Jak uzyskać prognozy dotyczące czasu przeżycia z modelu PH Coxa?

Chcę opracować model prognostyczny (Cox PH) dla śmiertelności z jakiejkolwiek przyczyny w zbiorze danych uczestników, z których (prawie) wszyscy zmarli pod koniec okresu obserwacji (np. 1 rok).

Zamiast przewidywać bezwzględne ryzyko śmierci w określonym punkcie czasowym, chciałbym przewidzieć czas przeżycia (w miesiącach) dla każdej osoby.

Czy możliwe jest uzyskanie takich przewidywań w R (np. Z obiektu coxph) i, jeśli tak, jak to zrobić?

Z góry bardzo dziękuję!

survival prediction cox-model Obrabować
źródło

Odpowiedzi:

Model proporcjonalnego hazardu Coxa nie modeluje leżącego u jego podstaw zagrożenia, którego potrzebujesz, aby przewidzieć taki czas przeżycia - jest to zarówno duża siła modelu, jak i jedna z jego głównych wad.

Jeśli jesteś szczególnie zainteresowany uzyskaniem oszacowań prawdopodobieństwa przeżycia w określonych punktach czasowych, skierowałbym cię w stronę parametrycznych modeli przeżycia (czyli modeli przyspieszonego czasu awarii). Są one zaimplementowane w survivalpakiecie dla R i dają parametryczne rozkłady czasu przeżycia, w których możesz po prostu podłączyć interesujący cię czas i odzyskać prawdopodobieństwo przeżycia.

Fomite
źródło

Dziękuję za odpowiedź. Nie jestem szczególnie zainteresowany uzyskaniem oszacowań prawdopodobieństwa przeżycia w danym momencie, ale raczej przewidywanego czasu przeżycia dla każdej osoby. Dlatego zamiast np. „Prawdopodobieństwo przeżycia po 1 roku wynosi 10%”, chciałbym uzyskać prognozy takie jak „przewidywany czas przeżycia tej osoby to 10 miesięcy”. Czy można uzyskać takie prognozy z modelu PH Cox lub AFT?

Rob

@Rob Uważam, że nadal nie jest wykonalny w modelu PH Coxa. Jest to całkowicie wykonalne w przypadku modelu AFT, chociaż złożoność odzyskania oszacowania prawdopodobnie zależeć będzie od liczby zmiennych towarzyszących.

Fomite,

Dzięki, przyjrzę się modelom AFT. Czytałem o przewidywaniu indywidualnych czasów przeżycia, ale wydaje się, że „ludzkie przeżycie jest tak niepewne, że nawet najlepsza analiza statystyczna nie jest w stanie zapewnić pojedynczych prognoz rzeczywistego wykorzystania dla poszczególnych pacjentów”. ( link ) ..

Rob

@Rob Zgadza się - wszystkie te techniki mówią o trendach w populacji . Próba dokładnego przewidywania danej osoby jest straconą przyczyną, a tak naprawdę niewłaściwym użyciem tego narzędzia.

Fomite,

Biorąc pod uwagę dostępną literaturę, którą znalazłem, myślę, że masz rację co do przewidywania indywidualnych czasów przeżycia. Jednak zarówno modele Coxa, jak i AFT są z pewnością odpowiednimi narzędziami do przewidywania indywidualnych bezwzględnych zagrożeń w określonych punktach czasowych (np. Patrz książki Harrella i Steyerberga ).

Rob

@statBeginner Tak to zrobi. Wymaga dwóch kroków:

x <- survfit(cox.ph.model, newdata = dataset)
dataset$Results <- summary(x)$table[,"median"]

ale nie jestem pewien, czy mediana czasu do przeżycia jest wystarczająco dokładna.

akshay
źródło

Zgadzam się z @akshay, że mediana czasu przeżycia, chociaż jest przydatna, może nie być odpowiednia w poszczególnych przypadkach, szczególnie jeśli przewiduje się czas na zdarzenie. Indywidualne czasy przeżycia mogą być niesamowicie niejednorodne, dlatego radziłbym ostrożność, wykorzystując dowolny średni czas przeżycia do przewidywania.

Seanosapien

Chociaż zgadzam się z tym punktem, mediana przeżycia JEST klinicznie przydatna.

Być może zainteresują Cię nasze prace (i inne), które wykorzystują medianę jako podstawę przedziałów przeżycia - uważamy, że są one bardziej przydatne.

https://academic.oup.com/annonc/article/25/10/2014/2801274

Matt Williams
źródło

Średnie przeżycie może nie zawsze istnieć, ale mediana zawsze.

Michael R. Chernick