Sugerencia de modelo para una regresión de Cox con covariables dependientes del tiempo


10

Estoy modelando el efecto del embarazo sobre el resultado de una enfermedad (vivo-muerto). Aproximadamente el 40% de las pacientes quedaron embarazadas después del momento del diagnóstico, pero en diferentes momentos. Hasta ahora, he realizado gráficos de KM que muestran un claro efecto protector del embarazo sobre la supervivencia y también un modelo regular de Cox; sin embargo, estos se han modelado utilizando solo una variable de embarazo dicotomizada y suponiendo que el efecto está presente desde el momento del diagnóstico, lo cual es claramente poco realista. ya que el tiempo medio de embarazo es de 4 años desde el diagnóstico.

¿Qué tipo de modelo absorbería el efecto de embarazos múltiples en diferentes momentos después del diagnóstico? ¿Sería correcto modelar los embarazos interactuando con el tiempo (lo que requeriría una reconstrucción de datos seria, algún software automatizado que pudiera ayudar con esto?) O existe otra estrategia de modelado preferida para estos problemas? Además, ¿cuál es la estrategia de trazado preferida para estos problemas?


pregunta interesante (+1) ... este documento reciente podría ser de ayuda: ncbi.nlm.nih.gov/pubmed/21328605
ocram

Interesante, pero creo que el tema principal son los efectos que varían con el tiempo. //M
Misha

los efectos que varían con el tiempo es el tema del artículo ...
ocram

1
Esto me recuerda el ejemplo de análisis de supervivencia "clásico" de los datos de trasplante de corazón: bit.ly/UFX71v : lo que necesita es una covariable que varíe en el tiempo , no necesariamente un coeficiente que varíe en el tiempo . Puede trazar sus datos utilizando curvas KM.
boscovich

Con este método también podría manejar el hecho de que algunas mujeres pueden haber tenido más de 1 embarazo durante el seguimiento.
boscovich

Respuestas:


4

Lo que necesita aquí es una covariable variable en el tiempo y no necesariamente un coeficiente variable en el tiempo . Un ejemplo conocido que podría ayudarlo con sus análisis son los datos de trasplante de corazón de Stanford .

Para presentar sus resultados, puede usar el estimador clásico de Kaplan-Meier que maneja covariables que varían en el tiempo sin problemas (recuerde, sin embargo, que este es un análisis crudo o no ajustado con todas sus limitaciones bien conocidas).

Como ejemplo, el siguiente gráfico muestra el análisis de los datos de HT de Stanford cuando se tiene en cuenta correctamente el estado del trasplante que varía en el tiempo (panel superior) y sin tenerlo en cuenta (panel inferior).

ingrese la descripción de la imagen aquí


Finalmente logré hacer esto y obtuve la siguiente trama
Misha

El KM regular NO es la forma correcta de graficar estos modelos. Más bien es una extensión de KM de Simon y Makuch que se implementa en Stata. stats.stackexchange.com/posts/46754
Misha

No puedes usar el KM de esta manera. Considere los embarazos con, por ejemplo, la edad como tiempo subyacente: supongamos que las mujeres tienen al menos 20 años cuando tienen su segundo hijo y al menos 22 cuando obtienen el tercero. Asumamos un peligro constante para todas las edades y todos los grupos (número de niños nacidos). Luego, los grupos de 2 y 3 morirán a la misma velocidad, pero la estimación de 3 grupos (lo más probable) será mayor en cualquier momento t, simplemente porque los 3 grupos comienzan a morir a una edad posterior. Esta es una tergiversación de datos.
swmo


1

Cuidado con el sesgo del tiempo inmortal en esta situación. Su grupo de embarazadas inevitablemente tendrá una mejor supervivencia que el grupo de no embarazadas, ya que no puede quedar embarazada después de su muerte (¡que yo sepa!)

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.