Regresi Cox Proporsional Adaptif — Regresi Kelangsungan Hidup Terpenalti dengan Seleksi Variabel Otomatis
- Diperkenalkan oleh
- Hao Helen Zhang & Wenbin Lu (adaptive LASSO formulation); base Cox model by David R. Cox
- Tahun
- 2007 (adaptive LASSO variant); base Cox model 1972
- Jenis
- Penalized semi-parametric survival regression
- Keluarga
- Clinical / epidemiology
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Model Cox Proporsional Adaptif memperluas regresi Cox klasik untuk hasil waktu-ke-kejadian dengan menambahkan penalitas LASSO adaptif (atau yang terkait).
Model ini secara simultan mengestimasi rasio hazard dan melakukan seleksi variabel, menyusutkan koefisien kovariat yang tidak relevan hingga tepat nol. Hal ini membuatnya sangat berharga dalam dataset klinis atau genomik berdimensi tinggi di mana jumlah prediktor kandidat besar relatif terhadap jumlah kejadian.
Intuisi di balik metode
Regresi Cox klasik dapat menjadi tidak stabil atau bahkan gagal ketika banyak prediktor bersaing untuk menjelaskan hasil kelangsungan hidup — situasi umum dalam genomik atau studi klinis multisentris. Model Cox adaptif memberlakukan penalti pada setiap koefisien, tetapi yang terpenting penalti tersebut disesuaikan untuk setiap prediktor: variabel yang tampak informatif dalam penyesuaian awal menerima penalti ringan dan diizinkan untuk tetap ada, sementara variabel yang tampak seperti noise menerima penalti berat dan disusutkan hingga tepat nol, secara efektif dikeluarkan dari model akhir. Pembobotan adaptif dua tahap ini memberikan metode ini properti oracle: secara asimtotik, metode ini berkinerja seolah-olah Anda telah mengetahui subset prediktor yang benar sejak awal.
Sejarah
Model Cox proporsional hazard diperkenalkan oleh David R. Cox dalam makalah pentingnya tahun 1972 di Journal of the Royal Statistical Society, yang menetapkan kerangka kerja likelihood parsial untuk regresi pada data kelangsungan hidup. Penalitas LASSO untuk model Cox dikembangkan pada akhir 1990-an oleh Tibshirani (1997). Varian LASSO adaptif — yang menetapkan bobot penalti spesifik prediktor untuk mencapai properti oracle — diperkenalkan untuk regresi linier oleh Zou (2006) dan diperluas ke model Cox oleh Zhang dan Lu dalam makalah Biometrika mereka tahun 2007. Pekerjaan selanjutnya memperluas penalitas adaptif ke varian LASSO grup, elastic net, dan SCAD untuk hasil kelangsungan hidup.
Kapan digunakan
Gunakan Model Cox Adaptif ketika tujuan penelitian adalah membangun model prediksi kelangsungan hidup yang parsimonious atau untuk mengidentifikasi subset biomarker prognostik dari kumpulan kandidat besar, terutama ketika rasio kejadian-terhadap-variabel rendah (misalnya, kurang dari 10 kejadian per variabel). Model ini sangat cocok untuk data genomik, transkriptomik, atau registri multisentris di mana ratusan atau ribuan fitur harus dikurangi. Jangan menggunakannya sebagai pengganti langsung untuk regresi Cox klasik ketika kumpulan prediktor kecil dan didorong oleh teori — dalam studi konfirmasi berdimensi rendah, regresi Cox standar dengan kovariat yang telah ditentukan sebelumnya lebih disukai. Hindari juga metode ini ketika asumsi proporsionalitas hazard dilanggar secara serius di seluruh prediktor yang dipilih; pertimbangkan koefisien yang bergantung pada waktu atau model waktu kegagalan yang dipercepat sebagai gantinya.
Batasan dan pertimbangan
- Membutuhkan estimasi awal yang andal untuk bobot adaptif; penyesuaian awal yang buruk (misalnya, dari model tanpa penalti berdimensi sangat tinggi) dapat menyebarkan kesalahan ke dalam vektor bobot.
- Seleksi dan inferensi tidak dapat dilakukan pada data yang sama tanpa penyesuaian — inferensi pasca-seleksi memerlukan prosedur khusus (misalnya, inferensi selektif atau pembagian sampel).
- Asumsi proporsionalitas hazard masih harus berlaku untuk prediktor yang dipertahankan; penalitas tidak menyelesaikan pelanggaran asumsi model inti ini.
- Kinerja menurun dengan tingkat sensor yang sangat tinggi atau tindak lanjut yang singkat, karena sedikit kejadian yang teramati membatasi sinyal likelihood parsial.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Melakukan seleksi variabel dan estimasi efek secara simultan dalam satu penyesuaian model yang diregularisasi.
- Jaminan properti oracle atas kebenaran seleksi variabel secara asimtotik di bawah kondisi keteraturan.
- Menangani prediktor berdimensi tinggi (skenario p >> n) di mana regresi Cox klasik tidak layak.
- Bobot adaptif mengurangi bias penyusutan pada koefisien besar dibandingkan dengan LASSO Cox standar.
- Menghasilkan rasio hazard yang dapat diinterpretasikan untuk prediktor yang dipertahankan, konsisten dengan konvensi pelaporan klinis.
Penerapan
- Membangun tanda tangan prognostik genomik untuk kelangsungan hidup spesifik kanker dari ekspresi gen atau array SNP.
- Mengidentifikasi biomarker prognostik independen di antara kumpulan variabel klinis besar dalam studi kohort berbasis registri.
- Mengembangkan skor risiko kardiovaskular yang jarang dari fitur rekam medis elektronik berdimensi tinggi.
- Memilih prediktor untuk model waktu-ke-keluar rumah sakit atau waktu-ke-kekambuhan dalam uji klinis multisentris.
- Membangun model prognostik parsimonious untuk hasil penyakit menular (misalnya, waktu ke pembersihan virus atau mortalitas) ketika banyak penanda laboratorium kandidat tersedia.
Cara kerjanya
Cara kerjanya
Definisikan hasil kelangsungan hidup sebagai pasangan (waktu-ke-kejadian T, indikator sensor delta). Susun matriks kovariat X dengan p prediktor. Verifikasi asumsi proporsionalitas hazard dan tangani waktu kejadian yang terikat (misalnya, aproksimasi Breslow). Standarisasi prediktor kontinu sebelum penalitas untuk memastikan penalti berada pada skala umum.
Peroleh estimasi koefisien awal dari model Cox tanpa penalti atau regresi Cox ridge. Hitung bobot adaptif untuk setiap prediktor j sebagai kebalikan dari nilai absolut estimasi awal yang dipangkatkan gamma (umumnya gamma=1 atau 2): w_j = 1 / |beta_j_init|^gamma. Prediktor yang mendekati nol dalam penyesuaian awal menerima bobot besar dan akan dikenai penalti berat.
Rumus
w_j = 1 / |\hat{\beta}_j^{\text{init}}|^\gammaMaksimalkan log-likelihood parsial model Cox dikurangi penalti L1 tertimbang: ell(beta) - lambda * sum_j w_j |beta_j|. Karena bobot adaptif, tujuan ini memiliki properti oracle — di bawah kondisi keteraturan, solusi secara akurat mengidentifikasi koefisien mana yang nol dan mengestimasi koefisien yang tidak nol dengan distribusi asimtotik yang sama seolah-olah dukungan sebenarnya diketahui.
Rumus
\ell(\beta) - \lambda \sum_{j=1}^{p} w_j |\beta_j|Jalur solusi menghasilkan subset prediktor terpilih yang jarang (yang memiliki koefisien bukan nol). Koefisien yang disusutkan hingga tepat nol dikeluarkan dari model akhir. Prediktor terpilih dan estimasi rasio hazardnya (exp(beta_j)) merupakan model kelangsungan hidup akhir.
Pilih parameter penalti lambda melalui likelihood parsial yang divalidasi silang atau kriteria informasi (AIC, BIC, extended BIC untuk pengaturan berdimensi tinggi). Dalam analisis kelangsungan hidup, validasi silang K-lipatan menggunakan log-likelihood parsial pada lipatan yang ditahan. Pencarian grid pada urutan lambda skala log adalah standar.
Nilai kinerja prediktif dengan indeks konkordansi (C-index / C Harrell) pada set uji independen atau melalui validasi silang bersarang. Laporkan kalibrasi probabilitas kelangsungan hidup yang diprediksi pada horizon waktu yang relevan secara klinis. Periksa asumsi proporsionalitas hazard untuk prediktor yang dipertahankan menggunakan residu Schoenfeld.
Kesalahan umum
- Menggunakan kumpulan data yang sama untuk penyetelan lambda dan evaluasi model akhir tanpa loop validasi luar meningkatkan indeks C yang tampak; selalu gunakan validasi silang bersarang atau set uji yang ditahan.
- Mengabaikan rasio kejadian-terhadap-variabel untuk penyesuaian awal — jika model Cox tanpa penalti awal dijalankan dengan lebih banyak prediktor daripada kejadian, estimasi awal tidak dapat diandalkan, merusak bobot adaptif.
- Memperlakukan prediktor terpilih sebagai terkonfirmasi tanpa mengakui masalah perbandingan berganda — seleksi variabel adalah proses yang didorong oleh data dan prediktor terpilih harus divalidasi dalam kohort independen sebelum terjemahan klinis.
- Gagal memeriksa asumsi proporsionalitas hazard pada model terpilih akhir — plot residu Schoenfeld harus diperiksa untuk setiap prediktor yang dipertahankan setelah seleksi.
- Menghilangkan standarisasi prediktor kontinu sebelum penyesuaian — input yang tidak distandarisasi menghasilkan suku penalti pada skala yang tidak kompatibel, mendistorsi seleksi variabel.
Pertanyaan yang sering diajukan
Bagaimana regresi Cox adaptif berbeda dari regresi Cox LASSO biasa?
Regresi Cox LASSO standar menerapkan bobot penalti yang sama ke semua prediktor, yang menimbulkan bias penyusutan pada koefisien asli yang besar dan tidak memiliki properti oracle — metode ini mungkin tidak secara konsisten memilih model yang benar dalam sampel besar. Regresi Cox adaptif menetapkan bobot ke setiap prediktor yang berbanding terbalik dengan efek estimasi awalnya: prediktor dengan efek besar dikenai penalti ringan (mengurangi bias), sementara prediktor yang mendekati nol dikenai penalti berat (meningkatkan seleksi). Pembobotan adaptif ini memberikan metode ini properti oracle di bawah kondisi keteraturan.
Estimator awal apa yang harus saya gunakan untuk bobot adaptif?
Pilihan umum adalah estimator likelihood parsial Cox tanpa penalti (layak ketika n > p dan model awal stabil), regresi Cox ridge (direkomendasikan ketika p besar atau mendekati n karena ridge selalu menghasilkan estimasi yang terbatas), atau estimator penyaringan marjinal. LASSO adaptif yang diinisialisasi dengan ridge adalah pendekatan yang paling direkomendasikan dalam pengaturan kelangsungan hidup berdimensi tinggi.
Bisakah saya melaporkan rasio hazard untuk variabel yang dipilih seolah-olah berasal dari model Cox standar?
Estimasi titiknya sebanding maknanya dengan rasio hazard Cox standar, tetapi standar error dan interval kepercayaan yang dihitung seolah-olah tidak ada seleksi yang terjadi adalah tidak valid — mereka mengabaikan langkah seleksi dan terlalu sempit. Untuk inferensi setelah seleksi, gunakan interval kepercayaan bootstrap, pembagian sampel, atau metode inferensi selektif yang dirancang khusus untuk model kelangsungan hidup pasca-seleksi.
Bagaimana cara memilih parameter tuning lambda?
Pendekatan yang paling umum adalah validasi silang K-lipatan (K=5 atau 10) yang memaksimalkan log-likelihood parsial yang divalidasi silang. BIC atau extended BIC (untuk data berdimensi sangat tinggi) juga dapat digunakan dan cenderung memilih model yang lebih jarang. Pilihan kriteria memengaruhi ukuran model: validasi silang cenderung ke model yang lebih besar dengan prediksi yang lebih baik; BIC cenderung ke model yang lebih kecil dengan konsistensi seleksi yang lebih baik.
Apakah asumsi proporsionalitas hazard masih perlu diperiksa setelah seleksi adaptif?
Ya. Penalitas memilih prediktor tetapi tidak memverifikasi atau menegakkan proporsionalitas hazard. Setelah memfinalisasi model, uji dan plot residu Schoenfeld harus dihasilkan untuk setiap prediktor yang dipertahankan. Pelanggaran mungkin memerlukan penambahan suku interaksi waktu-dengan-kovariat atau beralih ke model kelangsungan hidup alternatif untuk prediktor yang bermasalah.
Metode terkait
Sumber
Zhang, H. H., & Lu, W. (2007). Adaptive Lasso for Cox's proportional hazards model. Biometrika, 94(3), 691–703.
Buka referensi DOIDisalin.Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202.
Buka referensi DOIDisalin.