Giải thích và xác nhận mô hình hồi quy mối nguy theo tỷ lệ Cox bằng R bằng tiếng Anh

Ai đó có thể giải thích mô hình Cox của tôi cho tôi bằng tiếng Anh không?

Tôi đã trang bị mô hình hồi quy Cox sau cho tất cả dữ liệu của mình bằng cphhàm này. Dữ liệu của tôi được lưu trong một đối tượng được gọi là Data. Các biến w, xvà ylà liên tục; zlà một yếu tố của hai cấp độ. Thời gian được tính bằng tháng. Một số bệnh nhân của tôi đang thiếu dữ liệu cho biến z( NB : Tôi đã lưu ý đúng về đề xuất của Tiến sĩ Mitchell, bên dưới, rằng tôi áp đặt các giá trị này để tránh sai lệch mô hình của tôi và sẽ làm như vậy trong tương lai).

> fit <- cph(formula = Surv(time, event) ~ w + x + y + z, data = Data, x = T, y = T, surv = T, time.inc = 12)

Cox Proportional Hazards Model
Frequencies of Missing Values Due to Each Variable
Surv(time, event)    w    x    y    z 
                0    0    0    0   14 

                Model Tests          Discrimination 
                                            Indexes        
Obs       152   LR chi2      8.33    R2       0.054    
Events     64   d.f.            4    g        0.437    
Center 0.7261   Pr(> chi2) 0.0803    gr       1.548    
                Score chi2   8.07                      
                Pr(> chi2) 0.0891                      

                   Coef    S.E.   Wald Z   Pr(>|Z|)
         w      -0.0133  0.0503    -0.26     0.7914  
         x      -0.0388  0.0351    -1.11     0.2679  
         y      -0.0363  0.0491    -0.74     0.4600  
         z=1     0.3208  0.2540     1.26     0.2067

Tôi cũng đã thử kiểm tra giả định về các mối nguy theo tỷ lệ bằng cách sử dụng cox.zphlệnh bên dưới, nhưng không biết làm thế nào để diễn giải kết quả của nó. Đặt plot()xung quanh lệnh sẽ đưa ra một thông báo lỗi.

 cox.zph(fit, transform="km", global=TRUE)
            rho chisq      p
 w      -0.1125 1.312 0.2520
 x       0.0402 0.179 0.6725
 y       0.2349 4.527 0.0334
 z=1     0.0906 0.512 0.4742
 GLOBAL      NA 5.558 0.2347

Vấn đề đầu tiên

• Ai đó có thể giải thích kết quả của đầu ra trên cho tôi bằng tiếng Anh không? Tôi có một nền tảng y tế và không được đào tạo chính thức về thống kê.

Vấn đề thứ hai

• Theo đề xuất của Tiến sĩ Harrell, tôi muốn xác thực nội bộ mô hình của mình bằng cách thực hiện 100 lần lặp xác thực chéo 10 lần bằng cách sử dụng rmsgói (theo những gì tôi hiểu, điều này sẽ đòi hỏi phải xây dựng 100 * 10 = 1000các mô hình khác nhau và sau đó yêu cầu họ dự đoán thời gian tồn tại của những bệnh nhân mà họ chưa từng thấy).

  Tôi đã thử sử dụng validatechức năng, như được hiển thị.

  > v1 <- validate(fit, method="crossvalidation", B = 10, dxy=T)
  > v1
        index.orig training    test optimism index.corrected  n
  Dxy      -0.2542  -0.2578 -0.1356  -0.1223         -0.1320 10
  R2        0.0543   0.0565  0.1372  -0.0806          0.1350 10
  Slope     1.0000   1.0000  0.9107   0.0893          0.9107 10
  D         0.0122   0.0128  0.0404  -0.0276          0.0397 10
  U        -0.0033  -0.0038  0.0873  -0.0911          0.0878 10
  Q         0.0155   0.0166 -0.0470   0.0636         -0.0481 10
  g         0.4369   0.4424  0.6754  -0.2331          0.6700 10

  Làm thế nào để bạn thực hiện thay đổi kích thước 100x? Tôi nghĩ rằng mã trên của tôi chỉ thực hiện xác nhận chéo một lần.

• Sau đó tôi muốn biết mô hình của tôi tốt như thế nào trong dự đoán. Tôi đã thử như sau:

  > c_index <- abs(v1[1,5])/2 + 0.5
  > c_index
  [1] 0.565984

  Điều này có nghĩa là mô hình của tôi chỉ tốt hơn một chút so với lật một đồng xu?

Vấn đề thứ ba

Tiến sĩ Harrell chỉ ra rằng tôi đã giả định tính tuyến tính cho các hiệu ứng đồng biến và số lượng sự kiện trong mẫu của tôi chỉ đủ lớn để phù hợp với một mô hình đáng tin cậy nếu tất cả các hiệu ứng đồng biến xảy ra là tuyến tính.

• Điều này có nghĩa là tôi nên bao gồm một số loại thuật ngữ tương tác trong mô hình của mình? Nếu vậy, lời khuyên nào để đặt?

Để bắt đầu, hãy xem xét một vài điều. Đầu tiên, bạn đang loại trừ quá nhiều quan sát với dữ liệu bị thiếu và điều này sẽ gây ra sai lệch. Xem xét nhiều lần cắt cụt. Thứ hai, có một phương pháp cốt truyện chocox.zphrất hữu ích trong việc đánh giá các mối nguy theo tỷ lệ. Thứ ba, bạn đã giả định tuyến tính cho các hiệu ứng hiệp biến. Thứ tư, số lượng sự kiện trong mẫu đào tạo của bạn chỉ đủ lớn để phù hợp với một mô hình đáng tin cậy nếu tất cả các hiệu ứng đồng biến xảy ra là tuyến tính (rất hiếm). Và mẫu thử nghiệm của bạn sẽ phải có 400 sự kiện trước khi đưa ra đánh giá đáng tin cậy về độ chính xác dự đoán. Không rõ ràng rằng bạn có đủ dữ liệu để chia dữ liệu thành hai phần. Xác thực lại xác nhận (100 lần lặp lại xác thực chéo 10 lần hoặc sử dụng bootstrap) là một giải pháp tốt hơn. Cả hai ban đầu xác nhận bên ngoài của bạn (chức năng rcorr.censvà val.surv) và resampling xác nhận nội (chức năng validate, calibrate) đều được thực hiện trong R rmsgói. Nghiên cứu trường hợp chorms$2\times 2$

Đầu ra của hàm R cph, dựa trên một ví dụ có liên quan, được giải thích trong bài báo dễ làm này của J. Fox.

Tôi thực sự khuyên bạn nên đọc bài viết này nếu bạn chưa có.