İçeriğe atla
Arama sonuçlarına dön

Cox Orantılı Tehlikeler — Olay-Zamanı Verileri için Regresyon Modeli

Ortaya koyan
Sir David Roxbee Cox
Yıl
1972
Tür
Semi-parametric regression model
Aile
Clinical / epidemiology

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Cox orantılı tehlikeler modeli, temel tehlike fonksiyonunun şekli hakkında hiçbir varsayımda bulunmaksızın, bir veya daha fazla kovaryatın tehlike (ölüm, nüks veya başarısızlık gibi bir olayın anlık oranı) üzerindeki etkisini tahmin eden yarı parametrik bir regresyon yöntemidir.

David Cox tarafından 1972'de tanıtılan bu model, klinik ve epidemiyolojik araştırmalarda çok değişkenli sağkalım analizi için baskın bir araçtır.

Yöntemin mantığı

Yaş ve tedavi türünün, hastaların remisyona ulaşma hızını birlikte etkileyip etkilemediğini bilmek istediğinizi varsayalım. Cox modeli, altta yatan riskin zamanla artıp artmadığını, azalıp azalmadığını veya sabit kalıp kalmadığını belirtmenizi gerektirmeden bu soruyu yanıtlar. Olayların ne zaman meydana geldiğini sıralayarak ve hangi kovaryat modellerinin daha erken olaylarla ilişkili olduğunu tahmin ederek çalışır. 'Orantılı tehlikeler' varsayımı, farklı kovaryat değerlerine sahip iki birey arasındaki tehlike oranının zaman içinde sabit kaldığı anlamına gelir; eğer tedavi gören bir hastanın 3. ayda iyileşme olasılığı iki kat daha fazlaysa, 12. ayda da iki kat daha fazla olmaya devam eder. Her kovaryat bir tehlike oranı üretir: 1.5'lik bir HR, o kovaryattaki bir birimlik artış başına %50 daha yüksek anlık olay oranı anlamına gelir.

Tarih

David Cox, orantılı tehlikeler modelini 1972'de Journal of the Royal Statistical Society, Series B'de çığır açan bir makalede yayınladı. Model, temel tehlike dağılımını belirtmeden sağkalım analizinde kovaryat ayarlamasına izin verdiği için devrim niteliğindeydi. Cox, olay sıralamasından tek başına tahmine olanak tanıyan kısmi olabilirlik kavramını (1975'teki bir takip çalışmasında daha eksiksiz bir şekilde formüle etti) tanıttı. Makale, tüm istatistik alanında en çok alıntı yapılanlardan biri oldu ve Cox'a şövalyelik unvanını kazandırdı. Zamanla değişen kovaryatlar, tabakalı temel tehlikeler ve frailty (rastgele etkiler) terimleri dahil uzantılar, o zamandan beri çerçeveyi kümelenmiş, tekrarlayan olay ve rekabet eden riskler ortamlarına uygulanabilir hale getirdi.

Ne zaman kullanılır?

Sonucunuz olay-zamanı olduğunda, sansürleme mevcut olduğunda (tüm katılımcılar olayı deneyimlemez) ve kovaryatları ayarlamanız gerektiğinde Cox modelini kullanın. Kohort çalışmaları, klinik araştırmalar ve sağkalım son noktaları olan kayıt analizleri için varsayılan çok değişkenli yöntemdir. Orantılı tehlikeler varsayımı tüm kovaryatlar arasında ciddi şekilde ihlal edildiğinde kullanmayın; bunun yerine hızlandırılmış başarısızlık zamanı modeli veya esnek parametrik alternatifleri düşünün. Olaylar, kovaryat sayısına göre çok nadir olduğunda (prediktör başına 10'dan az olay, kararsızlık için bilinen bir kuraldır) kaçının. Kovaryatlar olmadan tek bir maruziyet için, log-rank testleri ile Kaplan-Meier eğrileri daha basit ve yeterlidir.

Sınırlar ve dikkat edilmesi gerekenler

  • Orantılı tehlikeler varsayımı geçerli olmalıdır; eğer tehlike oranları zamanla değişirse, tahminler ortalaması alınmış ve potansiyel olarak yanıltıcıdır.
  • Temel tehlikenin ek tahmini olmadan mutlak sağkalım süresi tahminleri üretmez.
  • Olaylar kovaryatlara göre seyrek olduğunda performans düşer; prediktör başına 10'dan az olayla aşırı uyum riski artar.
  • Sansürleme bilgilendirici olmamalıdır; eğer hastalar durumları kötüleştiği için ayrılırsa, tahminler yanlı olur.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Temel tehlikenin şekli hakkında hiçbir varsayım gerektirmez, bu da onu geniş bir sağkalım süresi dağılımı yelpazesinde sağlam kılar.
  • Klinik takip verilerinde yaygın olan sağdan sansürlemeyi doğal olarak ele alır.
  • Her bir kovaryatın anlık olay oranı üzerindeki göreli etkisini nicelendiren yorumlanabilir tehlike oranları üretir.
  • Tabakalı analizlere, zamanla değişen kovaryatlara ve kümelenmiş verilere (frailty modelleri) kolayca genişletilebilir.
  • Tüm büyük istatistiksel yazılımlarda (R, Stata, SAS, SPSS) iyi kurulmuş tanı araçlarıyla yaygın olarak uygulanmaktadır.

Uygulama alanları

  • Randomize klinik çalışmalarda genel sağkalım veya progresyonsuz sağkalım üzerindeki tedavi tahsisinin etkisini değerlendirmek.
  • Kanser kayıt ve hastane kohort çalışmalarında hastalık nüksü veya mortalite için prognostik faktörleri belirlemek.
  • Mesleki epidemiyolojide mesleki maruziyetler ile kronik hastalık başlangıcına kadar geçen süre arasındaki ilişkiyi tahmin etmek.
  • Sağlık hizmetleri araştırmalarında yaş, komorbiditeler ve taburculuk durumu ayarlandıktan sonra hastane yeniden yatışına kadar geçen süreyi modellemek.
  • Biyomedikal mühendislik çalışmalarında hasta düzeyindeki risk faktörlerine göre ayarlanmış cihaz veya implant başarısızlık oranlarını değerlendirmek.

Nasıl çalışır?

Nasıl çalışır?

1

Modellemeden önce, her kovaryat için orantılı tehlikeler varsayımını Schoenfeld rezidüel grafikleri veya resmi bir test (ölçeklendirilmiş rezidüellerin zamanla korelasyonu) kullanarak doğrulayın. Ayrıca, kovaryat katmanlarında sıfıra yakın olay oranlarını, takip süresindeki aşırı aykırı değerleri ve sansürleme mekanizmasının yeterliliğini kontrol edin; geçerli çıkarım için sansürleme bilgilendirici olmamalıdır.

2

Tehlike fonksiyonunu h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p) olarak yazın; burada h_0(t) belirtilmemiş temel tehlikedir ve b_i tahmin edilecek log-tehlike katsayılarıdır. Kovaryatları yalnızca tek değişkenli p-değerlerine göre değil, konuyla ilgili teoriye veya önceki literatüre dayanarak seçin; bilinen karıştırıcı faktörleri anlamlılıklarına bakılmaksızın dahil edin.

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

Katsayılar, gözlemlenen olay sırasına bağlı olan ve temel tehlikeyi ortadan kaldıran bir fonksiyon olan kısmi olabilirlik maksimize edilerek tahmin edilir. Temel tehlike ortadan kalktığı için, sağkalım süresi hakkında hiçbir dağılımsal varsayım gerekli değildir; bu nedenle 'yarı parametrik' denir. Yöntem, bağlı olay zamanlarını Breslow veya Efron yaklaşımları aracılığıyla ele alır.

4

Genel anlamlılık için model uyumunu log-olabilirlik oranı, Wald ve skor testleri ile değerlendirin. dfbeta rezidüelleri ile bireysel kovaryat etkisini kontrol edin ve martingal rezidüelleri kullanarak sürekli prediktörlerin doğrusallığını değerlendirin. Bir kovaryat için orantılı tehlikeler varsayımı ihlal edilirse, o değişkenle tabakalama yapmayı veya bir zaman-etkileşim terimi eklemeyi düşünün.

5

Bir tehlike oranı elde etmek için her katsayıyı üs alın: HR = exp(b_i). HR > 1, daha yüksek olay oranını (daha kısa sağkalım) gösterir; HR < 1, daha düşük olay oranını (daha uzun sağkalım) gösterir. HR'leri %95 güven aralıkları ve iki taraflı p-değerleri ile rapor edin. HR, bir risk oranı değil, anlık bir göreli oranı temsil eder; bu ayrımı uzman olmayan kitlelere açıkça iletin.

Formül
HR = exp(b_i)

Sık yapılan hatalar

  • Orantılı tehlikeler varsayımını göz ardı etmek — Schoenfeld rezidüellerini test etmemek ve rapor etmemek, tüm takip süresi boyunca tehlike oranı tahminlerini bozan tespit edilmemiş ihlallere yol açar.
  • Tehlike oranını bir risk oranı olarak ele almak — HR anlık bir oran oranıdır, kümülatif bir risk oranı değildir; bunu mutlak risk diline aşırı çevirmek klinik kitleleri yanıltır.
  • Olaylara göre çok fazla kovaryatla aşırı uyum — olay-değişken başına oranını dikkate almadan tüm aday değişkenleri girmek, tip I hatalarını artırır ve güvenilmez güven aralıkları üretir.
  • Bağlı olay zamanlarını göz ardı etmek — varsayılan Breslow yaklaşımı az sayıda bağlılık için yeterlidir, ancak önemli bağlılıklar Efron yaklaşımını veya kesin bir yöntemi gerektirir.

Sık sorulan sorular

Orantılı tehlikeler varsayımı nedir ve bunu nasıl test ederim?

Varsayım, herhangi iki kovaryat modeli arasındaki tehlike oranının zamanla sabit kaldığını belirtir. Bunu, her kovaryat için ölçeklendirilmiş Schoenfeld rezidüellerini zamana karşı çizerek test edin; düz bir çizgi, varsayımın geçerli olduğunu gösterir. R'nin survival paketindeki cox.zph() fonksiyonu hem grafiği hem de resmi bir korelasyon testi sağlar; anlamlı bir p-değeri, tabakalama veya zaman-etkileşim terimi ile ele alınması gereken bir ihlali gösterir.

Cox modeline ne zaman parametrik bir sağkalım modelini tercih etmeliyim?

Eğer konuyla ilgili bilgi, sağkalım süreleri için belirli bir dağılımı (örneğin, cihaz arızası için Weibull) güçlü bir şekilde destekliyorsa, tam parametrik bir model daha verimlidir ve medyan veya ortalama sağkalım süresinin doğrudan tahminlerini üretir. Tehlike şekli hakkında agnostik olduğunuzda veya model sağlamlığının parametrik verimlilikten daha önemli olduğu durumlarda (klinik araştırmalarda çoğu zaman olduğu gibi) Cox modeli tercih edilir.

Cox modelini zamanla değişen kovaryatlarla kullanabilir miyim?

Evet. Cox modelinin sayma süreci formülasyonu, takip süresi boyunca değerleri değişen kovaryatları (örneğin, güncellenmiş laboratuvar değerleri, tedavi değişiklikleri) barındırır. Veri kümesi, her gözlem penceresi için bir başlangıç-duruş aralığı formatına yeniden yapılandırılmalıdır. Bu, R (survival paketi), Stata ve SAS'ta tam olarak desteklenmektedir.

Kaç olaya ihtiyacım var?

Yaygın olarak kullanılan bir sezgisel, modeldeki prediktör değişken başına (EPV) en az 10 olaydır. Bu eşiğin altında, katsayı tahminleri kararsız hale gelir, güven aralıkları genişler ve model güvenilir bir şekilde yakınsayamayabilir. Çok sayıda aday kovaryat içeren modeller için, EPV düşük olduğunda cezalı regresyon (ridge, LASSO) veya resmi küçültme yöntemleri kararlılığı artırabilir.

Cox modeli ile rekabet eden riskler analizi arasındaki fark nedir?

Yalnızca bir tür olayın mümkün olduğu durumlarda standart Cox modeli uygulanır. Rekabet eden riskler, bir denek birkaç karşılıklı dışlayıcı olaydan birini deneyimleyebildiğinde ortaya çıkar (örneğin, kansere özgü ölüm ile diğer nedenlerden ölüm). Bu durumda, nedene özgü Cox modelleri veya Fine-Gray alt dağılım tehlike modeli uygundur; yalnızca ilgi konusu olay üzerindeki standart Cox modeli, nedene özgü kümülatif insidansı abartır.

İlgili yöntemler

Kaynaklar

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

    DOI kaynağını aç
    Kopyalandı.
  2. Collett, D. (2015). Modelling Survival Data in Medical Research (3rd ed.). CRC Press.

    ISBN: 978-1439856789
    Kopyalandı.