Przejdź do treści
Wróć do wyników wyszukiwania

Model Coxa z proporcjonalnym hazardem — Model regresji dla danych typu czas do wystąpienia zdarzenia

Autor metody
Sir David Roxbee Cox
Rok
1972
Typ
Semi-parametric regression model
Rodzina
Clinical / epidemiology

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Model Coxa z proporcjonalnym hazardem jest półparametryczną metodą regresji, która szacuje wpływ jednej lub więcej zmiennych objaśniających na hazard — chwilową częstość występowania zdarzenia, takiego jak śmierć, nawrót choroby lub awaria — nie czyniąc żadnych założeń dotyczących kształtu bazowej funkcji hazardu.

Wprowadzony przez Davida Coxa w 1972 roku, jest dominującym narzędziem do wielowymiarowej analizy przeżycia w badaniach klinicznych i epidemiologicznych.

Intuicja stojąca za metodą

Załóżmy, że chcesz wiedzieć, czy wiek i rodzaj leczenia wspólnie wpływają na szybkość osiągania remisji przez pacjentów. Model Coxa odpowiada na to pytanie, nie wymagając określenia, czy podstawowe ryzyko rośnie, spada, czy pozostaje stałe w czasie. Działa poprzez szeregowanie momentów wystąpienia zdarzeń i szacowanie, które wzorce zmiennych objaśniających są związane z wcześniejszymi zdarzeniami. Założenie o „proporcjonalnym hazardzie” oznacza, że stosunek hazardu między dwiema osobami o różnych wartościach zmiennych objaśniających pozostaje stały w czasie — jeśli pacjent leczony ma dwukrotnie większe prawdopodobieństwo wyzdrowienia w trzecim miesiącu, to nadal ma dwukrotnie większe prawdopodobieństwo w dwunastym miesiącu. Każda zmienna objaśniająca daje iloraz hazardu: HR równy 1,5 oznacza 50% wyższą chwilową częstość zdarzeń na jednostkę wzrostu tej zmiennej objaśniającej.

Historia

David Cox opublikował model proporcjonalnego hazardu w przełomowym artykule z 1972 roku w czasopiśmie Journal of the Royal Statistical Society, Series B. Model był rewolucyjny, ponieważ pozwalał na dostosowanie zmiennych objaśniających w analizie przeżycia bez określania rozkładu bazowego hazardu. Cox wprowadził koncepcję prawdopodobieństwa cząstkowego — którą w pełni sformalizował w artykule z 1975 roku — umożliwiając estymację wyłącznie na podstawie kolejności zdarzeń. Artykuł stał się jednym z najczęściej cytowanych w całej statystyce i zapewnił Coxowi tytuł szlachecki. Rozszerzenia obejmujące zmienne zależne od czasu, stratyfikowane bazy i człony frailty (efekty losowe) sprawiły, że ramy te stały się stosowane w ustawieniach danych pogrupowanych, zdarzeń nawracających i ryzyka konkurencyjnego.

Kiedy stosować

Używaj modelu Coxa, gdy wynikiem jest czas do wystąpienia zdarzenia, występuje cenzurowanie (nie wszyscy uczestnicy doświadczają zdarzenia) i musisz uwzględnić zmienne objaśniające. Jest to domyślna metoda wielowymiarowa dla badań kohortowych, badań klinicznych i analiz rejestrowych z punktami końcowymi dotyczącymi przeżycia. Nie używaj go, gdy założenie o proporcjonalnym hazardzie jest poważnie naruszone dla wszystkich zmiennych objaśniających — rozważ model przyspieszonego czasu awarii lub elastyczne alternatywy parametryczne. Unikaj go, gdy zdarzenia są bardzo rzadkie w stosunku do liczby zmiennych objaśniających (mniej niż 10 zdarzeń na predyktor jest uznaną zasadą kciuka wskazującą na niestabilność). Dla pojedynczej ekspozycji bez zmiennych objaśniających, krzywe Kaplana-Meiera z testami log-rank są prostsze i wystarczające.

Ograniczenia i uwagi

  • Założenie o proporcjonalnym hazardzie musi być spełnione — jeśli ilorazy hazardu zmieniają się w czasie, oszacowania są uśrednione i potencjalnie mylące.
  • Nie dostarcza absolutnych przewidywań czasu przeżycia bez dodatkowego oszacowania bazowego hazardu.
  • Wydajność spada, gdy zdarzenia są rzadkie w stosunku do zmiennych objaśniających; ryzyko przeuczenia rośnie przy mniej niż 10 zdarzeniach na predyktor.
  • Cenzurowanie musi być nieinformacyjne; jeśli pacjenci wypadają z badania z powodu pogarszającego się stanu, oszacowania są obciążone.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Nie wymaga założeń dotyczących kształtu bazowego hazardu, co czyni go odpornym w szerokim zakresie rozkładów czasu przeżycia.
  • Naturalnie radzi sobie z cenzurowaniem prawostronnym, które jest wszechobecne w danych klinicznych z obserwacji.
  • Dostarcza interpretowalnych ilorazów hazardu, które kwantyfikują względny wpływ każdej zmiennej objaśniającej na chwilową częstość zdarzeń.
  • Łatwo rozszerzalny na analizy stratyfikowane, zmienne objaśniające zależne od czasu i dane pogrupowane (modele frailty).
  • Szeroko zaimplementowany we wszystkich głównych pakietach oprogramowania statystycznego (R, Stata, SAS, SPSS) z dobrze ugruntowanymi narzędziami diagnostycznymi.

Zastosowania

  • Ocena wpływu przydziału leczenia na przeżycie całkowite lub przeżycie wolne od progresji w randomizowanych badaniach klinicznych.
  • Identyfikacja czynników prognostycznych nawrotu choroby lub śmiertelności w badaniach kohortowych rejestrów nowotworów i szpitali.
  • Szacowanie związku między narażeniem zawodowym a czasem do wystąpienia choroby przewlekłej w epidemiologii zawodowej.
  • Modelowanie czasu do ponownej hospitalizacji po uwzględnieniu wieku, chorób współistniejących i statusu wypisu w badaniach nad systemem opieki zdrowotnej.
  • Ocena wskaźników awaryjności urządzeń lub implantów po uwzględnieniu czynników ryzyka na poziomie pacjenta w badaniach inżynierii biomedycznej.

Jak to działa

Jak to działa

1

Przed modelowaniem należy zweryfikować założenie o proporcjonalnym hazardzie dla każdej zmiennej objaśniającej za pomocą wykresów reszt Schoenfelda lub formalnego testu (korelacja przeskalowanych reszt z czasem). Należy również sprawdzić bliskie zeru częstości zdarzeń w warstwach zmiennych objaśniających, skrajne wartości odstające w czasie obserwacji oraz adekwatność mechanizmu cenzurowania — cenzurowanie musi być nieinformacyjne dla poprawnego wnioskowania.

2

Funkcję hazardu zapisujemy jako h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p), gdzie h_0(t) jest nieokreślonym bazowym hazardem, a b_i to współczynniki log-hazardu do oszacowania. Zmienne objaśniające należy wybierać na podstawie teorii dziedzinowej lub wcześniejszej literatury, a nie wyłącznie na podstawie jednowymiarowych wartości p; należy uwzględnić znane czynniki zakłócające niezależnie od ich istotności statystycznej.

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

Współczynniki są szacowane przez maksymalizację prawdopodobieństwa cząstkowego, funkcji, która warunkuje na obserwowaną kolejność zdarzeń i skraca bazowy hazard. Ponieważ bazowy hazard się skraca, nie jest wymagane żadne założenie dotyczące rozkładu czasu przeżycia — stąd „półparametryczny”. Metoda radzi sobie z powiązanymi czasami zdarzeń za pomocą przybliżeń Breslowa lub Efrona.

4

Oceń dopasowanie modelu za pomocą testów ilorazu wiarygodności, Walda i ilorazu wiarygodności dla ogólnej istotności. Sprawdź wpływ poszczególnych zmiennych objaśniających za pomocą reszt dfbeta i oceń liniowość ciągłych predyktorów za pomocą reszt martyngałowych. Jeśli założenie o proporcjonalnym hazardzie jest naruszone dla danej zmiennej objaśniającej, rozważ stratyfikację według tej zmiennej lub dodanie członu interakcji czasowej.

5

Podnieś do potęgi każdy współczynnik, aby uzyskać iloraz hazardu: HR = exp(b_i). HR > 1 oznacza wyższą częstość zdarzeń (krótsze przeżycie); HR < 1 oznacza niższą częstość zdarzeń (dłuższe przeżycie). Podawaj HR wraz z 95% przedziałami ufności i dwustronnymi wartościami p. HR reprezentuje chwilowy stosunek częstości, a nie stosunek ryzyka — jasno komunikuj tę różnicę odbiorcom niebędącym specjalistami.

Wzór
HR = exp(b_i)

Częste pułapki

  • Ignorowanie założenia o proporcjonalnym hazardzie — nieprzeprowadzenie testu i niepodanie reszt Schoenfelda prowadzi do niewykrytych naruszeń, które zniekształcają oszacowania ilorazu hazardu w całym okresie obserwacji.
  • Traktowanie ilorazu hazardu jako ilorazu ryzyka — HR jest stosunkiem chwilowych częstości, a nie stosunkiem skumulowanego ryzyka; nadmierne tłumaczenie go na język ryzyka absolutnego wprowadza w błąd audytorium kliniczne.
  • Przeuczenie przy zbyt wielu zmiennych objaśniających w stosunku do liczby zdarzeń — wprowadzanie wszystkich kandydatów bez uwzględnienia stosunku zdarzeń do zmiennych zwiększa błędy typu I i prowadzi do nierzetelnych przedziałów ufności.
  • Ignorowanie powiązanych czasów zdarzeń — domyślne przybliżenie Breslowa jest wystarczające dla niewielu powiązań, ale znaczne powiązania wymagają przybliżenia Efrona lub metody dokładnej.

Najczęściej zadawane pytania

Na czym polega założenie o proporcjonalnym hazardzie i jak je przetestować?

Założenie stwierdza, że iloraz hazardu między dowolnymi dwoma wzorcami zmiennych objaśniających jest stały w czasie. Testuje się je, rysując przeskalowane reszty Schoenfelda względem czasu dla każdej zmiennej objaśniającej — płaska linia sugeruje, że założenie jest spełnione. Funkcja cox.zph() w pakiecie survival R zapewnia zarówno wykres, jak i formalny test korelacji; istotna wartość p wskazuje na naruszenie, które należy rozwiązać poprzez stratyfikację lub człon interakcji czasowej.

Kiedy powinienem preferować parametryczny model przeżycia zamiast modelu Coxa?

Jeśli wiedza dziedzinowa silnie wspiera określony rozkład czasów przeżycia (np. Weibull dla awarii urządzeń), w pełni parametryczny model jest bardziej wydajny i daje bezpośrednie przewidywania czasu przeżycia mediany lub średniej. Model Coxa jest preferowany, gdy jesteśmy agnostyczni co do kształtu hazardu lub gdy ważniejsza jest odporność modelu niż wydajność parametryczna — co ma miejsce przez większość czasu w badaniach klinicznych.

Czy mogę używać modelu Coxa ze zmiennymi zależnymi od czasu?

Tak. Formuła procesu zliczania modelu Coxa uwzględnia zmienne, których wartości zmieniają się w okresie obserwacji (np. zaktualizowane wyniki laboratoryjne, zmiany leczenia). Zbiór danych musi być przekształcony w format interwału start-stop dla każdego okna obserwacji. Jest to w pełni obsługiwane w R (pakiet survival), Stata i SAS.

Ile zdarzeń potrzebuję?

Powszechnie stosowana heurystyka to co najmniej 10 zdarzeń na zmienną predykcyjną (EPV) w modelu. Poniżej tego progu oszacowania współczynników stają się niestabilne, przedziały ufności poszerzają się, a model może nie zbiegać się niezawodnie. W przypadku modeli z wieloma kandydatami na zmienne objaśniające, regresja penalizowana (ridge, LASSO) lub formalne metody kurczenia mogą poprawić stabilność, gdy EPV jest niskie.

Jaka jest różnica między modelem Coxa a analizą ryzyka konkurencyjnego?

Gdy możliwy jest tylko jeden rodzaj zdarzenia, stosuje się standardowy model Coxa. Ryzyko konkurencyjne pojawia się, gdy obiekt może doświadczyć jednego z kilku wzajemnie wykluczających się zdarzeń (np. śmierć z powodu raka vs. śmierć z innych przyczyn). W takim przypadku odpowiednie są modele Coxa specyficzne dla przyczyn lub model hazardu podrozkładu Fine-Gray; standardowy model Coxa dla samego zdarzenia zainteresowania przeszacowuje skumulowaną częstość specyficzną dla przyczyn.

Pokrewne metody

Źródła

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

    Otwórz odnośnik DOI
    Skopiowano.
  2. Collett, D. (2015). Modelling Survival Data in Medical Research (3rd ed.). CRC Press.

    ISBN: 978-1439856789
    Skopiowano.