我有一个受伤后的生存模型，该模型通过 Schoenfeld 检验的比例风险假设（cox.zph()在 R 中）处于临界值。
然而，怀疑第一个月内死亡率会增加，我拟合了一个 Aalen 加性回归模型，该模型也暗示了一个变化的系数，因为累积系数在前 4 天内急剧下降，然后逐渐继续下降，然后稳定在接近我感兴趣的变量一年后保持不变。
现在 - 我如何在 R 中容纳这样的模型？
刚刚用同样的问题回答了我自己的问题。基本上，您需要按照您的描述进行时间分割，然后为时间添加一个交互项。正如您所建议的，在开始时将时间划分得更细，然后增加间隔，这听起来是个好主意。使用我的Greg包，您可以将按时间设置为单个间隔或向量，例如，如果我们创建一个包含四个主题的数据集：
test_data <- data.frame(
id = 1:4,
time = c(4, 3.5, 1, 5),
event = c("censored", "dead", "alive", "dead"),
age = c(62.2, 55.3, 73.7, 46.3),
date = as.Date(
c("2003-01-01",
"2010-04-01",
"2013-09-20",
"2002-02-23")))
看起来像这样：
| id| time|event | age|date |
|--:|----:|:--------|----:|:----------|
| 1| 4.0|censored | 62.2|2003-01-01 |
| 2| 3.5|dead | 55.3|2010-04-01 |
| 3| 1.0|alive | 73.7|2013-09-20 |
| 4| 5.0|dead | 46.3|2002-02-23 |
我们通过以下方式将每个主题分成几个：
library(Greg)
library(dplyr)
split_data <-
test_data %>%
select(id, event, time, age, date) %>%
timeSplitter(by = c(.1, .5, 2), # The time that we want to split by
event_var = "event",
time_var = "time",
event_start_status = "alive",
time_related_vars = c("age", "date"))
knitr::kable(split_data)
给出：
| id|event | age| date| Start_time| Stop_time|
|--:|:--------|----:|--------:|----------:|---------:|
| 1|alive | 62.2| 2002.999| 0.0| 0.1|
| 1|alive | 62.3| 2003.099| 0.1| 0.5|
| 1|alive | 62.7| 2003.499| 0.5| 2.0|
| 1|censored | 64.2| 2004.999| 2.0| 4.0|
| 2|alive | 55.3| 2010.246| 0.0| 0.1|
| 2|alive | 55.4| 2010.346| 0.1| 0.5|
| 2|alive | 55.8| 2010.746| 0.5| 2.0|
| 2|dead | 57.3| 2012.246| 2.0| 3.5|
| 3|alive | 73.7| 2013.718| 0.0| 0.1|
| 3|alive | 73.8| 2013.818| 0.1| 0.5|
| 3|alive | 74.2| 2014.218| 0.5| 1.0|
| 4|alive | 46.3| 2002.145| 0.0| 0.1|
| 4|alive | 46.4| 2002.245| 0.1| 0.5|
| 4|alive | 46.8| 2002.645| 0.5| 2.0|
| 4|dead | 48.3| 2004.145| 2.0| 5.0|
正如我之前的回答中所描述的，您现在只需要对变量使用Surv(Start_time, End_time, event)附加:交互项进行建模（请注意，您还应该在模型中没有交互的变量）。