![](/img/trans.png)
[英]What to deal with time-dependent variables in cox proportional hazard model in r
[英]Obtain the baseline hazard function/survival function from an extended Cox model (with external time-dependent covariates)
我正在應用帶有外部時間相關協變量的擴展Cox模型。 這是一個小示例(df),我從Themeau和Grambsch的書《 生存數據建模:擴展Cox模型 (2001)》中借來並修改過:
id start stop event trt bili albumin
1 0 188 0 1 1.8 2.54
1 188 372 0 1 1.6 2.88
1 372 729 0 1 1.7 2.80
1 729 1254 0 1 3.2 2.92
1 1254 1462 0 1 3.7 2.59
1 1462 1824 0 1 4.0 2.59
1 1824 1925 1 1 5.3 1.83
2 0 56 0 0 1.8 2.36
2 56 172 0 0 1.6 1.89
2 172 521 1 0 1.7 1.56
3 0 36 0 1 3.2 2.10
3 36 232 0 1 3.7 2.32
3 232 352 0 1 4.0 1.96
3 352 610 1 1 5.3 2.05
我想從擴展的Cox模型獲得基線危害/生存功能。 在處理時間獨立協變量的經典Cox PH模型中,似乎我們可以使用Nelson-Aalen估計量獲得H(t)的估計量:
fit1<- coxph(Surv(time, event) ~ tidc's, data=df)
sfit<-survfit(fit1)
sfit$surv
H<- -log(sfit$surv)
H<- c(H, tail(H, 1))
我想知道當使用外部時間相關協變量時,如何從擴展的Cox模型獲得基線危害/生存功能? 我可以使用類似的方法嗎?
model_1<-coxph(Surv(start,stop,event) ~ treat+log(bili)+log(albumin),data=df)
mfit<-survfit(model_1)
mfit$surv
H1<- -log(mfit$surv)
H1<- c(H1, tail(H1, 1))
謝謝。
survfit對象還具有一個名為“ cumhaz”的元素。 這似乎是正確的選擇,而不是重新計算。
> all.equal( -log(mfit$surv), mfit$cumhaz )
[1] TRUE
如果您使用的是時變協變量,則不清楚“基線危害”是什么。 至少在生存軟件包中,根據對每個協變量均具有平均值的假設受試者的估計危害,計算出“基准危害”。 軟件包作者Terry Therneau在幫助頁面的“詳細信息”部分的第一段中專門介紹了survfit.coxph,討論了為什么他認為這通常會帶來可疑的價值。 我嚴重懷疑他會認為基線風險在基線隨處可見的隨時間變化的協變量模型中是否有意義。 他特別建議,在這種情況下計算生存曲線在統計上是不支持的(盡管事實是它們經常出現在醫學文章中)。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.