Graphique de prédiction différent de coxph de survie et rms cph

J'ai créé ma propre version légèrement améliorée du termplot que j'utilise dans cet exemple, vous pouvez le trouver ici . J'ai déjà posté sur SO mais plus j'y pense, plus je pense que cela est probablement plus lié à l'interprétation du modèle des risques proportionnels de Cox qu'au codage réel.

Le problème

Quand je regarde un tracé de Hazard Ratio, je m'attends à avoir un point de référence où l'intervalle de confiance est naturellement 0 et c'est le cas lorsque j'utilise le cph () du rms packagemais pas quand j'utilise le coxph () du survival package. Le comportement est-il correct par coxph () et si oui quel est le point de référence? En outre, la variable fictive dans le coxph () a un intervalle et la valeur est différente de ?$e^0$

Exemple

Voici mon code de test:

# Load libs
library(survival)
library(rms)

# Regular survival
survobj <- with(lung, Surv(time,status))

# Prepare the variables
lung$sex <- factor(lung$sex, levels=1:2, labels=c("Male", "Female"))
labels(lung$sex) <- "Sex"
labels(lung$age) <- "Age"

# The rms survival
ddist <- datadist(lung)
options(datadist="ddist")
rms_surv_fit <- cph(survobj~rcs(age, 4)+sex, data=lung, x=T, y=T)

Les parcelles cph

Ce code:

termplot2(rms_surv_fit, se=T, rug.type="density", rug=T, density.proportion=.05,
          se.type="polygon", yscale="exponential", log="y", 
          xlab=c("Age", "Sex"), 
          ylab=rep("Hazard Ratio", times=2),
          main=rep("cph() plot", times=2),
          col.se=rgb(.2,.2,1,.4), col.term="black")

donne ce complot:

Les intrigues coxph

Ce code:

termplot2(surv_fit, se=T, rug.type="density", rug=T, density.proportion=.05, 
          se.type="polygon", yscale="exponential", log="y", 
          xlab=c("Age", "Sex"), 
          ylab=rep("Hazard Ratio", times=2),
          main=rep("coxph() plot", times=2),
          col.se=rgb(.2,.2,1,.4), col.term="black")

donne ce complot:

Mise à jour

Comme l'a suggéré @Frank Harrell et après avoir ajusté la suggestion dans son récent commentaire, j'ai eu:

p <- Predict(rms_surv_fit, age=seq(50, 70, times=20), 
             sex=c("Male", "Female"), fun=exp)
plot.Predict(p, ~ age | sex,
             col="black",
             col.fill=gray(seq(.8, .75, length=5)))

Cela a donné cette très belle intrigue:

J'ai de nouveau regardé contrast.rms après le commentaire et essayé ce code qui a donné un tracé ... bien qu'il y ait probablement beaucoup plus à faire :-)

w <- contrast.rms(rms_surv_fit, 
                  list(sex=c("Male", "Female"), 
                       age=seq(50, 70, times=20)))

xYplot(Cbind(Contrast, Lower, Upper) ~ age | sex, 
       data=w, method="bands")

A donné ce complot:

MISE À JOUR 2

Le professeur Thernau a eu la gentillesse de commenter le manque de confiance des complots:

Les splines de lissage en coxph, comme celles de gam, sont normalisées de sorte que la somme (prédiction) = 0. Je n'ai donc pas de point unique fixe pour lequel la variance est très petite.

Bien que je ne sois pas encore familier avec GAM, cela semble répondre à ma question: cela semble être un problème d'interprétation.

Je pense qu'il devrait certainement y avoir un point où l'intervalle de confiance est de largeur nulle. Vous pouvez également essayer une troisième méthode qui consiste à utiliser uniquement des fonctions RMS. Il y a un exemple sous le fichier d'aide pour contrast.rms pour obtenir un tracé du rapport de risque. Cela commence par le commentaire # montrer des estimations distinctes par traitement et par sexe. Vous aurez besoin d'anti-log pour obtenir le ratio.