New In 
TVC-k intervallum-cenzúrázott Cox-modellel
A Stata 17 bevezette a stintcox parancsot a valódi félparametrikus Cox-modellek intervallum-cenzúrázott esemény-idő adatokra való illesztésére. A Stata 18 támogatja az időben változó kovariánsokat (TVC), amelyeket a gyakorlatban gyakran használnak a követés során változó jellemzők rögzítésére. Így akár biomarker-változóval, akár idővel változó irányelv-változóval rendelkezik, most már bevonhatja őket az olyan érdekes események modellezéséhez, amelyekről csak azt tudjuk, hogy bizonyos időintervallumon belül vannak. Az esemény lehet például a rák kiújulása vagy a változás
Kiemelt információk
-
Új a putdocx-ban
-
Könyvjelzők elhelyezése a bekezdésekben és a táblázatokban
-
Alternatív szöveg beillesztése a képekhez a hangalapú szoftver által felolvasható szöveghez
-
Skálázható vektorgrafikus (.svg) képek beillesztése
-
-
Új a putexcelben
-
A munkalap egy adott sorban vagy oszlopban történő befagyasztása
-
Oldaltörés beillesztése egy adott sorban vagy oszlopban
-
Fejléc és lábléc beszúrása egy munkalapba
-
Hiperhivatkozások felvétele a cellákba
-
Megnevezett cellatartomány létrehozása
-
az egyik nyomon követés során rögzített foglalkoztatási státusz. Mindkettő példa az intervallum-cenzúrázott esemény-idő adatokra, amelyekben az esemény időpontját nem pontosan figyelik meg.
A stintcox segítségével automatikusan hozhat létre TVC-ket a meglévő kovariánsok és a meghatározott determinisztikus időfüggvények kölcsönhatásával, vagy megadhatja saját TVC-it az új, több rekord per alany adatformátumban. Használja a TVC-ket az arányos veszélyek feltételezésének tesztelésére a Wald-teszttel vagy a likelihood-arány teszttel. A TVC-ket beépítheti a túlélő és egyéb függvények előrejelzéseibe és ábráiba.
Lássuk, hogyan működik
Az arányos veszélyekre vonatkozó feltételezés tesztelése TVC-k segítségével
Itt bemutatjuk, hogyan lehet a TVC-ket használni a Cox-modell arányos veszélyekre vonatkozó feltételezésének tesztelésére. Zeng és munkatársai (2016) nyomán intervallumcenzúrás Cox-regressziót használunk az intravénás kábítószer-használók HIV-fertőzéséig eltelt idő modellezésére. Mind az 1124 alany kezdetben negatív HIV-tesztet végzett. Körülbelül négyhavonta vérvizsgálatokkal követték és értékelték a HIV-1 szeropozitivitásukat. Mivel az alanyokat rendszeresen tesztelték, a HIV-fertőzés pontos időpontját nem figyelték meg, de az időpontok ismertek voltak a vérvizsgálatok közötti időközökre. A megfelelő alsó és felső időbeli végpontokat az ltime és rtime változókban rögzítették.
A kiindulási tényezők, amelyeket a HIV-1 szeropozitivitás modellezéséhez használunk, a következők: a felvételkor betöltött középkor (age_mean), a nem (férfi), a tűhasználat (needle), a kábítószer-injekciózás (inject), valamint az, hogy az alany a felvételkor börtönben volt-e (jail). Az alábbiakban a 271-274-es alanyok adatállományának egy részhalmaza látható, alanyonként egy rekorddal:
Cox arányos veszélyességi modellt alkalmaztunk, amelyben a HIV-fertőzésig eltelt idő a fenti kiindulási tényezőktől függ. Egyetlen rekord/alany formátumban adjuk meg az alsó és felső esemény-idő intervallumot a stintcox intervallum() opciójában.
Úgy találjuk, hogy az életkor és a börtönben töltött idő a beiratkozáskor alacsonyabb, illetve magasabb HIV-fertőzési kockázattal jár.
Egy kovariánsra vonatkozó arányos-kockázati feltételezés tesztelésének egyik módja annak vizsgálata, hogy az adott kovariánshoz kapcsolódó együttható időinvariáns-e. Ezt úgy lehet elérni, hogy a modellbe beveszünk egy kölcsönhatást a kovariáns és az idő függvénye között, és teszteljük, hogy a megfelelő együttható egyenlő-e nullával.
A példánkban az arányos-kockázat feltételezés teszteléséhez az összes kovariátort a tvc() opcióval vesszük fel, hogy a modellbe ezen felül az elemzés idejével _t, az alapértelmezett idővel való kölcsönhatásukat is felvegyük. Ebben az elemzésben a nohr opcióval elnyomjuk a hazard-arányok alapértelmezett jelentését:
Az első egyenlet, main, az idővel nem változó kovariánsokra vonatkozó együtthatókat közli; a második egyenlet, tvc, az idővel kölcsönhatásban lévő kovariánsok eredményeit közli. A tvc egyenletben közölt p-értékek alapján úgy tűnik, hogy a férfi és a börtön társváltozók esetében sérül a proprtionális-kockázat feltételezés. A táblázat alján található Wald-teszt szintén azt jelzi, hogy az arányos-kockázat feltételezés globálisan nem érvényesül.
Intervallum-cenzúrázott Cox-modell illesztése TVC-k segítségével többszörösen rögzített adatokon
Az előző példában a stintcox tvc() opcióját használtuk a TVC-k létrehozására, hogy teszteljük az arányos veszélyek feltételezését. Egyes alkalmazásokban a TVC-k már léteznek az adatállományban. Az intravénás kábítószer-használókra vonatkozó adatokkal folytatva, a börtönben való tartózkodás egy TVC. A TVC-k csak több rekordot tartalmazó, alanyonkénti adatformátumban rögzíthetők. Ebben a formátumban minden egyes alany több rekordot tartalmazhat több vizsgálati időponttal, az egyes vizsgálati időpontokban az esemény státuszával és az egyes vizsgálati időpontokban az időben változó lehetséges kovariánsokkal.
Használjuk az előző idu.dta adatkészlet kibővített változatát, az idu2.dta-t, amely tartalmazza az összes kiindulási kovariátort, valamint egy időben változó bebörtönzés indikátor változót (jail_vary). jail_vary jelzi, hogy az alany az utolsó klinikai látogatás óta volt-e bebörtönözve. Az adatkészlet rögzíti továbbá a vizsgálati alany azonosítóját (id), a vérvizsgálat vizsgálati időpontját (time), valamint azt, hogy a vérvizsgálat pozitív-e a vizsgálati időpontban (is_seropos). Az alábbiakban ennek az adatkészletnek egy részhalmaza látható a 271-274. alanyok számára, alanyonként több rekorddal:
A korábbi Cox-modellt újra elvégezzük, de most a börtön alapváltozó helyett az időben változó jail_vary változót használjuk. A több rekordot tartalmazó, alanyonként többszörös formátumban megadjuk az alany azonosítóját az id() opcióban, a vizsgálat idejét a time() opcióban, és az eseményt jelző státuszt a status() opcióban.
Ha az észak-középső régióig görgetünk lefelé, azt látjuk, hogy átlagosan 47 436 házasságot kötöttek államonként; Illinois-ban volt a legtöbb, 109 823.
A hiperhivatkozások új támogatásával az egyes régiókra vonatkozó összefoglaló statisztikákat is tárolhatjuk egy munkalapon, és egy másik lapról hiperhivatkozhatunk a táblázatra. A munkalapot tovább testreszabhatjuk fejléccel, lábléccel vagy oldaltöréssel. További információkért lásd [RPT] putexcel.
Az előző példával összehasonlítva, miután figyelembe vesszük az időben változó börtönbüntetést, az injekció kockázati aránya 1,25-ről 1,37-re nő, de a börtönbüntetés hatása 1,57-ről 1,44-re csökken az időben változó jail_vary esetében.
Túlélő függvények grafikus ábrázolása
A modell illesztése után az stcurve segítségével ábrázolhatjuk a becsült túlélő-, kudarc-, veszély- vagy kumulatív veszélyfüggvényt. Alapértelmezés szerint az stcurve a függvényeket a kovariánsok általános átlagainál értékeli.
. stcurve, survival note: function evaluated at overall means of covariates.
A TVC-kkel rendelkező, többszörösen rögzített adatok esetében a függvények ábrázolásakor érdemes figyelembe venni e kovariánsok időben változó jellegét. Ebben az esetben az attmeans opcióval kiértékelhetjük a függvényt az időspecifikus átlagokkal.
. stcurve, survival attmeans note: function evaluated at time-specific means of covariates.
Az atframe() opcióval megadhatjuk a saját TVC értékeinket is, amelyeket a túlélő függvény kiértékeléséhez használunk. Tegyük fel, hogy egy olyan egyén túlélési görbéjét akarjuk ábrázolni, amelynek kovariációs mintázata megegyezik az adatállományunk 1. alanyáéval. Létrehozunk egy új keretet id1 néven, és a frame put segítségével átmásoljuk az 1. alanyra vonatkozó információkat ebbe az új keretbe. Felsoroljuk az imént elmentett adatokat az id1 keretben.
Ezután a túlélési görbét grafikusan ábrázolhatjuk erre az adott profilra a következő beírással
. stcurve, survival atframe(id1)
note: function evaluated at specified values of selected covariates and overall
means of other covariates (if any).
note: covariate values from frame id1 used to evaluate function.
Hivatkozás
Zeng, D., L. Mao és D. Lin. 2016. Maximum likelihood estimation for semiparametric transformation models with interval-censored data. Biometrika 103: 253-271.