Función de Riesgo acumulativa donde "el estado" depende de "tiempo"

Question

Esta pregunta es en relación a un conjunto de datos previamente había discutido aquí.

Estoy tratando de determinar si un tratamiento no sólo afecta a la cantidad de visitas que tiene un paciente para el médico, pero también ¿cuánto tiempo se necesita para que la lesión se cure. Los dos están intrínsecamente vinculados entre sí.

Ahora la estructura de la cohorte de los cambios a lo largo del tiempo a causa de la censura; cuando una herida se ha curado, el paciente no tiene que consultar con el médico y los que se quedan en la cohorte de las personas con más tiempo de curación y por lo tanto más visitas al médico. Debido a esta "intuitivo" la interpretación de los datos, pensé que una de cox de riesgo proporcional (modelo de problema a continuación) y/o "inversa" Curvas de Kaplan-Meier sería bueno para mostrar cómo el tratamiento inicial afecta el resultado.

Primero miré a la mediana y la media de número de visitas de todos los pacientes tenían, que era de alrededor de tres. Entonces me estratificado toda la cohorte, en aquellos pacientes que requieren $>3$ visitas y $\leq 3$ visitas. A continuación, utiliza la siguiente función en R

library(survival)
km <- km(Surv(Time, Visits>3)~Treatment, data=mydata)
plot(km, fun="event")

Esto produjo la siguiente parcela

Yo quería, básicamente, hacer lo mismo para un coxph modelo de riesgos, pero se han dado cuenta de que su interpretación es un poco flojo, como el Tratamiento 2 fue el que resulta en una baja HR, que conseguir su cabeza alrededor es un poco de tarea y yo, sinceramente, no creo que es correcto, porque estoy tratando de buscar en el acumulado de los peligros.

El código utilizado en R:

cox <- coxph(Surv(Time, Visits>3)~Treatment, data=mydata)
summary(cox)
cox(formula = Surv(Time, Visits>3) ~ Treatment, data=mydata)

  n= 4302, number of events= 1514 
   (41 observations deleted due to missingness)

                                   coef exp(coef) se(coef)      z Pr(>|z|)    
Treatment 2                    -0.36705   0.69278  0.05318 -6.902 5.12e-12 ***
---
Signif. codes:  0 ‘***' 0.001 ‘**' 0.01 ‘*' 0.05 ‘.' 0.1 ‘ ' 1

                               exp(coef) exp(-coef) lower .95 upper .95
Treatment 2                       0.6928      1.443    0.6242    0.7689

Concordance= 0.541  (se = 0.008 )
Rsquare= 0.011   (max possible= 0.99 )
Likelihood ratio test= 48.43  on 1 df,   p=3.419e-12
Wald test            = 47.64  on 1 df,   p=5.119e-12
Score (logrank) test = 48.13  on 1 df,   p=3.986e-12

Por eso me pregunto

• Hay un acumulado de los peligros de la función en R para esto?
• Hay que aceptar para estratificar a los pacientes en dos grupos, basándose en un dependiente del tiempo variable?
• ¿Cómo podría usted tratar de interpretar la realidad (en "lay-términos") el índice de riesgo resultante de este modelo?
• Me tienen totalmente tiene esto de malo?

Felicidades por vuestras opiniones y ayuda.

Answer 1

No voy a dar una respuesta completa sobre cómo abordar este tema en el momento, pero quiero alertar muy grave estadística problema en su conjunto de datos.

Estándar de la supervivencia de los métodos de análisis (tales como el estándar KM de curvas, Cox PH modelos y popa modelos) asumen que la censura es independiente de la hora del evento. Pero eso parece no ser el caso, los datos! El hecho de que los primeros eventos de aumentar la probabilidad de ser censurado es algo de un escenario del peor caso de violación de este supuesto.

A menos que haya algo sobre el diseño del estudio que me estoy perdiendo (totalmente posible...), No Ignorable la falta de datos. Como tal, la mejor que se puede hacer es construir un análisis de sensibilidad. Esto no es una tarea sencilla, aunque.

Answer 2

No sé si he entendido bien tu pregunta, pero he aquí mi punto de vista acerca de este tema... En mi experiencia con datos reales ,aunque con nada relacionado con los datos de salud, por lo general prefieren no tratar con modelos de cox porque nunca me encontré con un caso de riesgos proporcionales. He estado siempre delante de datos donde las tasas de riesgo no son constantes en todo con el paso del tiempo.

Las soluciones que he sido tomadas son básicamente de POPA acelerado (tiempo de falla) modelos, los cuales son modelos paramétricos de regresión en el caso de que usted no está familiarizado con el..

Yo uso ambos survreg y el psm las funciones de la familia (basado en survreg) en el excelente paquete llamado rms. No serás capaz de encontrar las funciones asociadas con la supervivencia de los objetos para calcular los cocientes de riesgo, cuantiles, medios, etc de la función paramétrica que usted elija para su modelo.

Incluso teniendo todo esto en cuenta tanto como sé que hay una importante área de mejora de la modelización de eventos donde teoretical distribuciones no se ajustan bien a los datos (multimodal de las distribuciones del tiempo, por ejemplo), los cuales requieren de una forma casi artesanal modelización de estrategias para adaptarse a los buenos modelos.