Suggestion de modèle pour une régression de Cox avec des covariables dépendantes du temps

Je modélise l'effet de la grossesse sur l'issue d'une maladie (mort-vivante). Environ 40% des patientes sont tombées enceintes après le diagnostic, mais à différents moments. Jusqu'à présent, j'ai fait des graphiques KM montrant un effet protecteur clair de la grossesse sur la survie et également un modèle de Cox régulier.Cependant, ceux-ci ont été modélisés en utilisant uniquement une variable de grossesse dichotomisée et en supposant que l'effet est présent dès le diagnostic, ce qui est clairement irréaliste. car le délai médian de grossesse est de 4 ans à compter du diagnostic.

Quel type de modèle absorberait l'effet des grossesses multiples à différents moments après le diagnostic? Serait-il correct de modéliser les grossesses qui interagissent avec le temps (ce qui nécessiterait une reconstruction sérieuse des données - tout logiciel automatisé qui pourrait aider à cela?) Ou existe-t-il une autre stratégie de modélisation préférée pour ces problèmes? Quelle est également la stratégie de traçage préférée pour ces problèmes?

survival

— Misha
source

question intéressante (+1) ... ce document récent pourrait être utile: ncbi.nlm.nih.gov/pubmed/21328605

— ocram

Intéressant, mais je pense que le sujet principal est les effets variant dans le temps.//M

— Misha

les effets variant dans le temps est le sujet de l'article ...

— ocram

Cela me rappelle l'exemple d'analyse de survie "classique" des données de transplantation cardiaque: bit.ly/UFX71v - ce dont vous avez besoin est une covariable variant dans le temps , pas nécessairement un coefficient variant dans le temps . Vous pouvez tracer vos données à l'aide de courbes KM.

— Boscovich

Avec cette méthode, vous pourriez également gérer le fait que certaines femmes peuvent avoir eu plus d'une grossesse pendant le suivi.

— Boscovich

Réponses:

Ce dont vous avez besoin ici, c'est d'une covariable variant dans le temps et pas nécessairement d'un coefficient variant dans le temps . Un exemple connu qui pourrait vous aider dans vos analyses est les données de transplantation cardiaque de Stanford .

Pour présenter vos résultats, vous pouvez utiliser l'estimateur de Kaplan-Meier classique qui gère sans problème les covariables variant dans le temps (rappelez-vous, cependant, qu'il s'agit d'une analyse brute - ou non ajustée avec toutes ses limites bien connues).

À titre d'exemple, le graphique suivant montre l'analyse des données Stanford HT lorsque l'on tient correctement compte de l'état de transplantation variant dans le temps (panneau supérieur) et sans le prendre en compte (panneau inférieur).

entrez la description de l'image ici

— Boscovich
source

J'ai finalement réussi à le faire et je reçois l'intrigue suivante

— Misha

Le KM régulier n'est PAS la bonne façon de représenter graphiquement ces modèles. C'est plutôt une extension de KM par Simon et Makuch qui est implémentée dans Stata. stats.stackexchange.com/posts/46754

— Misha

Vous ne pouvez pas utiliser le KM comme ça. Considérez les grossesses avec, par exemple, l'âge comme moment sous-jacent: Disons que les femmes ont au moins 20 ans lorsqu'elles obtiennent leur deuxième enfant et au moins 22 lorsqu'elles obtiennent leur troisième. Supposons un risque constant pour tous les âges et tous les groupes (nombre d'enfants nés). Ensuite, les 2 et 3 groupes mourront au même rythme, mais l'estimation à 3 groupes sera (très probablement) plus grande à tout moment t, simplement parce que les 3 groupes commencent à mourir à un âge plus avancé. Il s'agit d'une fausse représentation des données.

— swmo

Dans R, cela peut être résolu avec la version de démarrage / arrêt d'un objet Survival, par exemple

fit <- coxph(Surv(time1, time2, status) ~ is.pregnant + other.covariates, data=mydata)

Cet article en discute plus en détail: http://cran.r-project.org/web/packages/survival/vignettes/timedep.pdf

— Max Ghenis
source

Méfiez-vous des biais temporels immortels dans cette situation. Votre groupe enceinte aura inévitablement une meilleure survie que le groupe non enceinte puisque vous ne pouvez pas devenir enceinte après votre mort (au meilleur de ma connaissance!)

— drstevok
source