¿Utilizar la imputación múltiple para los riesgos proporcionales de Cox y luego validar con el paquete rms?

Question

He estado investigando el ratones y todavía no he descubierto la manera de utilizar las imputaciones múltiples para hacer un modelo de Cox, y luego validar ese modelo con el rms del paquete validate() función. Aquí hay un código de muestra de lo que tengo hasta ahora, utilizando el conjunto de datos veteran :

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))

#Set random data to NA 
veteran[sample(137,4),1]=NA
veteran[sample(137,4),2]=NA
veteran[sample(137,4),7]=NA

impvet=mice(veteran)
survmod=with(veteran,Surv(time,status))

#make a CPH for each imputation
for(i in seq(5)){
    assign(paste("mod_",i,sep=""),cph(survmod~trt+celltype+karno+age+prior,
        data=complete(impvet,i),x=T,y=T))
}

#Now there is a CPH model for mod_1, mod_2, mod_3, mod_4, and mod_5.

Ahora bien, si sólo estuviera trabajando con un modelo de CPH, haría esto:

validate(mod_1,B=20)

El problema que tengo es cómo tomar los 5 modelos CPH (1 por cada imputación), y poder crear un modelo agrupado que luego pueda utilizar con rms . Sé que el mice tiene algunas funciones de agrupación incorporadas, pero no creo que funcionen con el cph objeto en rms . La clave aquí es poder seguir utilizando rms después de la puesta en común. Busqué el uso de Harrell's aregImpute() pero tengo problemas para seguir los ejemplos y la documentación; mice parece más sencillo de utilizar.

Answer 1

El fit.mult.impute en la función Hmisc dibujará imputaciones creadas a partir de mice al igual que lo hará de aregImpute . cph trabajará con fit.mult.impute . La cuestión más difícil es cómo hacer la validación a través del remuestreo cuando también se hace la imputación múltiple. No creo que nadie haya resuelto esta cuestión. Yo suelo tomar el camino más fácil y utilizar la imputación simple para validar el modelo, utilizando el Hmisc transcan pero utilizando la imputación múltiple para ajustar el modelo final y obtener los errores estándar.

Answer 2

Busqué algunos ejemplos en el documento Himsc para la función fit.mult.impute() pero no pude encontrar un ejemplo para coxph. Sólo en caso de que alguien esté buscando lo mismo, aquí hay un ejemplo de cómo usé fit.mult.impute() para la agrupación de regresión cox:

x1 <- factor(sample(c('a','b','c'),100,TRUE)
x2 <- (x1=='b') + 3*(x1=='c') + rnorm(100)
y <- x2 + 1*(x1=='c') + rnorm(100)
x1[1:20] <- NA
x2[18:23] <- NA
ttocvd = sample(0:20, 100, replace = TRUE)
CVD = sample(0:1, 100, replace = TRUE)
d <- data.frame(x1,x2,y, ttocvd, CVD)
f <- transcan(~y + x1 + x2+CVD+ ttocvd, n.impute=10, shrink=TRUE, data=d)
#f <- mice(d) #if using mice imputation 
h <- fit.mult.impute(Surv(ttocvd, CVD) ~ x1 + x2, coxph, f, data=d)
summary(h)