Как получить прогнозы с точки зрения времени выживания из модели Кокса PH?

Я хочу разработать модель прогнозирования (Кокс-РН) для смертности от всех причин в наборе данных участников, из которых (почти) все умерли в конце периода наблюдения (например, 1 год).

Вместо того, чтобы прогнозировать абсолютный риск смерти в определенный момент времени, я хотел бы предсказать время выживания (в месяцах) для каждого человека.

Можно ли получить такие предсказания в R (например, от объекта coxph) и, если да, как я могу это сделать?

Спасибо заранее!

survival prediction cox-model

— обкрадывать
источник

Ответы:

Модель пропорциональных рисков Кокса не моделирует основную опасность, а именно это вам необходимо для прогнозирования времени выживания таким образом - это одновременно и сильная сторона модели, и один из ее основных недостатков.

Если вы особенно заинтересованы в получении оценок вероятности выживания в определенные моменты времени, я хотел бы указать вам на параметрические модели выживания (так называемые модели времени ускоренного отказа). Они реализованы в survivalпакете для R и дадут вам параметрическое распределение времени выживания, в котором вы можете просто подключить интересующее вас время и получить вероятность выживания.

— фомиты
источник

Спасибо за Ваш ответ. Я не особенно заинтересован в получении оценок вероятности выживания в конкретное время, а скорее в прогнозируемом времени выживания для каждого человека. Таким образом, вместо того, чтобы, например, «вероятность выживания в 1 год составляет 10%», я хотел бы получить прогнозы типа «прогнозируемое время выживания этого человека составляет 10 месяцев». Можно ли получить такие прогнозы из модели Кокса PH или AFT?

— Роб

@Rob Я считаю, что это все еще не работает в модели Кокса PH. Это вполне выполнимо для модели AFT, хотя сложность получения оценки будет зависеть от того, сколько у вас ковариат.

— Fomite

Спасибо, я посмотрю в модели AFT. Я читал о прогнозировании времени индивидуальной выживаемости, но кажется, что «выживаемость человека настолько неопределенна, что даже самый лучший статистический анализ не может обеспечить прогнозы единственного числа для реального использования для отдельных пациентов». ( ссылка ) ..

— Роб

@Rob Это правильно - все эти методы говорят о тенденциях в населении . Попытка точного прогнозирования любого конкретного человека является чем-то потерянным, и на самом деле это ненадлежащее использование инструмента.

— Fomite

Учитывая доступную литературу, которую я нашел, я думаю, что вы правы в отношении прогноза индивидуального времени выживания. Однако модели Кокса и АФТ, безусловно, являются подходящими инструментами для прогнозирования индивидуальных абсолютных рисков в определенные моменты времени (например, см. Книги Харрелла и Штейерберга ).

— Роб

@statBeginner Да, это будет. Требуется два шага:

x <- survfit(cox.ph.model, newdata = dataset)
dataset$Results <- summary(x)$table[,"median"]

но я не уверен, что среднее время выживания достаточно точное.

— Акшай
источник

Я согласен с @akshay, что среднее время выживания, хотя и полезно, может не подходить для отдельных случаев, особенно если прогнозируется время до события. Индивидуальные времена выживания могут быть невероятно разнородными, поэтому я бы посоветовал с осторожностью использовать любое среднее время выживания для прогнозирования.

— Seanosapien

Хотя я согласен с этим, медиана выживаемости клинически полезна.

Вас может заинтересовать наша работа (и другие), рассматривающая использование медианы в качестве основы для интервалов выживания - мы думаем, что они более полезны.

https://academic.oup.com/annonc/article/25/10/2014/2801274

— Мэтт Уильямс
источник

Среднее выживание может не всегда существовать, но медиана всегда существует.

— Майкл Р. Черник