Chcę porównać dwie różne metody wykrywania zmiany statusu w analizie przeżycia. Grupa badanych jest obserwowana przez dłuższy okres (wiele lat) i zastosowano dwie metody badania w celu sprawdzenia, czy nastąpiła zmiana statusu; jedną metodę zastosowano do zbadania każdego przedmiotu dwa razy w roku, a drugą metodę zastosowano do zbadania każdego przedmiotu raz w roku. Pytanie brzmi, czy te dwie metody różnią się systematycznie pod względem zdolności do wykrywania zmiany statusu.
Test, o którym pomyślałem, to test rang logarytmiczny, aby sprawdzić, czy krzywe Kaplana-Meiera w tej metodzie różnią się. Zastanawiam się, czy problemem jest to, że krzywe przeżycia są „sparowane” (tj. Dwie metody są stosowane u tych samych podmiotów) podczas wykonywania testu log-rank. Czy jest to naruszenie założenia w teście log-rank, czy może jest to po prostu test nieefektywny, ponieważ nie bierze pod uwagę, że dwie krzywe są powiązane? Czy ktoś ma jakieś sugestie dotyczące alternatywnej analizy uwzględniającej zależność od obserwacji?
Może to nie jest problem, może przesadzam.
Cóż, nie znam prawdziwego czasu zmiany statusu, tylko punkty czasowe, w których metody wykryły zmianę statusu. Jedną z moich myśli było ustawienie czasu przeżycia na środek przedziału czasowego między ostatnim badaniem, gdy zmiana statusu nie została wykryta, a badaniem, kiedy zmiana statusu została wykryta. To może zrekompensować wadę metody stosowanej do badania uczestników tylko raz w roku, w przeciwieństwie do metody stosowanej dwa razy w roku. A następnie konstruuj krzywe przeżycia na podstawie tych danych.
źródło
Odpowiedzi:
Jeśli chcesz porównać wydajność modelu dwóch modeli przetrwania, bardziej uzasadnione może być obliczenie statystyki C (C Harrella, ROC przeżycia ...). Oblicz statystyki C dla dwóch modeli przeżycia i porównaj je (wartość p można uzyskać).
https://rpubs.com/kaz_yos/survival-auc
Link pokazuje różne narzędzie do statystyki C dla modelu przeżycia.
źródło