Đề xuất mô hình cho hồi quy Cox với hiệp phương thức phụ thuộc thời gian


10

Tôi mô hình hóa ảnh hưởng của việc mang thai đến kết quả của một căn bệnh (sống chết). Khoảng 40% bệnh nhân đã mang thai sau thời gian chẩn đoán - nhưng tại các thời điểm khác nhau. Cho đến nay, tôi đã thực hiện các âm mưu KM cho thấy hiệu quả bảo vệ rõ ràng của thai kỳ đối với sự sống còn và cả mô hình Cox thông thường - tuy nhiên, những mô hình này chỉ được mô hình hóa bằng cách sử dụng một biến số mang thai phân đôi và cho rằng hiệu quả hiện diện từ thời điểm chẩn đoán rõ ràng là không thực tế kể từ thời gian trung bình đến khi mang thai là 4 năm kể từ khi chẩn đoán.

Loại mô hình nào sẽ hấp thụ hiệu quả của đa thai tại các thời điểm khác nhau sau khi chẩn đoán? Liệu có đúng không khi mô hình hóa các thai kỳ tương tác với thời gian (đòi hỏi phải xây dựng lại dữ liệu nghiêm trọng - bất kỳ phần mềm tự động nào có thể giúp với điều này?) Hoặc có một chiến lược mô hình ưa thích nào khác cho những vấn đề này không? Ngoài ra chiến lược âm mưu ưa thích cho những vấn đề này là gì?


câu hỏi thú vị (+1) ... bài báo gần đây này có thể giúp ích: ncbi.nlm.nih.gov/pubmed/21328605
ocram

Thú vị - nhưng tôi tin rằng chủ đề chính có hiệu ứng thay đổi theo thời gian .//M
Misha

hiệu ứng thay đổi theo thời gian là chủ đề của bài báo ...
ocram

1
Điều này nhắc nhở tôi về ví dụ phân tích sinh tồn "cổ điển" của dữ liệu ghép tim: bit.ly/UFX71v - điều bạn cần là một biến số thời gian khác nhau , không nhất thiết là hệ số thay đổi theo thời gian . Bạn có thể vẽ dữ liệu của bạn bằng cách sử dụng các đường cong KM.
boscovich

Với phương pháp này, bạn cũng có thể xử lý thực tế là một số phụ nữ có thể đã mang thai nhiều hơn 1 lần trong quá trình theo dõi.
boscovich

Câu trả lời:


4

Những gì bạn cần ở đây là một hiệp phương sai thời gian và không nhất thiết là một hệ số thay đổi theo thời gian . Một ví dụ đã biết có thể giúp bạn phân tích là dữ liệu ghép tim Stanford .

Để trình bày kết quả của bạn, bạn có thể sử dụng công cụ ước tính Kaplan-Meier cổ điển xử lý các biến số biến đổi theo thời gian mà không gặp vấn đề gì (tuy nhiên, hãy nhớ rằng đây là một phân tích thô - hoặc chưa được điều chỉnh với tất cả các giới hạn nổi tiếng của nó).

Ví dụ, biểu đồ sau đây cho thấy phân tích dữ liệu của HT HT Stanford khi tính toán chính xác trạng thái ghép thay đổi theo thời gian (bảng trên cùng) và không tính toán cho nó (bảng dưới cùng).

nhập mô tả hình ảnh ở đây


Cuối cùng tôi cũng xoay xở để làm điều này và tôi có được cốt truyện sau
Misha

KM thông thường KHÔNG phải là cách thích hợp để vẽ đồ thị cho các mô hình này. Thay vào đó là một phần mở rộng cho KM của Simon và Makuch được triển khai ở Stata. stats.stackexchange.com/posts/46754
Misha

Bạn không thể sử dụng KM như thế này. Hãy xem việc mang thai với tuổi, ví dụ như thời gian cơ bản: Hãy nói rằng phụ nữ ít nhất 20 tuổi khi họ sinh con thứ hai và ít nhất 22 khi họ sinh con thứ ba. Chúng ta hãy giả định nguy cơ liên tục cho mọi lứa tuổi và mọi nhóm (số trẻ em được sinh ra). Sau đó, nhóm 2 và 3 sẽ chết với cùng một tỷ lệ, nhưng ước tính 3 nhóm sẽ (rất có thể) sẽ lớn hơn bất cứ lúc nào, đơn giản vì nhóm 3 bắt đầu chết ở độ tuổi muộn hơn. Đây là một sự trình bày sai lệch của dữ liệu.
swmo


1

Coi chừng thiên vị thời gian bất tử trong tình huống này. Nhóm mang thai của bạn chắc chắn sẽ có khả năng sống sót tốt hơn nhóm không mang thai vì bạn không thể mang thai sau khi bạn chết (theo hiểu biết tốt nhất của tôi!)

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.