La variable X (danger) dans l'analyse de régression proportionnelle au danger de Cox doit-elle toujours être temporelle? Sinon, pourriez-vous donner un exemple, s'il vous plaît?
L'âge du patient atteint de cancer peut-il être une variable de risque? Si oui, peut-il être interprété comme le risque de développer un cancer à un certain âge? La régression de Cox serait-elle une analyse légitime pour étudier l'association entre l'expression des gènes et l'âge?
Réponses:
Habituellement, l'âge au départ est utilisé comme covariable (car il est souvent associé à la maladie / décès), mais il peut également être utilisé comme échelle de temps (je pense qu'il est utilisé dans certaines études longitudinales, car vous devez en avoir assez personnes à risque le long de l'échelle de temps, mais je ne me souviens pas réellement - je viens de trouver ces diapositives sur l' analyse des études de cohorte en supposant une échelle de temps continue qui parle des études de cohorte). Dans l'interprétation, vous devez remplacer la durée de l'événement par l'âge, et vous pouvez inclure l'âge au diagnostic comme covariable. Cela aurait du sens lorsque vous étudiez la mortalité par âge d'une maladie particulière (comme illustré dans ces diapositives ).
Peut-être que cet article est intéressant car il contraste les deux approches, le temps d'étude par rapport à l'âge chronologique: échelles de temps dans le modèle de Cox: effet de la variabilité entre les âges d'entrée sur les estimations de coefficient . Voici un autre article:
Cheung, YB, Gao, F et Khoo, KS (2003). Âge au diagnostic et choix des méthodes d'analyse de survie en épidémiologie du cancer . Journal of Clinical Epidemiology , 56 (1), 38-43.
Mais il y a certainement de meilleurs papiers.
Non, ce n'est pas toujours le moment. De nombreuses réponses censurées peuvent être modélisées avec des techniques d'analyse de survie. Dans son livre Nondetects and Data Analysis , Dennis Helsel préconise d'utiliser le négatif d'une concentration à la place du temps (afin de faire face aux non-détectes qui, une fois annulés, deviennent des valeurs censurées à droite). Un synopsis est disponible sur le Web (format pdf) et un package R, NADA , le met en œuvre.
Sur la question de l'âge par rapport à l'échelle du temps, chl a de bonnes références et capture l'essentiel - en particulier, l'exigence que l'ensemble à risque contienne suffisamment de sujets de tous âges comme cela se produirait dans une étude longitudinale.
Je voudrais seulement noter qu'il n'y a pas encore de consensus général à ce sujet, mais il existe une littérature suggérant que l'âge devrait être préféré comme échelle de temps dans certains cas. En particulier, si vous avez une situation où le temps ne s'accumule pas de la même manière pour tous les sujets, par exemple en raison d'une exposition à des matières toxiques, alors l'âge peut être plus approprié.
D'un autre côté, vous pouvez gérer cet exemple spécifique sur un modèle de Cox PH à échelle de temps en utilisant l'âge comme covariable variant dans le temps - plutôt qu'une covariable fixe à l'heure de début. Vous devez réfléchir au mécanisme derrière votre objet d'étude pour déterminer quelle échelle de temps est la plus appropriée. Parfois, il vaut la peine d'adapter les deux modèles aux données existantes pour voir si des écarts surviennent et comment ils peuvent être expliqués avant de concevoir votre nouvelle étude.
Enfin, la différence évidente dans l'analyse des deux est que sur une échelle d'âge, l'interprétation de la survie est par rapport à une échelle absolue (âge), alors que sur une échelle de temps, elle est relative à la date de début / entrée de l'étude .
À la demande du PO, voici une autre application que j'ai vu l'analyse de survie utilisée dans un contexte spatial (bien que manifestement différente de la mesure des substances environnementales mentionnées par whuber) modélise la distance entre les événements dans l'espace. Voici un exemple en criminologie et en voici un en épidémiologie .
Le raisonnement derrière l'utilisation de l'analyse de survie pour mesurer la distance entre les événements n'est pas pour autant un problème de censure (bien que la censure puisse certainement se produire dans un contexte spatial), elle l'est davantage en raison des distributions similaires entre les caractéristiques du temps par rapport à l'événement et la distance entre les événements caractéristiques (c.-à-d. qu'ils ont tous les deux des types similaires de structures d'erreur (souvent une décroissance de distance) qui violent l'OLS et donc les solutions non paramétriques sont idéales pour les deux).
En raison de mes mauvaises pratiques de citation, j'ai dû passer des heures à trouver le bon lien / référence au lien ci-dessus.
Pour l'exemple en criminologie,
Kikuchi, George, Mamoru Amemiya, Tomonori Saito, Takahito Shimada et Yutaka Harada. 2010. Une analyse spatio-temporelle de la victimisation quasi répétée au Japon . 8e Conférence nationale de cartographie du crime. Institut Jill Dando des sciences de la criminalité. PDF actuellement disponible sur la page Web référencée.
En épidémiologie,
Lecteur, Steven. 2000. Utilisation de l'analyse de survie pour étudier les modèles de points spatiaux en épidémiologie géographique. Sciences sociales et médecine 50 (7-8): 985-1000.