Как выполнить ранговый тест Уилкоксона для данных о выживаемости в R?

Скажем, у вас есть данные о выживании, как это:

obs <- data.frame(
  time = c(floor(runif(100) * 30), floor((runif(100)^2) * 30)),
  status = c(rbinom(100, 1, 0.2), rbinom(100, 1, 0.7)),
  group = gl(2,100)
  )

Чтобы выполнить стандартный тест ранга журнала, можно использовать

survdiff(Surv(time, status) ~ group, data = obs, rho = 0)

правильно?

Но как насчет другого теста? Как вы могли бы выполнить ранговый тест Уилкоксона, тест Пето или тест Флеминга-Харрингтона?

R предоставляет возможность выполнить тест Уилкоксона , однако я не нашел, как позволить ему принять во внимание цензуру.

Кроме того, в документе говорится, что эта настройка rho = 1сделает тест «модификацией Пето и Пето теста Гехана-Уилкоксона». Но так ли это, как тест Пето?

(Вам, вероятно, следует привести источник ваших соглашений об именах и объяснить более подробно, почему этот вопрос ставится. Если это попытка сопоставить документацию по SAS или SPSS, у нас могут возникнуть межкультурные трудности.)

Быстрый ответ на ваш конкретный вопрос о том, как пройти «тест Пето», заключается в использовании rho = 1, но это будет приблизительное значение. Обращаясь к разделам с одной выборкой и двумя выборками главы 7 в «Анализе выживания» Кляйна и Мешбергера, мы читаем, что версия Пето-Пето и версии Гехана были версиями Манна-Уитни Уилкоксона с двумя выборками (с цензурой) тест с двумя выборками, но использовались разные варианты оценки функции выживания. Единого «теста Флеминга-Харрингтона» не существует, поскольку этот термин относится к семейству тестов, которые сводятся к лог-рангу и тестам типа Уилкоксона при указанных значениях rho. (Функция R / S surv.diffимеет q-параметр семейства Флеминга-Харрингтона, установленный на 0, и изменяет только p-параметр, который она называет rho.)

Мета-вопрос заключается в том, следует ли вам сосредоточиться на именах, а не на математической субстанции? Выбор p = rho = 0 (с q, установленным в 0) в семействе Флеминг-Харрингтон взвешивает (OE) или различия между группами в равной степени в диапазоне времен, тогда как тесты Gehan-Wilcoxon и Peto-Peto взвешивают ранние смерти сильнее. Мое мнение (как врача) заключается в том, что разумно иметь взвешивание ранних различий, которое более вероятно для типичного случая, но может представлять конкретные случаи, когда можно было бы защитить другой выбор.

Чтобы ответить на ваш вопрос о том, как рассчитать это в R, вы можете использовать comp()функцию из survMiscпакета. Пример:

> library(survMisc)
> fit = survfit(Surv(time, status) ~ x, data = aml)
> comp(fit)$tests$lrTests
                              ChiSq df      p
Log-rank                       3.40  1 0.0653
Gehan-Breslow (mod~ Wilcoxon)  2.72  1 0.0989
Tarone-Ware                    2.98  1 0.0842
Peto-Peto                      2.71  1 0.0998
Mod~ Peto-Peto (Andersen)      2.64  1 0.1042
Flem~-Harr~ with p=1, q=1      1.45  1 0.2281

Чтобы выбрать параметры для теста Флеминг-Harrington (показано в последней строке), вы используете FHpи FHqаргументы. Например,

> comp(fit, FHp=0, FHq=0)$tests$lrTests
[…]
Flem~-Harr~ with p=0, q=0      3.40  1 0.0653

дает нормальный тест лог-ранга (также показан в первой строке в первом примере).