Intervallzensiertes Cox-Proportional-Hazards-Modell in R.

9

Wie führe ich bei intervallzensierten Überlebenszeiten ein intervallzensiertes Cox-PH-Modell durch R? Bei einer erneuten Suche wird das Paket angezeigt intcox, das nicht mehr im RRepository vorhanden ist. Ich bin mir fast sicher, dass die coxphFunktion im survivalPaket keine intervallzensierten Überlebensdaten verarbeiten kann.

Außerdem möchte ich die Daten nicht unterstellen und dann die coxphFunktion verwenden. Diese Methode unterschätzt die Standardfehler der Koeffizienten, da Sie die Unsicherheit der Intervallzensur ignorieren.

r survival cox-model interval-censoring wcampbell
quelle
1
Sie können das intcoxPaket auch dann installieren , wenn es nicht CRANnormal verwendet wird install.packages("intcox").
Smillig
Hmmm ... das konnte ich nicht. Könnte die Spiegelauswahl den Download beeinflussen?
Wcampbell
1
Es ist möglich, aber ich weiß es nicht. Ich habe es vor ungefähr 10 Minuten mit dem Berlin CRAN gemacht (R Version 2.15.1).
Smillig
2
In der CRAN-Aufgabenansicht für die Überlebensanalyse werden die verfügbaren Pakete für die Überlebensanalyse zusammengefasst, einschließlich einer Nummer mit Unterstützung für die Intervallzensur.
Jthetzel
1
Ab dem 21. Dezember 2015 konnte ich install.packages("intcox")ohne besondere Probleme (R-Entwicklung, aber jedes moderne R sollte funktionieren)
Ben Bolker

Antworten:

4

Wie oben angegeben, können Sie die Survreg-Funktion verwenden. Ein Hinweis: Dies ist kein reines Cox-PH-Modell, sondern ein Modell im Standortmaßstab. Bei Verwendung der Standardprotokolltransformation ist dies das Achternmodell. Im Fall der Exponentialverteilung sind die proportionalen Gefahren und das Achternmodell äquivalent. Wenn also die Verteilung auf exponentiell eingestellt ist, handelt es sich um ein proportionales Gefahrenmodell mit einer exponentiellen Basislinie. Wenn ein Achull-Basislinien-Weibull-Verteilungsmodell verwendet wird, sind die Parameterschätzungen ebenfalls nur eine lineare Transformation derjenigen, die im Proportional-Hazards-Modell mit Weibull-Basislinienverteilung verwendet werden. Im Allgemeinen passt Survreg jedoch nicht zu einem Cox-PH-Modell.

Wenn ein semiparametrisches Modell gewünscht wird, wie es in intcox implementiert ist, ist Vorsicht geboten: Es gibt mehrere Probleme mit der aktuellen Version von intcox (der Algorithmus endet normalerweise vorzeitig erheblich weit von der MLE entfernt, schlägt mit unzensierten Beobachtungen sofort fehl, keine Standardfehler automatisch präsentiert).

Eine neue Alternative, die Sie verwenden könnten, ist das Paket "icenReg".

Eingeständnis der Voreingenommenheit: Dies ist der Autor von icenReg.

Cliff AB
quelle
1
Willkommen auf unserer Webseite! Wir freuen uns, Sie und Ihre guten Beiträge zu haben.
whuber
@Cliff AB Welche spezifische semiparametrische Methode verwenden Sie in der Funktion ic_sp? Haben Sie eine Arbeit oder ein Tutorial über die Methode?
Munichong
@ Munichong: Das vollständige Papier finden Sie hier . Alternativ bietet die Vignette des Pakets auch eine kurze Einführung in die Modelle. siehe hier
Cliff AB
@CliffAB Da meine Daten zu groß sind, um in den Speicher zu passen, möchte ich ic_sp auf stochastische Weise ändern: Geben Sie ic_sp einen Mini-Batch und setzen Sie maxIter = 1, holen Sie die Verläufe und aktualisieren Sie die Betas iterativ. Wissen Sie, wie ich über die Funktion ic_sp auf die Farbverläufe zugreifen kann?
München
1
@ Munichong: interessant! Leider glaube ich nicht, dass diese Methode funktionieren wird. Insbesondere ic_spmuss die Basisüberlebensverteilung geschätzt werden (im Gegensatz zum rechtszensierten Fall), die so viele Parameter wie eindeutige Zeiten in Ihren Daten enthält. Dies führt zu einem Problem beim Mini-Batching. Bei kontinuierlichen Zeiten werden die Basisschritte nicht von Charge zu Charge ausgerichtet.
Cliff AB
1

Um eine intervallzensierte Analyse in R durchzuführen, müssen Sie ein Surv-Objekt erstellen und dann Survfit () verwenden. Wenn Sie mehr als eine Variable haben, löst das intcox-Paket das Problem.

JMarcelino
quelle