Регрессионная модель пропорциональных рисков Кокса — Модель для анализа времени до наступления события
- Автор метода
- Sir David Roxbee Cox
- Год
- 1972
- Тип
- Semi-parametric regression model
- Семейство
- Clinical / epidemiology
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Модель пропорциональных рисков Кокса — это полупараметрический регрессионный метод, который оценивает влияние одного или нескольких ковариат на интенсивность — мгновенную частоту наступления события, такого как смерть, рецидив или отказ, — не делая предположений о форме базовой функции интенсивности.
Представленная Дэвидом Коксом в 1972 году, она является доминирующим инструментом многомерного анализа выживаемости в клинических и эпидемиологических исследованиях.
Интуиция метода
Предположим, вы хотите узнать, влияют ли возраст и тип лечения совместно на скорость достижения пациентами ремиссии. Модель Кокса отвечает на этот вопрос, не требуя от вас указания, возрастает, падает или остается постоянной базовая интенсивность со временем. Она работает путем ранжирования моментов наступления событий и оценки того, какие паттерны ковариат связаны с более ранними событиями. Предположение о «пропорциональных рисках» означает, что отношение интенсивностей между двумя индивидуумами с различными значениями ковариат остается постоянным во времени — если у пациента, получающего лечение, в 3 месяца в два раза выше вероятность выздоровления, то и в 12 месяцев она остается в два раза выше. Каждая ковариата дает отношение рисков: HR, равное 1,5, означает увеличение мгновенной частоты событий на 50 % на единицу увеличения этой ковариаты.
История
Дэвид Кокс опубликовал модель пропорциональных рисков в знаковой статье 1972 года в журнале Journal of the Royal Statistical Society, Series B. Модель была революционной, поскольку позволяла корректировать данные с учетом ковариат в анализе выживаемости без указания распределения базовой интенсивности. Кокс ввел концепцию частичного правдоподобия — которую он более полно формализовал в последующей статье 1975 года — что позволило проводить оценку только по порядку событий. Статья стала одной из самых цитируемых во всей статистике и принесла Коксу рыцарское звание. Расширения, включая ковариаты, меняющиеся во времени, стратифицированные базовые линии и члены фрагментации (случайные эффекты), с тех пор сделали этот фреймворк применимым к кластеризованным, рецидивирующим событиям и конкурирующим рискам.
Когда применять
Используйте модель Кокса, когда вашим исходом является время до наступления события, присутствует цензурирование (не все участники испытывают событие), и вам необходимо скорректировать данные с учетом ковариат. Это метод по умолчанию для многомерного анализа в когортных исследованиях, клинических испытаниях и анализах реестров с конечными точками выживаемости. Не используйте ее, когда предположение о пропорциональных рисках серьезно нарушено для всех ковариат — рассмотрите вместо этого модель ускоренного времени отказа или гибкие параметрические альтернативы. Избегайте ее, когда события очень редки по сравнению с количеством ковариат (менее 10 событий на предиктор — признанное эмпирическое правило нестабильности). Для одного воздействия без ковариат кривые Каплана-Майера с лог-ранговыми тестами проще и достаточны.
Ограничения и замечания
- Предположение о пропорциональных рисках должно выполняться — если отношения рисков меняются со временем, оценки усредняются и потенциально вводят в заблуждение.
- Не дает абсолютных прогнозов времени выживаемости без дополнительной оценки базовой интенсивности.
- Производительность снижается при редких событиях по сравнению с ковариатами; риск переобучения возрастает при менее чем 10 событиях на предиктор.
- Цензурирование должно быть неинформативным; если пациенты выбывают из-за ухудшения состояния, оценки смещены.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Не требует предположений о форме базовой интенсивности, что делает ее надежной для широкого спектра распределений времени выживаемости.
- Естественно обрабатывает правостороннее цензурирование, которое повсеместно встречается в данных клинических наблюдений.
- Предоставляет интерпретируемые отношения рисков, которые количественно определяют относительное влияние каждой ковариаты на мгновенную частоту событий.
- Легко расширяется до стратифицированного анализа, ковариат, меняющихся во времени, и кластеризованных данных (модели фрагментации).
- Широко реализована во всех основных статистических пакетах (R, Stata, SAS, SPSS) с хорошо разработанными инструментами диагностики.
Применение
- Оценка влияния распределения лечения на общую выживаемость или выживаемость без прогрессирования в рандомизированных клинических испытаниях.
- Выявление прогностических факторов рецидива заболевания или смертности в исследованиях раковых реестров и когортных исследованиях больниц.
- Оценка связи между профессиональными факторами воздействия и временем до начала хронического заболевания в эпидемиологии труда.
- Моделирование времени до повторной госпитализации после корректировки на возраст, сопутствующие заболевания и статус выписки в исследованиях систем здравоохранения.
- Оценка частоты отказов устройств или имплантатов с корректировкой на факторы риска на уровне пациента в исследованиях биомедицинской инженерии.
Как это работает
Как это работает
Перед моделированием проверьте предположение о пропорциональных рисках для каждой ковариаты с помощью графиков остатков Шоенфельда или формального теста (корреляция масштабированных остатков со временем). Также проверьте наличие близких к нулю частот событий в стратах ковариат, экстремальных выбросов во времени наблюдения и адекватность механизма цензурирования — цензурирование должно быть неинформативным для корректных выводов.
Запишем функцию интенсивности как h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p), где h_0(t) — неуказанная базовая интенсивность, а b_i — коэффициенты логарифма интенсивности, подлежащие оценке. Выбирайте ковариаты на основе предметной теории или предыдущей литературы, а не исключительно по однофакторным p-значениям; включайте известные конфаундеры независимо от их значимости.
Формула
h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p)
Коэффициенты оцениваются путем максимизации частичного правдоподобия — функции, которая учитывает наблюдаемый порядок событий и исключает базовую интенсивность. Поскольку базовая интенсивность исключается, предположение о распределении времени выживаемости не требуется — отсюда «полупараметрический». Метод обрабатывает совпадающие времена событий с помощью аппроксимаций Бреслоу или Эфрона.
Оцените соответствие модели с помощью тестов отношения правдоподобия, Вальда и скора для общей значимости. Проверьте влияние отдельных ковариат с помощью остатков dfbeta и оцените линейность непрерывных предикторов с помощью остатков мартингалов. Если предположение о пропорциональных рисках нарушено для какой-либо ковариаты, рассмотрите стратификацию по этой переменной или добавление члена взаимодействия со временем.
Экспоненцируйте каждый коэффициент, чтобы получить отношение рисков: HR = exp(b_i). HR > 1 указывает на более высокую частоту событий (более короткое выживание); HR < 1 указывает на более низкую частоту событий (более длительное выживание). Сообщайте HR с 95 % доверительными интервалами и двусторонними p-значениями. HR представляет собой мгновенное относительное отношение, а не отношение рисков — четко сообщайте об этом различии неспециализированной аудитории.
Формула
HR = exp(b_i)
Частые ошибки
- Игнорирование предположения о пропорциональных рисках — непроверка и несообщение об остатках Шоенфельда приводит к необнаруженным нарушениям, искажающим оценки отношения рисков на всем периоде наблюдения.
- Трактовка отношения рисков как отношения шансов — HR является отношением мгновенных интенсивностей, а не отношением кумулятивных рисков; чрезмерная интерпретация в терминах абсолютного риска вводит в заблуждение клиническую аудиторию.
- Переобучение с использованием слишком большого количества ковариат по отношению к событиям — включение всех кандидатов без учета соотношения событий на переменную увеличивает ошибки первого рода и приводит к ненадежным доверительным интервалам.
- Игнорирование совпадающих времен событий — аппроксимация Бреслоу по умолчанию адекватна при малом количестве совпадений, но при существенном количестве совпадений требуется аппроксимация Эфрона или точный метод.
Часто задаваемые вопросы
Каково предположение о пропорциональных рисках и как его проверить?
Предположение гласит, что отношение рисков между любыми двумя паттернами ковариат постоянно во времени. Проверьте его, построив графики масштабированных остатков Шоенфельда в зависимости от времени для каждой ковариаты — горизонтальная линия предполагает, что предположение выполняется. Функция cox.zph() в пакете survival для R предоставляет как график, так и формальный тест корреляции; значимое p-значение указывает на нарушение, которое следует устранить путем стратификации или добавления члена взаимодействия со временем.
Когда следует предпочесть параметрическую модель выживаемости модели Кокса?
Если предметные знания убедительно подтверждают определенное распределение времени выживаемости (например, Вейбулла для отказа устройства), полностью параметрическая модель будет более эффективной и даст прямые прогнозы медианного или среднего времени выживаемости. Модель Кокса предпочтительнее, когда вы не уверены в форме интенсивности или когда надежность модели важнее параметрической эффективности — что чаще всего бывает в клинических исследованиях.
Можно ли использовать модель Кокса с ковариатами, меняющимися во времени?
Да. Формулировка модели Кокса в виде счетного процесса позволяет учитывать ковариаты, значения которых меняются в течение периода наблюдения (например, обновленные лабораторные показатели, смены лечения). Набор данных должен быть реструктурирован в формат интервалов «начало–конец» для каждого окна наблюдения. Это полностью поддерживается в R (пакет survival), Stata и SAS.
Сколько событий мне нужно?
Широко используемое эмпирическое правило — не менее 10 событий на предикторную переменную (EPV) в модели. Ниже этого порога оценки коэффициентов становятся нестабильными, доверительные интервалы расширяются, и модель может не сойтись надежно. Для моделей с большим количеством кандидатов в ковариаты регуляризованная регрессия (ridge, LASSO) или формальные методы сжатия могут повысить стабильность при низком EPV.
В чем разница между моделью Кокса и анализом конкурирующих рисков?
Когда возможен только один тип события, применяется стандартная модель Кокса. Конкурирующие риски возникают, когда субъект может испытать одно из нескольких взаимоисключающих событий (например, смерть от рака против смерти от других причин). В этом случае подходят причинно-специфические модели Кокса или модель интенсивности субраспределения Файна-Грея; стандартная модель Кокса, рассматривающая только интересующее событие, переоценивает кумулятивную частоту причинно-специфических событий.
Похожие методы
Источники
Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202.
Открыть ссылку DOIСкопировано.Collett, D. (2015). Modelling Survival Data in Medical Research (3rd ed.). CRC Press.
ISBN: 978-1439856789Скопировано.