แบบจำลองการถดถอยโคกซ์แบบสัดส่วนภาวะเสี่ยง — แบบจำลองการถดถอยสำหรับข้อมูลเวลาสู่เหตุการณ์
- ผู้เสนอ
- Sir David Roxbee Cox
- ปี
- 1972
- ประเภท
- Semi-parametric regression model
- กลุ่มวิธี
- Clinical / epidemiology
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
แบบจำลองโคกซ์แบบสัดส่วนภาวะเสี่ยง (Cox proportional hazards model) เป็นวิธีการถดถอยแบบกึ่งพารามิเตอร์ที่ประมาณผลกระทบของตัวแปรอธิบายหนึ่งตัวหรือมากกว่าต่อภาวะเสี่ยง (hazard) ซึ่งคืออัตราทันทีของการเกิดเหตุการณ์ เช่น การเสียชีวิต การกลับเป็นซ้ำ หรือความล้มเหลว โดยไม่มีการตั้งสมมติฐานเกี่ยวกับรูปร่างของฟังก์ชันภาวะเสี่ยงพื้นฐาน (baseline hazard function) แบบจำลองนี้ถูกนำเสนอโดย David Cox ในปี 1972 และเป็นเครื่องมือหลักสำหรับการวิเคราะห์การรอดชีพแบบหลายตัวแปรในการวิจัยทางคลินิกและระบาดวิทยา
แนวคิดเบื้องหลังวิธีการ
สมมติว่าคุณต้องการทราบว่าอายุและประเภทการรักษา มีผลร่วมกันต่อความเร็วที่ผู้ป่วยจะเข้าสู่ภาวะทุเลาหรือไม่ แบบจำลองโคกซ์สามารถตอบคำถามนี้ได้โดยไม่ต้องระบุว่าความเสี่ยงพื้นฐานเพิ่มขึ้น ลดลง หรือคงที่เมื่อเวลาผ่านไป แบบจำลองนี้ทำงานโดยการจัดอันดับเวลาที่เหตุการณ์เกิดขึ้น และประมาณว่ารูปแบบตัวแปรอธิบายใดที่เกี่ยวข้องกับการเกิดเหตุการณ์ที่เร็วกว่า ข้อสมมติฐาน 'สัดส่วนภาวะเสี่ยง' หมายความว่าอัตราส่วนของภาวะเสี่ยงระหว่างบุคคลสองคนที่มีค่าตัวแปรอธิบายต่างกันจะคงที่ตลอดเวลา — หากผู้ป่วยที่ได้รับการรักษามีโอกาสฟื้นตัวเป็นสองเท่าในเดือนที่ 3 พวกเขาก็ยังคงมีโอกาสเป็นสองเท่าในเดือนที่ 12 ตัวแปรอธิบายแต่ละตัวจะสร้างอัตราส่วนภาวะเสี่ยง (hazard ratio): HR เท่ากับ 1.5 หมายถึงอัตราการเกิดเหตุการณ์ทันทีสูงขึ้น 50% ต่อหน่วยที่เพิ่มขึ้นในตัวแปรอธิบายนั้น
ประวัติศาสตร์
David Cox ได้ตีพิมพ์แบบจำลองสัดส่วนภาวะเสี่ยงในบทความสำคัญปี 1972 ใน Journal of the Royal Statistical Society, Series B แบบจำลองนี้เป็นการปฏิวัติเพราะช่วยให้สามารถปรับแก้ตัวแปรอธิบายในการวิเคราะห์การรอดชีพได้โดยไม่ต้องระบุการแจกแจงภาวะเสี่ยงพื้นฐาน Cox ได้นำเสนอแนวคิดความน่าจะเป็นบางส่วน (partial likelihood) — ซึ่งเขาได้ทำให้เป็นทางการมากขึ้นในปี 1975 — ทำให้สามารถประมาณค่าได้จากลำดับเหตุการณ์เพียงอย่างเดียว บทความนี้กลายเป็นหนึ่งในบทความที่ถูกอ้างอิงมากที่สุดในสถิติทั้งหมด และทำให้ Cox ได้รับพระราชทานบรรดาศักดิ์เป็นอัศวิน การขยายขอบเขต รวมถึงตัวแปรอธิบายที่เปลี่ยนแปลงตามเวลา ภาวะเสี่ยงพื้นฐานแบบแบ่งชั้น และพจน์ frailty (random effects) ได้ทำให้กรอบการทำงานนี้สามารถนำไปใช้กับการตั้งค่าข้อมูลแบบกลุ่ม เหตุการณ์ซ้ำ และความเสี่ยงที่แข่งขันกันได้
ควรใช้เมื่อใด
ใช้แบบจำลองโคกซ์เมื่อผลลัพธ์ของคุณคือเวลาสู่เหตุการณ์ มีการเซ็นเซอร์ (ผู้เข้าร่วมบางคนไม่ประสบเหตุการณ์) และคุณจำเป็นต้องปรับแก้สำหรับตัวแปรอธิบาย เป็นวิธีการหลายตัวแปรเริ่มต้นสำหรับการศึกษาแบบกลุ่ม (cohort studies), การทดลองทางคลินิก และการวิเคราะห์ทะเบียนผู้ป่วยที่มีจุดสิ้นสุดการรอดชีพ อย่าใช้เมื่อข้อสมมติฐานสัดส่วนภาวะเสี่ยงถูกละเมิดอย่างรุนแรงในทุกตัวแปรอธิบาย — ให้พิจารณาแบบจำลองเวลาความล้มเหลวแบบเร่ง (accelerated failure time model) หรือทางเลือกพารามิเตอร์ที่ยืดหยุ่นแทน หลีกเลี่ยงเมื่อเหตุการณ์หายากมากเมื่อเทียบกับจำนวนตัวแปรอธิบาย (น้อยกว่า 10 เหตุการณ์ต่อตัวทำนายเป็นกฎทั่วไปที่ยอมรับกันสำหรับความไม่เสถียร) สำหรับการสัมผัสเดียวที่ไม่มีตัวแปรอธิบาย เส้นโค้ง Kaplan-Meier พร้อมการทดสอบ log-rank นั้นง่ายกว่าและเพียงพอ
ข้อจำกัดและข้อควรพิจารณา
- ข้อสมมติฐานสัดส่วนภาวะเสี่ยงต้องเป็นจริง — หากอัตราส่วนภาวะเสี่ยงเปลี่ยนแปลงไปตามเวลา ค่าประมาณจะถูกเฉลี่ยและอาจทำให้เข้าใจผิดได้
- ไม่สามารถสร้างการทำนายเวลาการรอดชีพสัมบูรณ์ได้หากไม่มีการประมาณค่าภาวะเสี่ยงพื้นฐานเพิ่มเติม
- ประสิทธิภาพลดลงเมื่อเหตุการณ์มีน้อยเมื่อเทียบกับตัวแปรอธิบาย; ความเสี่ยงของการเกิดภาวะจำลองเกิน (overfitting) เพิ่มขึ้นเมื่อมีเหตุการณ์น้อยกว่า 10 เหตุการณ์ต่อตัวทำนาย
- การเซ็นเซอร์ต้องไม่ให้ข้อมูล (non-informative); หากผู้ป่วยถอนตัวออกไปเนื่องจากอาการทรุดลง ค่าประมาณจะเกิดอคติ
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ไม่ต้องมีข้อสมมติฐานเกี่ยวกับรูปร่างของภาวะเสี่ยงพื้นฐาน ทำให้มีความแข็งแกร่งในการแจกแจงเวลาการรอดชีพที่หลากหลาย
- จัดการกับการเซ็นเซอร์ขวา (right-censoring) ได้อย่างเป็นธรรมชาติ ซึ่งพบได้ทั่วไปในข้อมูลการติดตามผลทางคลินิก
- สร้างอัตราส่วนภาวะเสี่ยงที่ตีความได้ ซึ่งวัดผลกระทบสัมพัทธ์ของตัวแปรอธิบายแต่ละตัวต่ออัตราการเกิดเหตุการณ์ทันที
- สามารถขยายไปสู่การวิเคราะห์แบบแบ่งชั้น (stratified analyses), ตัวแปรอธิบายที่เปลี่ยนแปลงตามเวลา (time-varying covariates) และข้อมูลแบบกลุ่ม (clustered data) (แบบจำลอง frailty) ได้อย่างง่ายดาย
- มีการนำไปใช้อย่างแพร่หลายในซอฟต์แวร์สถิติหลักทั้งหมด (R, Stata, SAS, SPSS) พร้อมเครื่องมือวินิจฉัยที่ได้รับการยอมรับอย่างดี
การประยุกต์ใช้
- การประเมินผลกระทบของการจัดสรรการรักษาต่อการรอดชีพโดยรวมหรือการรอดชีพที่ปราศจากความก้าวหน้าของโรคในการทดลองทางคลินิกแบบสุ่ม
- การระบุปัจจัยพยากรณ์สำหรับการกลับเป็นซ้ำของโรคหรือการเสียชีวิตในการศึกษาทะเบียนมะเร็งและการศึกษาแบบกลุ่มในโรงพยาบาล
- การประมาณความสัมพันธ์ระหว่างการสัมผัสทางอาชีพและเวลาสู่การเริ่มมีอาการของโรคเรื้อรังในระบาดวิทยาอาชีพ
- การสร้างแบบจำลองเวลาสู่การกลับเข้ารับการรักษาในโรงพยาบาลหลังจากปรับแก้สำหรับอายุ โรคร่วม และสถานะการจำหน่ายผู้ป่วยในการวิจัยบริการสุขภาพ
- การประเมินอัตราความล้มเหลวของอุปกรณ์หรือการปลูกถ่ายที่ปรับแก้สำหรับปัจจัยเสี่ยงระดับผู้ป่วยในการศึกษาทางวิศวกรรมชีวการแพทย์
วิธีการทำงาน
วิธีการทำงาน
ก่อนการสร้างแบบจำลอง ให้ตรวจสอบข้อสมมติฐานสัดส่วนภาวะเสี่ยงสำหรับตัวแปรอธิบายแต่ละตัวโดยใช้แผนภาพ Schoenfeld residual หรือการทดสอบอย่างเป็นทางการ (ความสัมพันธ์ของ scaled residuals กับเวลา) นอกจากนี้ ให้ตรวจสอบอัตราการเกิดเหตุการณ์ที่ใกล้ศูนย์ในกลุ่มตัวแปรอธิบาย ค่าผิดปกติสุดขีดในเวลาติดตามผล และความเพียงพอของกลไกการเซ็นเซอร์ — การเซ็นเซอร์ต้องไม่ให้ข้อมูล (non-informative) เพื่อการอนุมานที่ถูกต้อง
เขียนฟังก์ชันภาวะเสี่ยงเป็น h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p) โดยที่ h_0(t) คือภาวะเสี่ยงพื้นฐานที่ไม่ได้ระบุ และ b_i คือสัมประสิทธิ์ลอการิทึมภาวะเสี่ยงที่จะประมาณค่า เลือกตัวแปรอธิบายตามทฤษฎีเนื้อหาหลักหรือวรรณกรรมก่อนหน้า ไม่ใช่เพียงแค่ค่า p-value แบบตัวแปรเดียว; ให้รวมตัวแปรกวน (confounders) ที่ทราบแล้วโดยไม่คำนึงถึงนัยสำคัญ
สูตร
h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p)
สัมประสิทธิ์ถูกประมาณค่าโดยการหาค่าสูงสุดของความน่าจะเป็นบางส่วน (partial likelihood) ซึ่งเป็นฟังก์ชันที่ขึ้นอยู่กับลำดับเหตุการณ์ที่สังเกตได้และตัดภาวะเสี่ยงพื้นฐานออกไป เนื่องจากภาวะเสี่ยงพื้นฐานถูกตัดออกไป จึงไม่จำเป็นต้องมีข้อสมมติฐานการแจกแจงเกี่ยวกับเวลาการรอดชีพ — จึงเรียกว่า 'กึ่งพารามิเตอร์' วิธีการนี้จัดการกับเวลาเหตุการณ์ที่ผูกกัน (tied event times) ผ่านการประมาณค่าของ Breslow หรือ Efron
ประเมินความเหมาะสมของแบบจำลองด้วยการทดสอบอัตราส่วนความน่าจะเป็นลอการิทึม (log-likelihood ratio), Wald และ score test สำหรับนัยสำคัญโดยรวม ตรวจสอบอิทธิพลของตัวแปรอธิบายแต่ละตัวด้วย dfbeta residuals และประเมินความเป็นเชิงเส้นของตัวทำนายต่อเนื่องโดยใช้ martingale residuals หากข้อสมมติฐานสัดส่วนภาวะเสี่ยงถูกละเมิดสำหรับตัวแปรอธิบายใด ให้พิจารณาการแบ่งชั้นตามตัวแปรนั้น หรือเพิ่มพจน์ปฏิสัมพันธ์กับเวลา
ยกกำลัง e ให้กับสัมประสิทธิ์แต่ละตัวเพื่อหาอัตราส่วนภาวะเสี่ยง: HR = exp(b_i) ค่า HR > 1 บ่งชี้อัตราการเกิดเหตุการณ์ที่สูงขึ้น (การรอดชีพสั้นลง); HR < 1 บ่งชี้อัตราการเกิดเหตุการณ์ที่ต่ำลง (การรอดชีพยาวนานขึ้น) รายงานค่า HR พร้อมช่วงความเชื่อมั่น 95% และค่า p-value แบบสองทาง ค่า HR แสดงถึงอัตราสัมพัทธ์ทันที ไม่ใช่อัตราส่วนความเสี่ยง — สื่อสารความแตกต่างนี้ให้ชัดเจนแก่ผู้ที่ไม่ใช่ผู้เชี่ยวชาญ
สูตร
HR = exp(b_i)
ข้อผิดพลาดที่พบบ่อย
- การละเลยข้อสมมติฐานสัดส่วนภาวะเสี่ยง — การไม่ทดสอบและรายงาน Schoenfeld residuals นำไปสู่การละเมิดที่ไม่ถูกตรวจพบ ซึ่งบิดเบือนค่าประมาณอัตราส่วนภาวะเสี่ยงตลอดช่วงเวลาติดตามผลทั้งหมด
- การถือว่าอัตราส่วนภาวะเสี่ยงเป็นอัตราส่วนความเสี่ยง — HR เป็นอัตราส่วนอัตราทันที ไม่ใช่อัตราส่วนความเสี่ยงสะสม; การแปลความหมายเกินจริงเป็นภาษาความเสี่ยงสัมบูรณ์ทำให้กลุ่มเป้าหมายทางคลินิกเข้าใจผิด
- การสร้างแบบจำลองเกินพอดี (over-fitting) ด้วยตัวแปรอธิบายมากเกินไปเมื่อเทียบกับเหตุการณ์ — การใส่ตัวแปรผู้สมัครทั้งหมดโดยไม่พิจารณาอัตราส่วนเหตุการณ์ต่อตัวแปร ทำให้เกิดข้อผิดพลาดประเภทที่ 1 (type I errors) และสร้างช่วงความเชื่อมั่นที่ไม่น่าเชื่อถือ
- การละเลยเวลาเหตุการณ์ที่ผูกกัน (tied event times) — การประมาณค่า Breslow เริ่มต้นนั้นเพียงพอสำหรับการผูกกันเล็กน้อย แต่การผูกกันจำนวนมากต้องใช้การประมาณค่า Efron หรือวิธีการที่แม่นยำ
คำถามที่พบบ่อย
ข้อสมมติฐานสัดส่วนภาวะเสี่ยงคืออะไร และฉันจะทดสอบได้อย่างไร?
ข้อสมมติฐานระบุว่าอัตราส่วนภาวะเสี่ยงระหว่างรูปแบบตัวแปรอธิบายสองรูปแบบใดๆ จะคงที่ตลอดเวลา ทดสอบโดยการพล็อต Schoenfeld residuals ที่ปรับขนาดแล้วเทียบกับเวลาสำหรับตัวแปรอธิบายแต่ละตัว — เส้นตรงบ่งชี้ว่าข้อสมมติฐานเป็นจริง ฟังก์ชัน cox.zph() ในแพ็คเกจ survival ของ R ให้ทั้งแผนภาพและการทดสอบความสัมพันธ์อย่างเป็นทางการ; ค่า p-value ที่มีนัยสำคัญบ่งชี้ถึงการละเมิดที่ควรได้รับการแก้ไขโดยการแบ่งชั้นหรือพจน์ปฏิสัมพันธ์กับเวลา
ฉันควรเลือกใช้แบบจำลองการรอดชีพแบบพารามิเตอร์แทนแบบจำลองโคกซ์เมื่อใด?
หากความรู้ในสาขาวิชาสนับสนุนการแจกแจงเฉพาะสำหรับเวลาการรอดชีพอย่างมาก (เช่น Weibull สำหรับความล้มเหลวของอุปกรณ์) แบบจำลองพารามิเตอร์เต็มรูปแบบจะมีประสิทธิภาพมากกว่าและสร้างการทำนายโดยตรงของเวลาการรอดชีพมัธยฐานหรือค่าเฉลี่ย แบบจำลองโคกซ์เป็นที่นิยมมากกว่าเมื่อคุณไม่ทราบรูปร่างของภาวะเสี่ยงหรือไม่สนใจ หรือเมื่อความแข็งแกร่งของแบบจำลองมีความสำคัญมากกว่าประสิทธิภาพของพารามิเตอร์ — ซึ่งเป็นส่วนใหญ่ในการวิจัยทางคลินิก
ฉันสามารถใช้แบบจำลองโคกซ์กับตัวแปรอธิบายที่เปลี่ยนแปลงตามเวลาได้หรือไม่?
ได้ การกำหนดแบบกระบวนการนับ (counting-process formulation) ของแบบจำลองโคกซ์รองรับตัวแปรอธิบายที่มีค่าเปลี่ยนแปลงตลอดช่วงเวลาติดตามผล (เช่น ค่าห้องปฏิบัติการที่อัปเดต การเปลี่ยนการรักษา) ชุดข้อมูลจะต้องถูกจัดโครงสร้างใหม่เป็นรูปแบบช่วงเวลาเริ่มต้น-สิ้นสุด (start–stop interval format) สำหรับหน้าต่างการสังเกตแต่ละครั้ง ซึ่งได้รับการสนับสนุนอย่างเต็มที่ใน R (แพ็คเกจ survival), Stata และ SAS
ฉันต้องการเหตุการณ์จำนวนเท่าใด?
หลักการที่ใช้กันอย่างแพร่หลายคืออย่างน้อย 10 เหตุการณ์ต่อตัวแปรทำนาย (EPV) ในแบบจำลอง ต่ำกว่าเกณฑ์นี้ ค่าประมาณสัมประสิทธิ์จะไม่มีเสถียรภาพ ช่วงความเชื่อมั่นจะกว้างขึ้น และแบบจำลองอาจไม่ลู่เข้าอย่างน่าเชื่อถือ สำหรับแบบจำลองที่มีตัวแปรอธิบายผู้สมัครจำนวนมาก การถดถอยแบบมีบทลงโทษ (penalised regression) (ridge, LASSO) หรือวิธีการหดตัวอย่างเป็นทางการ (formal shrinkage methods) สามารถปรับปรุงความเสถียรได้เมื่อ EPV ต่ำ
ความแตกต่างระหว่างแบบจำลองโคกซ์และการวิเคราะห์ความเสี่ยงที่แข่งขันกันคืออะไร?
เมื่อมีเหตุการณ์ประเภทเดียวที่เป็นไปได้ แบบจำลองโคกซ์มาตรฐานจะถูกนำมาใช้ ความเสี่ยงที่แข่งขันกัน (competing risks) เกิดขึ้นเมื่อผู้ป่วยสามารถประสบเหตุการณ์ที่แยกจากกันหลายอย่าง (เช่น การเสียชีวิตจากมะเร็งเทียบกับการเสียชีวิตจากสาเหตุอื่น) ในสถานการณ์นั้น แบบจำลองโคกซ์เฉพาะสาเหตุ (cause-specific Cox models) หรือแบบจำลองภาวะเสี่ยงย่อย Fine-Gray (Fine-Gray subdistribution hazard model) จะเหมาะสม; แบบจำลองโคกซ์มาตรฐานสำหรับเหตุการณ์ที่สนใจเพียงอย่างเดียวจะประมาณค่าอุบัติการณ์สะสมเฉพาะสาเหตุสูงเกินไป
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วCollett, D. (2015). Modelling Survival Data in Medical Research (3rd ed.). CRC Press.
ISBN: 978-1439856789คัดลอกแล้ว