Làm cách nào để diễn giải Exp (B) trong hồi quy Cox?

Tôi là một sinh viên y khoa đang cố gắng để hiểu số liệu thống kê (!) - vì vậy hãy nhẹ nhàng! ;)

Tôi đang viết một bài luận có chứa một lượng phân tích thống kê hợp lý bao gồm phân tích sinh tồn (Kaplan-Meier, Log-Rank và Cox regression).

Tôi đã thực hiện hồi quy Cox trên dữ liệu của mình khi cố gắng tìm hiểu xem liệu tôi có thể tìm thấy sự khác biệt đáng kể giữa các trường hợp tử vong của bệnh nhân ở hai nhóm (bệnh nhân có nguy cơ cao hoặc nguy cơ thấp).

Tôi đã thêm một số đồng biến vào hồi quy Cox để kiểm soát ảnh hưởng của chúng.

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

Tôi đã loại bỏ tắc động mạch khỏi danh sách đồng biến vì SE của nó cực kỳ cao (976). Tất cả các SE khác nằm trong khoảng 0,064 đến 1,118. Đây là những gì tôi nhận được:

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

Tôi biết rằng rủi ro chỉ có ý nghĩa biên giới ở 0,058. Nhưng bên cạnh đó, làm thế nào để tôi giải thích giá trị Exp (B)? Tôi đã đọc một bài viết về hồi quy logistic (có phần giống với hồi quy Cox?) Trong đó giá trị Exp (B) được hiểu là: "Nằm trong nhóm có nguy cơ cao bao gồm khả năng tăng kết quả gấp 8 lần", trong trường hợp này là cái chết Tôi có thể nói rằng những bệnh nhân có nguy cơ cao của tôi có nguy cơ tử vong sớm gấp 8 lần so với ... gì không?

Làm ơn giúp tôi! ;)

Nhân tiện, tôi đang sử dụng SPSS 18 để chạy phân tích.

Nói chung, $\exp(\hat\beta_1)$ là tỷ số giữa các mối nguy hiểm giữa hai cá nhân có giá trị của $x_1$ khác nhau bởi một đơn vị khi tất cả các biến số khác là liên tục được tổ chức. Sự đối chiếu với mô hình tuyến tính khác là trong hồi qui Cox chức năng nguy hiểm được mô phỏng như $h(t)=h_0(t)\exp(\beta'x)$ , nơi $h_0(t)$ là nguy hiểm đường cơ sở. Điều này tương đương với việc ghi nhật ký đó ( nhóm nguy hiểm /$\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$ . Sau đó, một sự gia tăng đơn vị trong$x_i$ gắn liền với$\beta_i$ tăng tỷ lệ log nguy hiểm. Các hệ số hồi quy cho phép do đó để định lượng nhật ký của mối nguy trong nhóm điều trị (so với nhóm đối chứng hoặc nhóm giả dược), tính toán các đồng biến có trong mô hình; nó được hiểu là rủi ro tương đối (giả sử không có hệ số thay đổi theo thời gian).

Trong trường hợp hồi quy logistic, hệ số hồi quy phản ánh nhật ký của tỷ lệ chênh lệch , do đó việc giải thích là tăng rủi ro gấp k lần. Vì vậy, có, việc giải thích tỷ lệ rủi ro chia sẻ một số điểm tương đồng với việc giải thích tỷ lệ cược.

Hãy chắc chắn kiểm tra trang web của Dave Garson, nơi có một số tài liệu hay về Cox Regression với SPSS.

Tôi không phải là một nhà thống kê, mà là một MD, cố gắng sắp xếp mọi thứ trong thế giới thống kê.

$\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$

$\exp(B) > 1$$\exp(B) = 1.259$

$\exp(B) = 1$$\exp(B)$

Từ phân tích của bạn, có vẻ như không một biến số nào của bạn là yếu tố dự báo quan trọng (ở mức 5%) điểm cuối của bạn, mặc dù là bệnh nhân "nguy cơ cao" có ý nghĩa biên giới.

Đọc cuốn sách " Cẩm nang sinh tồn SPSS " của tác giả Julie Pallant có thể sẽ giúp bạn hiểu rõ hơn về chủ đề này (và hơn thế nữa).