Wie lassen sich aus einem Cox-PH-Modell Vorhersagen zur Überlebenszeit ableiten?

Ich möchte ein Vorhersagemodell (Cox PH) für die Gesamtmortalität in einem Datensatz von Teilnehmern entwickeln, von denen (fast) alle am Ende der Nachsorge verstorben sind (z. B. 1 Jahr).

Anstatt das absolute Sterberisiko zu einem bestimmten Zeitpunkt vorherzusagen, möchte ich die Überlebenszeit (in Monaten) für jedes Individuum vorhersagen.

Ist es möglich, solche Vorhersagen in R zu erhalten (zB von einem Coxph-Objekt) und wenn ja, wie kann ich das tun?

Vielen Dank im Voraus!

survival prediction cox-model rauben
quelle

Antworten:

Das Cox Proportional Hazards-Modell modelliert nicht das zugrunde liegende Risiko. Dies ist das, was Sie benötigen, um die Überlebenszeit so vorherzusagen. Dies ist sowohl die große Stärke des Modells als auch einer seiner Hauptnachteile.

Wenn Sie besonders daran interessiert sind, Schätzungen der Überlebenswahrscheinlichkeit zu bestimmten Zeitpunkten zu erhalten, würde ich Sie auf parametrische Überlebensmodelle (auch als Modelle für beschleunigte Ausfallzeiten bezeichnet) hinweisen. Diese sind im survivalPaket für R implementiert und geben Ihnen parametrische Überlebenszeitverteilungen, wobei Sie einfach die Zeit eingeben können, an der Sie interessiert sind, und eine Überlebenswahrscheinlichkeit erhalten.

Fomite
quelle

Danke für deine Antwort. Ich bin nicht besonders daran interessiert, Schätzungen der Überlebenswahrscheinlichkeit zu einem bestimmten Zeitpunkt zu erhalten, sondern an der vorhergesagten Überlebenszeit für jedes Individuum. Anstatt zB "die Überlebenswahrscheinlichkeit bei 1 Jahr beträgt 10%", möchte ich Vorhersagen wie "die vorhergesagte Überlebenszeit dieses Individuums beträgt 10 Monate" erhalten. Ist es möglich, solche Vorhersagen von einem Cox PH- oder AFT-Modell zu erhalten?

Rob

@Rob Ich glaube, dass es in einem Cox PH-Modell immer noch nicht funktioniert. Mit einem AFT-Modell ist dies problemlos möglich, obwohl die Komplexität der Rückgabe einer Schätzung wahrscheinlich davon abhängt, wie viele Kovariaten Sie haben.

Fomite

Danke, ich werde mir die AFT-Modelle ansehen. Ich habe über die Vorhersage der individuellen Überlebenszeiten gelesen, aber es scheint, "dass das Überleben des Menschen so ungewiss ist, dass selbst die beste statistische Analyse keine Vorhersagen über die tatsächliche Verwendung einzelner Patienten mit einer einzigen Zahl liefern kann". ( Link ) ..

Rob

@Rob Das ist richtig - alle diese Techniken sprechen über Trends in der Bevölkerung . Der Versuch, die genaue Vorhersage einer bestimmten Person zu treffen, ist eine verlorene Sache und wirklich keine angemessene Verwendung des Werkzeugs.

Fomite

Angesichts der verfügbaren Literatur, die ich gefunden habe, glaube ich, dass Sie hinsichtlich der Vorhersage der individuellen Überlebenszeiten richtig liegen. Sowohl Cox- als auch AFT-Modelle sind jedoch sicherlich geeignete Instrumente zur Vorhersage des absoluten Einzelrisikos zu bestimmten Zeitpunkten (siehe z. B. Bücher von Harrell und Steyerberg ).

Rob

@statBeginner Ja, das wird es. Es erfordert zwei Schritte:

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

Ich bin mir jedoch nicht sicher, ob die mittlere Überlebenszeit genau genug ist.

akshay
quelle

Ich stimme @akshay zu, dass die mediane Überlebenszeit zwar nützlich ist, in Einzelfällen jedoch möglicherweise nicht angemessen ist, insbesondere wenn eine Zeit bis zum Ereignis vorhergesagt wird. Die individuellen Überlebenszeiten können unglaublich heterogen sein, daher würde ich bei Verwendung der medianen Überlebenszeiten zur Vorhersage zur Vorsicht raten.

Seanosapien

Obwohl ich diesem Punkt zustimme, ist das mediane Überleben klinisch sinnvoll.

Sie könnten in unserer Arbeit (und anderen) interessiert seinen Blick auf den Median als Grundlage für das Überleben in mit Abständen - wir denken , dass dies mehr nützlich ist.

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

Matt Williams
quelle

Das mittlere Überleben ist möglicherweise nicht immer gegeben, der Median jedoch immer.

Michael R. Chernick