这个问题与我之前在这里讨论过的数据集有关。
我试图确定治疗是否不仅会影响患者去看医生的次数,还会影响伤口愈合需要多长时间。两者本质上是相互关联的。
现在,由于审查,队列的结构随着时间的推移而变化;当伤口愈合时,患者不必去看医生,而留在队列中的是那些愈合时间更长,因此就诊次数更多的人。由于对数据的这种“直观”解释,我认为 cox 比例风险模型(下面的问题)和/或“逆”卡普兰-迈尔曲线可以很好地显示初始治疗如何影响结果。
首先,我查看了所有患者的中位和平均访问次数,大约是 3 次。然后我将整个队列分为需要次就诊和次就诊的患者。然后我在 R 中使用了以下函数
library(survival)
km <- km(Surv(Time, Visits>3)~Treatment, data=mydata)
plot(km, fun="event")
这产生了以下情节
然后我想对 coxph 危害模型做同样的事情,但我意识到它的解释有点不稳定,因为治疗 2 导致低 HR,让你的头脑清醒是一项任务,老实说我不认为是对的,因为我正在尝试查看累积危害。
R中使用的代码是:
cox <- coxph(Surv(Time, Visits>3)~Treatment, data=mydata)
summary(cox)
cox(formula = Surv(Time, Visits>3) ~ Treatment, data=mydata)
n= 4302, number of events= 1514
(41 observations deleted due to missingness)
coef exp(coef) se(coef) z Pr(>|z|)
Treatment 2 -0.36705 0.69278 0.05318 -6.902 5.12e-12 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
exp(coef) exp(-coef) lower .95 upper .95
Treatment 2 0.6928 1.443 0.6242 0.7689
Concordance= 0.541 (se = 0.008 )
Rsquare= 0.011 (max possible= 0.99 )
Likelihood ratio test= 48.43 on 1 df, p=3.419e-12
Wald test = 47.64 on 1 df, p=5.119e-12
Score (logrank) test = 48.13 on 1 df, p=3.986e-12
所以我想知道
- R中是否有累积风险函数?
- 是否可以根据时间相关变量将患者分为两组?
- 您将如何尝试实际解释(以“外行术语”)由该模型产生的风险比?
- 我完全错了吗?
为您的意见和帮助喝彩。