Utilización de la función de calibración en el paquete rms para el modelo de Cox: ¿utilizar el método 'hare' o 'KM'?

Question

Estoy creando un gráfico de calibración para mi modelo de Cox de pronóstico del cáncer de mama, que no incluye ninguna transformación de fantasía, utilizando el calibrate() en la función rms paquete para R . ¿Debo utilizar el hare método o KM ? La literatura similar a la que estoy haciendo siempre utiliza el KM pero tengo curiosidad por saber si hare es más ventajoso.

Hay 3 opciones que tengo: usar el KM utilice el método hare o trazar ambos hare y KM en una figura.

Este es un ejemplo de código:

library(rms)
library(survival)
library(mice)

remove(veteran)
data(veteran)
veteran$trt=factor(veteran$trt,levels=c(1,2))
veteran$prior=factor(veteran$prior,levels=c(0,10))
survmod=with(veteran,Surv(time,status))
fit=cph(survmod~celltype+karno,data=veteran,surv=TRUE,u=100,x=T,y=T)
cal.KM <- calibrate(fit, u=100, cmethod='KM', m=20, B=20)
cal.hare=calibrate(fit,u=100,cmethod='hare',B=20)
plot(cal.hare)
plot(cal.KM,add=TRUE)

Gracias por su ayuda.

Answer 1

Siento no haber visto esta pregunta cuando la planteaste por primera vez.

Hay que evitar cualquier método que requiera el binning de las variables continuas. El método a menudo utilizado de estratificar los valores predichos y luego calcular las estimaciones ordinarias de Kaplan-Meier siempre fue problemático; se podía ver por lo ruidosos que parecían los resultados. Ya no utilizo los métodos de calibración basados en el binning/categorización. hare tiene más precisión porque utiliza efectivamente la interpolación a través de los niveles de valores predichos, a diferencia de la estratificación.