  • Pateikiama puiki parametrinių išgyvenamumo metodų apžvalga, įskaitant pavojaus funkcijų taksonomiją ir išsamią apibendrintą gama pasiskirstymo šeimą.

Crowther MJ, Lambert PC (2014). Bendra parametrinės išgyvenamumo analizės sistema. Stat Med 33 (30): 5280-97. PMID: 25220693

Niujorko technologijų kolegijos
  • Apibūdina dažniausiai naudojamų parametrinių skirstinių ribojančias prielaidas ir paaiškina riboto kubinio šlaito metodiką

Sparlingas YH, Younesas N, Lachinas JM, Bautista OM (2006). Parametriniai išgyvenimo modeliai, taikomi intervalais cenzuojamiems duomenims su nuo laiko priklausomais kovariatais. Biometrija 7 (4): 599-614. PMID: 16597670

  • Plėtra ir pavyzdys, kaip naudoti parametrinius modelius su intervalais cenzūruojamais duomenimis

Skirtingi kovariatai

Fisher LD, Lin DY (1999). Pagal laiką priklausomi kovariantai Cox proporcinių pavojų regresijos modelyje. Annu Rev Visuomenės sveikata 20: 145-57. PMID: 10352854

  • Išsamus ir lengvai suprantamas laiko pokyčių kovariatų paaiškinimas Cox modeliuose su matematiniu priedu

Petersenas T (1986). Parametrinių išgyvenimo modelių pritaikymas nuo laiko priklausomiems kovariatams. „Appl Statist 35“ (3): 281–88.

  • Tankus straipsnis, bet su naudingu taikomu pavyzdžiu

Konkuruojanti rizikos analizė

Žr. Konkuruojanti rizika

Tai B, Machin D, White I, Gebski V (2001) Konkuruojanti pacientų, sergančių osteosarkoma, rizikos analizė: keturių skirtingų metodų palyginimas. Stat Med 20: 661–684. PMID 11241570 .

  • Geras išsamus dokumentas, kuriame aprašomi keturi skirtingi konkuruojančios rizikos duomenų analizės metodai, o lyginant šiuos keturis metodus naudojami atsitiktinių imčių pacientų, sergančių osteosarkoma, duomenys.

Checkley W, „Brower RG“, Muñoz A (2010). Išvada dėl vienas kitą išskiriančių konkuruojančių įvykių, naudojant apibendrintą gama paskirstymą. Epidemiologija 21 (4): 557–565. PMID 20502337 .

  • Straipsnis apie konkuruojančią riziką naudojant apibendrintą gama paskirstymą.

Grupuotų duomenų ir silpnumo modelių analizė

Yamaguchi T, Ohashi Y, Matsuyama Y (2002). Proporcingų pavojų modeliai, turintys atsitiktinį poveikį, siekiant ištirti centro poveikį daugiacentriuose vėžio klinikiniuose tyrimuose. „Stat Methods“ Med Res 11: 221–236. PMID 12094756 .

  • Straipsnis su puikiu teoriniu ir matematiniu paaiškinimu, kaip atsižvelgti į grupes, analizuojant išgyvenimo iš daugelio centrų klinikinių tyrimų duomenis.

O’Quigley J, Stare J (2002) Proporcingų pavojų modeliai, turintys silpnumą ir atsitiktinius padarinius. Stat Med 21: 3219–3233. PMID 12375300 .

  • Silpnų modelių ir atsitiktinių efektų modelių palyginimas.

Balakrishnan N, Peng Y (2006). Apibendrintas gama silpnumo modelis. Statist Med 25: 2797–2816. PMID

  • Straipsnis apie silpnumo modelius, kaip silpnumo paskirstymą naudojant apibendrintą gama paskirstymą.

Rondeau V, Mazroui Y, Gonzalez JR (2012). frailtypack: R paketas, skirtas analizuoti koreliacinius išgyvenimo duomenis su „Frailty“ modeliais, naudojant nubaustos tikimybės arba parametrinį įvertinimą. Statistikos programinės įrangos leidinys 47 (4): 1-28.

  • R pakuotės vinjetė su gera pagrindine informacija apie silpnumo modelius.

Schaubel DE, Cai J (2005). Grupuotų pasikartojančių įvykių duomenų analizė taikant hospitalizavimo rodiklius pacientams, sergantiems inkstų nepakankamumu. Biostatistika 6 (3): 404-19. PMID 15831581 .

  • Puikus straipsnis, kuriame autoriai pateikia du grupuotų pasikartojančių įvykių duomenų analizės metodus, o tada jie palygina siūlomų modelių rezultatus su tais, kurie grindžiami silpnumo modeliu.

Gharibvand L, Liu L (2009). Išgyvenimo duomenų su grupuotais įvykiais analizė. SAS „Global Forum 2009“ dokumentas 237–2009.

  • Trumpas ir lengvai suprantamas šaltinis, skirtas analizuoti laiko iki įvykio duomenis su grupuotais įvykiais naudojant SAS procedūras.

Pasikartojančių įvykių analizė

Twisk JW, Smidt N, de Vente W (2005). Taikoma pasikartojančių įvykių analizė: praktinė apžvalga. J Epidemiolio bendruomenės sveikata 59 (8): 706-10. PMID: 16020650

  • Labai lengvai suprantamas pasikartojančių įvykių modeliavimo įvadas ir rizikos rinkinių samprata

Villegas R, Juliá O, Ocaña J (2013). Empirinis koreliuojančių pasikartojančių įvykių išgyvenamumo su proporcingo pavojaus riba ir koreliacijos bei cenzūros poveikis tyrimas. BMC Med Res Methodol 13:95. PMID: 23883000

  • Naudoja simuliacijas, kad patikrintų pasikartojančių įvykių duomenų skirtingų modelių tvirtumą

Kelly PJ, Lim LL (2000). Pasikartojančių įvykių duomenų išgyvenamumo analizė: taikymas vaikų infekcinėms ligoms. Stat Med 19 (1): 13-33. PMID: 10623190

  • Taikyti keturių pagrindinių pasikartojančių įvykių duomenų modeliavimo metodų pavyzdžiai

Wei LJ, Lin DY, Weissfeldas L (1989). Daugiamatės nepilnos gedimo laiko duomenų regresijos analizė, modeliuojant ribinius pasiskirstymus. Amerikos statistikos asociacijos leidinys84 (108): 1065-1073

Originalus straipsnis, kuriame aprašomi pasikartojančių įvykių analizės ribiniai modeliai

Kursai

Kolumbijos universiteto Epidemiologijos ir gyventojų sveikatos vasaros institutas (EPIC)

„Statistikos horizontai“, privatus specialiųjų statistikos seminarų rengėjas, dėstomas šios srities ekspertų

Tarpuniversitetinis politinių ir socialinių tyrimų konsorciumo (ICPSR) socialinių tyrimų kiekybinių metodų vasaros programa, Mičigano universiteto Socialinių tyrimų instituto dalis

  • 3 dienų seminaras apie išgyvenimo analizę, įvykių istorijos modeliavimą ir trukmės analizę buvo pasiūlytas 2015 m. Birželio 22–24 d. Berklyje, Kalifornijoje, kurį dėstė Tenko Raykovas iš Mičigano valstijos universiteto. Išsami išgyvenimo metodų apžvalga visose disciplinose (ne tik visuomenės sveikatos): http://www.icpsr.umich.edu/icpsrweb/sumprog/courses/0200

Statistikos tyrimų institutas siūlo du internetinius išgyvenimo analizės kursus, siūlomus kelis kartus per metus. Šie kursai yra sudaryti iš Kleino ir Kleinbaumo taikomosios analizės vadovėlio (žr. Toliau) ir gali būti laikomi „a la carte“ arba kaip sertifikato programos „Statistika“ dalis:

  • Įvadas į išgyvenimo analizę, daugiausia dėmesio skiriant pusiau parametriniams Cox modeliams, kuriuos mokė Davidas Kleinbaumas arba Mattas Stricklandas: http://www.statistics.com/survival/

  • Išplėstinė išgyvenamumo analizė, įskaitant parametrinius modelius, pasikartojimo analizę ir silpnumo modelius, mokė Mattas Stricklandas: http://www.statistics.com/survival2/

UCLA Skaitmeninių tyrimų ir švietimo institutas siūlo savo svetainėje vadinamus seminarus išgyvenimo analizei atlikti skirtingoje statistikos programinėje įrangoje. Šie seminarai parodo, kaip atlikti taikomąją išgyvenimo analizę, daugiau dėmesio skiriant kodui, o ne teorijai.

Įdomios Straipsniai

Redaktoriaus Pasirinkimas

Antirasistinė pedagogika veikloje: pirmieji žingsniai
Antirasistinė pedagogika veikloje: pirmieji žingsniai
JAV prieš O’Brieną
JAV prieš O’Brieną
Kolumbijos visuotinė saviraiškos laisvė siekia pažinti tarptautines ir nacionalines normas bei institucijas, kurios geriausiai apsaugo laisvą informacijos ir saviraiškos srautą tarpusavyje susijusioje pasaulinėje bendruomenėje, kuriai tenka spręsti pagrindinius iššūkius. Siekdama savo misijos, pasaulinė saviraiškos laisvė imasi ir užsako mokslinių tyrimų ir politikos projektus, organizuoja renginius ir konferencijas, dalyvauja pasaulinėse diskusijose dėl saviraiškos ir informacijos laisvės apsaugos XXI amžiuje ir prisideda prie jų.
Dokumentinis filmas
Dokumentinis filmas
Sužinokite apie Kolumbijos žurnalistikos mokyklos dokumentikos programą. Tapkite vaizdo pasakotoju, dalyvaujant magistro laipsniui ir dokumentiniams kursams, arba tyrinėkite dokumentinius įvykius J-mokykloje ir naujausius studentų darbus.
Kaip išgyventi išgyvenusiajam
Kaip išgyventi išgyvenusiajam
© 2019 Google Svetainės paslaugų teikimo sąlygos Privatumas Kūrėjai Atlikėjai Apie „Google“ | Vietovė: Jungtinės Valstijos Kalba: lietuvių
Amerikos nacionalsocialistų partija prieš Skokie kaimą
Amerikos nacionalsocialistų partija prieš Skokie kaimą
Kolumbijos pasaulinė saviraiškos laisvė siekia pažinti tarptautines ir nacionalines normas bei institucijas, kurios geriausiai apsaugo laisvą informacijos ir saviraiškos srautą tarpusavyje susijusioje pasaulinėje bendruomenėje, kuriai tenka spręsti pagrindinius iššūkius. Siekdama savo misijos, pasaulinė saviraiškos laisvė imasi ir užsako mokslinių tyrimų ir politikos projektus, organizuoja renginius ir konferencijas, dalyvauja pasaulinėse diskusijose dėl saviraiškos ir informacijos laisvės apsaugos XXI amžiuje ir prisideda prie jų.
IRS įspėja universiteto studentus ir darbuotojus apie apsimetinėjimą el. Paštu
IRS įspėja universiteto studentus ir darbuotojus apie apsimetinėjimą el. Paštu
Kolumbijos universiteto dėstytojų koledžas yra pirmoji ir didžiausia JAV aukštojo mokslo mokykla, taip pat daugelį metų priskiriama prie geriausių šalies.
Sakal Papers (P) Ltd. prieš Indijos Sąjungą
Sakal Papers (P) Ltd. prieš Indijos Sąjungą
Kolumbijos visuotinė saviraiškos laisvė siekia pažinti tarptautines ir nacionalines normas bei institucijas, kurios geriausiai apsaugo laisvą informacijos ir saviraiškos srautą tarpusavyje susijusioje pasaulinėje bendruomenėje, kuriai tenka spręsti pagrindinius iššūkius. Siekdama savo misijos, pasaulinė saviraiškos laisvė imasi ir užsako mokslinių tyrimų ir politikos projektus, organizuoja renginius ir konferencijas, dalyvauja pasaulinėse diskusijose dėl saviraiškos ir informacijos laisvės apsaugos XXI amžiuje ir prisideda prie jų.