Skip to content
Kembali ke hasil pencarian

Model Regresi Bahaya Proporsional Cox — untuk Data Waktu-ke-Kejadian

Diperkenalkan oleh
Sir David Roxbee Cox
Tahun
1972
Jenis
Semi-parametric regression model
Keluarga
Clinical / epidemiology

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Model bahaya proporsional Cox adalah metode regresi semi-parametrik yang mengestimasi efek satu atau lebih kovariat terhadap bahaya — laju seketika suatu kejadian seperti kematian, kekambuhan, atau kegagalan — tanpa membuat asumsi tentang bentuk fungsi bahaya dasar.

Diperkenalkan oleh David Cox pada tahun 1972, model ini merupakan alat dominan untuk analisis kelangsungan hidup multivariabel dalam penelitian klinis dan epidemiologi.

Intuisi di balik metode

Misalkan Anda ingin mengetahui apakah usia dan jenis pengobatan secara bersama-sama memengaruhi seberapa cepat pasien mencapai remisi. Model Cox menjawab ini tanpa mengharuskan Anda menentukan apakah risiko yang mendasarinya meningkat, menurun, atau tetap datar seiring waktu. Model ini bekerja dengan mengurutkan kapan kejadian terjadi dan mengestimasi pola kovariat mana yang terkait dengan kejadian yang lebih awal. Asumsi 'bahaya proporsional' berarti bahwa rasio bahaya antara dua individu dengan nilai kovariat yang berbeda tetap konstan seiring waktu — jika pasien yang diobati dua kali lebih mungkin pulih pada bulan ke-3, mereka tetap dua kali lebih mungkin pada bulan ke-12. Setiap kovariat menghasilkan rasio bahaya: HR sebesar 1,5 berarti laju kejadian seketika 50% lebih tinggi per unit peningkatan pada kovariat tersebut.

Sejarah

David Cox menerbitkan model bahaya proporsional dalam makalah penting tahun 1972 di Journal of the Royal Statistical Society, Series B. Model ini revolusioner karena memungkinkan penyesuaian kovariat dalam analisis kelangsungan hidup tanpa menentukan distribusi bahaya dasar. Cox memperkenalkan konsep kemungkinan parsial — yang ia formalisasi lebih lengkap dalam tindak lanjut tahun 1975 — memungkinkan estimasi dari urutan kejadian saja. Makalah ini menjadi salah satu yang paling banyak dikutip dalam semua statistik dan mengamankan gelar kebangsawanan bagi Cox. Perluasan termasuk kovariat yang bergantung pada waktu, basis tersendiri, dan frailty (efek acak) sejak itu membuat kerangka kerja ini berlaku untuk pengaturan terkelompok, kejadian berulang, dan risiko bersaing.

Kapan digunakan

Gunakan model Cox ketika hasil Anda adalah waktu-ke-kejadian, ada sensor (tidak semua peserta mengalami kejadian), dan Anda perlu menyesuaikan untuk kovariat. Ini adalah metode multivariabel default untuk studi kohort, uji klinis, dan analisis registri dengan titik akhir kelangsungan hidup. Jangan gunakan ketika asumsi bahaya proporsional sangat dilanggar di semua kovariat — pertimbangkan model percepatan waktu kegagalan atau alternatif parametrik fleksibel sebagai gantinya. Hindari ketika kejadian sangat jarang dibandingkan dengan jumlah kovariat (kurang dari 10 kejadian per prediktor adalah aturan praktis yang dikenali untuk ketidakstabilan). Untuk paparan tunggal tanpa kovariat, kurva Kaplan-Meier dengan uji log-rank lebih sederhana dan memadai.

Batasan dan pertimbangan

  • Asumsi bahaya proporsional harus dipenuhi — jika rasio bahaya berubah seiring waktu, estimasi dirata-ratakan dan berpotensi menyesatkan.
  • Tidak menghasilkan prediksi waktu kelangsungan hidup absolut tanpa estimasi tambahan dari bahaya dasar.
  • Kinerja menurun ketika kejadian jarang dibandingkan dengan kovariat; risiko overfitting meningkat dengan kurang dari 10 kejadian per prediktor.
  • Sensor harus non-informatif; jika pasien keluar karena mereka memburuk, estimasi menjadi bias.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Tidak memerlukan asumsi tentang bentuk bahaya dasar, membuatnya kuat di berbagai distribusi waktu kelangsungan hidup.
  • Menangani sensor kanan secara alami, yang ada di mana-mana dalam data tindak lanjut klinis.
  • Menghasilkan rasio bahaya yang dapat diinterpretasikan yang mengukur efek relatif setiap kovariat pada laju kejadian seketika.
  • Mudah diperluas ke analisis tersendiri, kovariat yang bergantung pada waktu, dan data terkelompok (model frailty).
  • Diimplementasikan secara luas di semua perangkat lunak statistik utama (R, Stata, SAS, SPSS) dengan alat diagnostik yang mapan.

Penerapan

  • Menilai efek alokasi pengobatan pada kelangsungan hidup keseluruhan atau kelangsungan hidup bebas progresi dalam uji klinis acak.
  • Mengidentifikasi faktor prognostik untuk kekambuhan penyakit atau mortalitas dalam studi registri kanker dan kohort rumah sakit.
  • Mengestimasi asosiasi antara paparan pekerjaan dan waktu onset penyakit kronis dalam epidemiologi pekerjaan.
  • Memodelkan waktu ke rawat inap kembali setelah penyesuaian untuk usia, komorbiditas, dan status pemulangan dalam penelitian layanan kesehatan.
  • Mengevaluasi tingkat kegagalan perangkat atau implan yang disesuaikan dengan faktor risiko tingkat pasien dalam studi rekayasa biomedis.

Cara kerjanya

Cara kerjanya

1

Sebelum pemodelan, verifikasi asumsi bahaya proporsional untuk setiap kovariat menggunakan plot residual Schoenfeld atau uji formal (korelasi residual yang diskalakan dengan waktu). Periksa juga laju kejadian yang mendekati nol dalam strata kovariat, pencilan ekstrem dalam waktu tindak lanjut, dan kecukupan mekanisme sensor — sensor harus non-informatif untuk inferensi yang valid.

2

Tulis fungsi bahaya sebagai h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p), di mana h_0(t) adalah bahaya dasar yang tidak ditentukan dan b_i adalah koefisien log-bahaya yang akan diestimasi. Pilih kovariat berdasarkan teori subjek atau literatur sebelumnya, bukan murni berdasarkan nilai p univariabel; sertakan konfounder yang diketahui terlepas dari signifikansinya.

Rumus
h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p)
3

Koefisien diestimasi dengan memaksimalkan kemungkinan parsial, sebuah fungsi yang mengkondisikan urutan kejadian yang diamati dan menghilangkan bahaya dasar. Karena bahaya dasar hilang, tidak diperlukan asumsi distribusi tentang waktu kelangsungan hidup — oleh karena itu disebut 'semi-parametrik'. Metode ini menangani waktu kejadian yang terikat melalui aproksimasi Breslow atau Efron.

4

Evaluasi kecocokan model dengan uji rasio kemungkinan log, Wald, dan skor untuk signifikansi keseluruhan. Periksa pengaruh kovariat individual dengan residual dfbeta, dan nilai linearitas prediktor kontinu menggunakan residual martingal. Jika asumsi bahaya proporsional dilanggar untuk suatu kovariat, pertimbangkan stratifikasi berdasarkan variabel tersebut atau penambahan suku interaksi waktu.

5

Eksponensialkan setiap koefisien untuk mendapatkan rasio bahaya: HR = exp(b_i). HR > 1 menunjukkan laju kejadian yang lebih tinggi (kelangsungan hidup lebih pendek); HR < 1 menunjukkan laju kejadian yang lebih rendah (kelangsungan hidup lebih panjang). Laporkan HR dengan interval kepercayaan 95% dan nilai p dua sisi. HR mewakili laju relatif seketika, bukan rasio risiko — komunikasikan perbedaan ini dengan jelas kepada audiens non-spesialis.

Rumus
HR = exp(b_i)

Kesalahan umum

  • Mengabaikan asumsi bahaya proporsional — gagal menguji dan melaporkan residual Schoenfeld menyebabkan pelanggaran yang tidak terdeteksi yang mendistorsi estimasi rasio bahaya di seluruh periode tindak lanjut.
  • Memperlakukan rasio bahaya sebagai rasio risiko — HR adalah rasio laju seketika, bukan rasio risiko kumulatif; menerjemahkannya secara berlebihan ke dalam bahasa risiko absolut menyesatkan audiens klinis.
  • Overfitting dengan terlalu banyak kovariat relatif terhadap kejadian — memasukkan semua variabel kandidat tanpa mempertimbangkan rasio kejadian-per-prediktor meningkatkan kesalahan tipe I dan menghasilkan CI yang tidak dapat diandalkan.
  • Mengabaikan waktu kejadian yang terikat — aproksimasi Breslow default memadai untuk sedikit ikatan, tetapi ikatan yang substansial memerlukan aproksimasi Efron atau metode eksak.

Pertanyaan yang sering diajukan

Apa itu asumsi bahaya proporsional dan bagaimana cara mengujinya?

Asumsi menyatakan bahwa rasio bahaya antara dua pola kovariat apa pun konstan seiring waktu. Uji dengan memplot residual Schoenfeld yang diskalakan terhadap waktu untuk setiap kovariat — garis lurus menunjukkan asumsi terpenuhi. Fungsi cox.zph() dalam paket survival R menyediakan plot dan uji korelasi formal; nilai p yang signifikan menunjukkan pelanggaran yang harus ditangani dengan stratifikasi atau suku interaksi waktu.

Kapan saya harus memilih model kelangsungan hidup parametrik daripada model Cox?

Jika pengetahuan subjek secara kuat mendukung distribusi spesifik untuk waktu kelangsungan hidup (misalnya, Weibull untuk kegagalan perangkat), model parametrik penuh lebih efisien dan menghasilkan prediksi langsung waktu kelangsungan hidup median atau rata-rata. Model Cox lebih disukai ketika Anda tidak yakin tentang bentuk bahaya atau ketika ketahanan model lebih penting daripada efisiensi parametrik — yang terjadi hampir sepanjang waktu dalam penelitian klinis.

Bisakah saya menggunakan model Cox dengan kovariat yang bergantung pada waktu?

Ya. Formulasi proses-penghitungan model Cox mengakomodasi kovariat yang nilainya berubah selama periode tindak lanjut (misalnya, nilai lab yang diperbarui, pergantian pengobatan). Dataset harus disusun ulang ke dalam format interval mulai-berhenti untuk setiap jendela observasi. Ini sepenuhnya didukung di R (paket survival), Stata, dan SAS.

Berapa banyak kejadian yang saya butuhkan?

Heuristik yang banyak digunakan adalah setidaknya 10 kejadian per variabel prediktor (EPV) dalam model. Di bawah ambang batas ini, estimasi koefisien menjadi tidak stabil, interval kepercayaan melebar, dan model mungkin tidak konvergen secara andal. Untuk model dengan banyak kovariat kandidat, regresi yang dihukum (ridge, LASSO) atau metode penyusutan formal dapat meningkatkan stabilitas ketika EPV rendah.

Apa perbedaan antara model Cox dan analisis risiko bersaing?

Ketika hanya satu jenis kejadian yang mungkin, model Cox standar berlaku. Risiko bersaing muncul ketika subjek dapat mengalami salah satu dari beberapa kejadian yang saling eksklusif (misalnya, kematian terkait kanker vs. kematian karena penyebab lain). Dalam pengaturan itu, model Cox spesifik-penyebab atau model bahaya subdistribusi Fine-Gray sesuai; model Cox standar pada kejadian yang diminati saja akan melebih-lebihkan insidensi kumulatif spesifik-penyebab.

Metode terkait

Sumber

  1. Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202.

    Buka referensi DOI
    Disalin.
  2. Collett, D. (2015). Modelling Survival Data in Medical Research (3rd ed.). CRC Press.

    ISBN: 978-1439856789
    Disalin.