¿Cómo interpreto Exp (B) en la regresión de Cox?

Soy un estudiante de medicina que intenta comprender las estadísticas (¡), así que por favor, sé gentil! ;)

Estoy escribiendo un ensayo que contiene una buena cantidad de análisis estadístico que incluye análisis de supervivencia (regresión de Kaplan-Meier, Log-Rank y Cox).

Realicé una regresión de Cox en mis datos tratando de averiguar si puedo encontrar una diferencia significativa entre las muertes de pacientes en dos grupos (pacientes de alto o bajo riesgo).

Agregué varias covariables a la regresión de Cox para controlar su influencia.

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

Eliminé la oclusión de la arteria de la lista de covariables porque su SE era extremadamente alta (976). Todos los demás SE están entre 0,064 y 1,118. Esto es lo que obtengo:

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

Sé que el riesgo solo es significativamente límite en 0,058. Pero además de eso, ¿cómo interpreto el valor Exp (B)? Leí un artículo sobre regresión logística (que es algo similar a la regresión de Cox?) Donde el valor Exp (B) se interpretó como: "Estar en el grupo de alto riesgo incluye un aumento de 8 veces en la posibilidad del resultado", que En este caso es la muerte. ¿Puedo decir que mis pacientes de alto riesgo tienen 8 veces más probabilidades de morir antes que ... qué?

¡Por favor, ayúdame! ;)

Por cierto, estoy usando SPSS 18 para ejecutar el análisis.

En términos generales, $\exp(\hat\beta_1)$ es la relación de los peligros entre dos individuos cuyos valores de $x_1$ difieren en una unidad cuando todas las otras covariables son constantes retenida. El paralelo con otros modelos lineales es que en la regresión de Cox la función de riesgo se modela como $h(t)=h_0(t)\exp(\beta'x)$ , donde $h_0(t)$ es el riesgo de referencia. Esto es equivalente a decir que $\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$ . Luego, un aumento unitario en$x_i$ se asocia con unaumento de$\beta_i$ en la tasa de riesgo logarítmico. El coeficiente de regresión permite para cuantificar el logaritmo del peligro en el grupo de tratamiento (en comparación con el grupo control o placebo), teniendo en cuenta las covariables incluidas en el modelo; se interpreta como un riesgo relativo (suponiendo que no haya coeficientes variables en el tiempo).

En el caso de la regresión logística, el coeficiente de regresión refleja el logaritmo de la odds ratio , de ahí la interpretación como un aumento de k veces en el riesgo. Entonces, sí, la interpretación de las razones de riesgo comparte cierta semejanza con la interpretación de las razones de probabilidades.

Asegúrese de consultar el sitio web de Dave Garson donde hay un buen material sobre la Regresión de Cox con SPSS.

No soy un estadístico, sino un MD, tratando de resolver las cosas en el mundo de las estadísticas.

$\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$, en comparación con cuando el valor de género = 0.

$\exp(B) > 1$$\exp(B) = 1.259$ (como es el caso de su variable "estenosis"), significa que la puntuación de "estenosis" = 1 dará como resultado una mayor probabilidad (25.9%) de experimentar un punto final en comparación con cuando "estenosis" = 0.

$\exp(B) = 1$$\exp(B)$ es estadísticamente significativa.

Según su análisis, parece que ninguna de sus variables son predictores significativos (en un nivel de signo del 5%) de su punto final, aunque ser un paciente de "alto riesgo" es de importancia límite.

La lectura del libro " Manual de supervivencia de SPSS ", de Julie Pallant, probablemente lo iluminará más sobre este (y más) tema (s).