Model Bahaya Berkadar Cox: Panduan Bergambar untuk Penyelidikan Penyakit Kronik

Diterbitkan 20 Jun 2026 | Kemas kini terakhir 10 Ogos 2026

Seorang felo kardiologi dengan 340 pesakit kegagalan jantung dan tempoh susulan lima tahun memerlukan lebih daripada sekadar perbandingan dua purata. Dia perlu tahu berapa cepat atau lambat pesakit yang mengambil antikoagulan baharu mencapai strok atau kematian berbanding dengan pesakit lama, melaraskan umur, fungsi buah pinggang dan peristiwa terdahulu sekaligus, menggunakan masa susulan setiap pesakit walaupun untuk mereka yang masih hidup apabila kajian ditutup. Model bahaya berkadar Cox menjawab soalan itu dengan tepat. Diperkenalkan oleh ahli statistik British, David Cox pada tahun 1972, ia kekal sebagai kaedah standard untuk data masa-ke-peristiwa merentasi kardiologi, onkologi, nefrologi dan kebanyakan bidang lain yang dibina berdasarkan hasil survival, dan ia menghasilkan nisbah bahaya, nombor tunggal yang menukar set data susulan kepada pernyataan tentang risiko relatif dari semasa ke semasa.

Panduan ini menerangkan mekanik di sebalik nisbah bahaya tersebut, fungsi bahaya, bahaya garis dasar yang tidak dinyatakan oleh model tersebut, dan andaian bahaya berkadaran bersama-sama dengan ujian sisa Schoenfeld yang digunakan untuk menyemaknya. Contoh lengkap yang telah diusahakan sesuai dengan model Cox pada set data percubaan kanser paru-paru yang sebenar dan didokumenkan secara terbuka, yang dikira secara langsung untuk artikel ini dan bukannya disalin daripada sumber sekunder, diikuti dengan contoh kedua yang menunjukkan apa yang berlaku kepada nisbah bahaya apabila kovariat yang berubah semasa susulan, status pemindahan organ, dimodelkan seolah-olah ia ditetapkan pada garis dasar. Pemilihan kovariat, pengekodan berterusan berbanding pengekodan kategori, model berstrata dan soalan peristiwa-per-pembolehubah melengkapkan bahagian ini, setiap satu disokong oleh petikan yang membawa nombor tertentu yang boleh disemak dan bukannya rayuan samar-samar kepada penyelidikan terdahulu.

Poin-poin utama

• Model bahaya berkadar Cox menganggarkan nisbah bahaya bagi setiap kovariat tanpa menganggap sebarang bentuk tertentu untuk bahaya garis dasar dari semasa ke semasa, sifat yang menjadikannya separa parametrik dan bukannya parametrik sepenuhnya.
• Dipasang terus pada set data percubaan kanser paru-paru NCCTG 228 pesakit untuk panduan ini, model Cox tiga kovariat mengembalikan nisbah bahaya sebanyak 1.590 (95% CI 1.273 hingga 1.986) setiap peningkatan satu mata dalam status prestasi ECOG dan 0.575 (95% CI 0.414 hingga 0.799) untuk jantina wanita berbanding lelaki.
• Sisa Schoenfeld, yang diuji melalui fungsi cox.zph yang terbina dalam pakej kemandirian R, kekal sebagai cara standard untuk memeriksa sama ada andaian bahaya berkadar terpakai untuk setiap kovariat dan untuk model secara keseluruhan.
• Pemodelan kovariat yang berubah semasa susulan, seperti menerima pemindahan organ, seolah-olah ia ditetapkan semasa pendaftaran telah meningkatkan nisbah bahaya perlindungan sebanyak 0.180 dalam demonstrasi data pemindahan jantung Stanford sebenar kemudian dalam panduan ini, berbanding dengan nisbah bahaya 1.016 sebaik sahaja kovariat yang sama dikodkan dengan betul sebagai berubah mengikut masa.
• Sepuluh peristiwa setiap kovariat adalah aras yang munasabah untuk kestabilan model, walaupun kajian simulasi 2007 dalam American Journal of Epidemiology mendapati minimum sebenar bergantung pada jumlah saiz sampel dan betapa bersihnya peramal memisahkan hasilnya.

Apa yang Sebenarnya Dianggarkan oleh Model Bahaya Berkadaran Cox

Setiap model kemandirian memerlukan cara untuk menggambarkan risiko yang berubah pada setiap saat dan bukannya satu kebarangkalian keseluruhan. Fungsi bahaya, yang ditulis h(t), melakukan perkara yang sama, memberikan kadar serta-merta di mana peristiwa itu berlaku pada masa t dalam kalangan orang yang kekal bebas peristiwa sehingga ketika itu. Bahaya sebanyak 0.02 sebulan bermakna, dalam kalangan pesakit yang masih berisiko pada ketika itu, hampir 2% mengalami peristiwa tersebut sepanjang bulan berikutnya jika kadar itu kekal stabil merentasi selang masa tersebut.

David Cox membina struktur regresi di sekitar bahaya tersebut dalam kertas kerjanya pada tahun 1972 "Model Regresi dan Jadual Hayat," yang diterbitkan dalam Journal of the Royal Statistical Society dan memetik lebih daripada 36,000 kali sejak itu, tanpa memaksa sebarang andaian tentang bentuk garis dasar bahaya tersebut. Bagi seseorang yang mempunyai nilai kovariat x₁ hingga xₖ, model tersebut menulis bahaya sebagai h(t) = h₀(t) × exp(b₁x₁ + b₂x₂ + … + bₖxₖ), dengan h₀(t) ialah bahaya garis dasar, trajektori risiko bagi seseorang yang setiap kovariat sama dengan sifar, dibiarkan tidak ditentukan sepenuhnya. Setiap kesan kovariat masuk melalui istilah eksponen, dan kerana h₀(t) terbatal daripada nisbah antara bahaya mana-mana dua orang, model tersebut menganggarkan nisbah bahaya tanpa perlu menganggarkan bahaya garis dasar itu sendiri. Ahli statistik menggelarkan sifat itu separa parametrik, dan ia menjelaskan mengapa model Cox mendominasi analisis survival klinikal berbanding alternatif parametrik sepenuhnya seperti regresi Weibull, yang memerlukan penganalisis untuk komited kepada bentuk untuk h₀(t) yang risiko biologi sebenar jarang sekali mengikut dengan tepat.

Eksponensial satu pekali, exp(b₁), menghasilkan nisbah bahaya yang sebenarnya dilaporkan oleh kertas klinikal. Pekali 0.405 untuk pembolehubah rawatan binari bertukar kepada nisbah bahaya 1.50, bermakna kumpulan yang dirawat menghadapi risiko serta-merta 50% lebih tinggi daripada kumpulan rujukan pada setiap titik semasa susulan di mana perkadaran dipegang.

Data Masa-ke-Peristiwa, Penapisan, dan Mengapa Regresi Biasa Tidak Berkesan

Hasil masa-ke-peristiwa membawa dua maklumat yang diikat bersama, sama ada peristiwa itu berlaku dan berapa lama masa yang diambil untuk berlaku. Regresi linear tidak dapat menggunakan pasangan itu dengan betul, dan regresi logistik membuang masa sama sekali, meruntuhkan pesakit yang meninggal dunia pada hari ke-12 dan pesakit yang meninggal dunia pada hari ke-1,200 ke dalam kategori "peristiwa berlaku" yang sama. Kedua-dua pendekatan ini tidak mengendalikan komplikasi yang dibina dalam hampir setiap set data survival, sesetengah subjek meninggalkan kajian, mencapai penghujung yang dijadualkan, atau tersesat ke susulan sebelum peristiwa itu berlaku sama sekali.

Ahli statistik menggelarkan situasi itu sebagai penapisan yang betul, dan ini tidak bermakna titik data hilang atau salah. Pesakit yang dipantau selama lapan tahun tanpa pengulangan menyumbang lapan tahun penuh masa bebas peristiwa kepada analisis, maklumat yang akan dibazirkan oleh kaedah yang dibina hanya berdasarkan "ya, ia berlaku" atau "tidak, ia tidak". Asas analisis survival yang diliputi di tempat lain di laman web ini terletak pada andaian bahawa penapisan adalah bebas daripada risiko yang mendasari, bermakna pesakit yang ditapis pada bulan ke-20 membawa, secara purata, risiko masa depan yang sama seperti seseorang yang masih dipantau secara aktif pada bulan ke-20. Pesakit yang lebih sakit lebih kerap berhenti daripada yang lebih sihat akan melanggar andaian tersebut, dan setiap keputusan model Cox hiliran akan mewarisi bias yang terhasil.

Penapisan kiri dan penapisan selang kurang kerap muncul dalam regresi Cox klinikal, paling penting dalam reka bentuk tertentu, seperti apabila penanda bio melepasi beberapa ambang pada titik yang tidak diketahui sebelum pengukuran pertama dan bukannya pada saat yang didokumenkan. Mendapatkan penunjuk peristiwa dan pembolehubah masa yang ditakrifkan secara konsisten sebelum pemodelan bermula menghalang kategori ralat yang tidak dapat dibaiki oleh sebarang kecanggihan statistik hiliran selepas itu.

Mentafsir Nisbah Bahaya daripada Model Cox

Membaca nisbah bahaya dengan betul bermaksud menentang dua salah faham yang biasa. Nisbah bahaya tidak menggambarkan berapa cepat sesuatu peristiwa berlaku, dan ia tidak sama dengan nisbah risiko yang diukur merentasi keseluruhan tempoh kajian. Ia menerangkan risiko relatif pada setiap ketika, dan di bawah andaian bahaya berkadar, nisbah tersebut terpakai secara seragam merentasi keseluruhan tempoh susulan dan bukannya beralih dari bulan ke bulan.

Bagi kovariat binari seperti pemberian rawatan, nisbah bahaya 0.70 bermakna kumpulan yang dirawat menghadapi risiko serta-merta 30% lebih rendah berbanding kumpulan kawalan pada bila-bila masa. Bagi kovariat berterusan seperti umur dalam tahun, 0.70 yang sama terpakai kepada peningkatan satu tahun dan berganda secara berganda merentasi perbezaan yang lebih besar, jadi jurang umur sepuluh tahun membawa nisbah bahaya 0.70 yang dinaikkan kepada kuasa kesepuluh, jauh sekali tidak hampir dengan 0.70 didarab dengan sepuluh. Plot hutan kadangkala dibaca seolah-olah nisbah bahaya merupakan pengganda kelajuan pada perkembangan penyakit itu sendiri, tetapi model tersebut tidak pernah menganggarkan seberapa cepat penyakit mana-mana pesakit individu berkembang. Ia menganggarkan nisbah kadar kejadian antara kumpulan, tidak lebih dan tidak kurang.

Contoh yang Berjaya: Memasang Model Cox pada Data Percubaan Kanser Paru-paru Sebenar

Daripada menghasilkan semula nombor hipotetikal buku teks, model di bawah dijalankan pada set data tulen yang didokumenkan secara terbuka, iaitu kohort kanser paru-paru NCCTG yang dihantar ke dalam R. survival pakej. Loprinzi dan rakan-rakannya menerbitkan kajian sumber dalam Journal of Clinical Oncology pada tahun 1994., menguji sama ada soal selidik yang dilengkapkan oleh pesakit menambah maklumat prognostik melangkaui penilaian doktor sendiri dalam kohort 1,115 pesakit dengan kanser paru-paru atau kolorektal peringkat lanjut di Kumpulan Rawatan Kanser Pusat Utara. Subset yang dibina dalam R merangkumi 228 pesakit kanser paru-paru tersebut, merekodkan masa hidup dalam hari bersama umur, jantina dan status prestasi ECOG, skala yang dinilai oleh doktor bermula dari 0 (aktif sepenuhnya) hingga 4 (terlantar di atas katil).

Pemasangan coxph(Surv(time, status) ~ age + sex + ph.ecog, data = lung) pada pesakit tersebut, 227 sebaik sahaja satu rekod status prestasi yang tidak lengkap tercicir, mengembalikan nisbah bahaya di bawah tepat seperti yang dikira untuk panduan ini.

Dua corak menonjol. Umur sahaja, tanpa sebarang corak lain dalam model ini, membawa nisbah bahaya sebanyak 1.019 (95% CI 1.001 hingga 1.037, p=0.042), mencapai kepentingan statistik dengan sendirinya. Sebaik sahaja jantina dan status prestasi memasuki model yang sama, nisbah bahaya umur mengecut kepada 1.011 dan nilai-pnya meningkat kepada 0.232, tidak lagi boleh dibezakan daripada tiada kesan langsung. Umur tidak pernah menjadi peramal bebas yang kuat dalam kohort ini; ia hanya kelihatan seperti satu secara berasingan kerana ia berkongsi varians dengan status prestasi, sejenis pelarasan berbilang pembolehubah corak wujud untuk diuraikan. Status prestasi mendominasi model yang sesuai, setiap penurunan satu langkah dalam keupayaan berfungsi meningkatkan bahaya sebanyak 59%, dan jantina menunjukkan jurang yang ketara secara statistik dengan sendirinya, wanita dalam kohort ini menghadapi bahaya 43% lebih rendah daripada lelaki sepanjang tempoh susulan penuh. Statistik konkordans model, ukuran kekerapan ia menilai kedudukan pesakit yang dipilih secara rawak yang meninggal dunia dahulu dengan betul, mencapai 0.637, bermakna ketiga-tiga kovariat bersama-sama memisahkan pesakit berisiko tinggi daripada pesakit berisiko rendah dengan ketara lebih baik daripada lambungan syiling tetapi jauh di bawah kedudukan yang sempurna.

Menguji Andaian Bahaya Berkadaran dengan Sisa Schoenfeld

Setiap nisbah bahaya yang dilaporkan daripada model Cox bergantung pada satu andaian kerja, iaitu nisbah bahaya antara mana-mana dua nilai kovariat kekal malar sepanjang tempoh susulan. Rawatan yang mengurangkan risiko secara mendadak pada bulan pertama tetapi bertemu dengan kumpulan kawalan menjelang tahun kedua tidak mempunyai nisbah bahaya tunggal yang jujur; purata ke atas perubahan tersebut menghasilkan nombor yang salah menggambarkan kedua-dua tempoh awal dan lewat.

Kertas Biometrika David Schoenfeld 1982 memperkenalkan baki yang kini dinamakan sempena namanya, satu setiap kovariat setiap masa peristiwa, yang sepatutnya tidak menunjukkan trend dari semasa ke semasa jika andaian bahaya berkadar terpakai untuk kovariat tersebut. Patricia Grambsch dan Terry Therneau telah memformalkan statistik ujian dalam kertas kerja Biometrika 1994. kini dipetik lebih daripada 4,700 kali, menghubungkan baki Schoenfeld berskala terhadap masa atau transformasi masa untuk menghasilkan ujian khi kuasa dua setiap kovariat ditambah ujian global untuk keseluruhan model. R melaksanakan ujian Grambsch-Therneau sebagai cox.zph(), dan menjalankannya terhadap model kanser paru-paru tiga kovariat di atas mengembalikan keputusan di bawah.

Tiada satu pun daripada empat nilai-p dalam jadual tersebut jatuh di bawah ambang konvensional 0.05, jadi model khusus ini tidak memberikan sebab statistik yang kukuh untuk meragui perkadaran bagi umur, jantina atau status prestasi secara individu atau bersama. Plot log-log menawarkan pendamping grafik kepada ujian berangka, memplot log(−log(S(t))) terhadap log(t) secara berasingan untuk setiap peringkat kovariat kategori; lengkung selari menyokong bahaya berkadar, manakala lengkung yang bersilang atau menumpu secara jelas menunjukkan pelanggaran yang mungkin juga ditandai oleh ujian Schoenfeld. Apabila kovariat gagal dalam pemeriksaan ini, dua pembetulan praktikal merangkumi kebanyakan situasi, membahagikan masa susulan supaya pekali kovariat boleh berbeza sebelum dan selepas beberapa titik, atau memindahkan pembolehubah yang menyinggung ke dalam model berstrata dan bukannya menganggarkan pekali tunggal untuknya, pendekatan yang dibincangkan kemudian dalam panduan ini.

Pemilihan Kovariat dan Peramal Berterusan vs. Kategorikal

Model Cox tidak bertolak ansur dengan senarai peramal tanpa had tidak kira berapa ramai pesakit yang berada dalam set data. Simulasi 1996 yang dibina berdasarkan percubaan jantung sebenar yang melibatkan 673 pesakit dengan 252 kematian dan tujuh calon peramal, nisbah peristiwa-setiap-pembolehubah sebanyak 36 untuk sampel penuh, mendapati bahawa pensampelan semula ke arah 2 peristiwa setiap pembolehubah menghasilkan pekali berat sebelah dan selang keyakinan yang berhenti menutupi nilai sebenar pada kadar yang dinyatakan. Sepuluh peristiwa setiap kovariat menjadi peraturan praktikal yang terhasil. Vittinghoff dan McCulloch menyemak semula soalan tersebut dalam kajian simulasi American Journal of Epidemiology 2007 dan mendapati bahawa terdapat keadaan di mana liputan selang keyakinan dan berat sebelah kekal dalam had yang boleh diterima jauh di bawah 10 peristiwa setiap pembolehubah, menyimpulkan bahawa jumlah saiz sampel dan betapa bersihnya peramal memisahkan hasil adalah penting seperti nisbah EPV mentah. Anggap 10 EPV sebagai had bawah yang patut disemak sebelum memuktamadkan model, bukan jaminan bahawa model di atas garisan itu boleh dipercayai secara automatik.

Mengekod peramal berterusan sebagai pembahagian ya/tidak di sekitar beberapa potongan, menukar umur kepada "lebih 65" berbanding "bawah 65," terasa lebih mudah untuk dibentangkan tetapi membuang maklumat yang dibina untuk digunakan oleh model Cox. Kertas kerja Statistik dalam Perubatan Royston, Altman dan Sauerbrei 2006 , yang dipetik hampir 1,900 kali, menunjukkan bahawa mendikotomi peramal berterusan memerlukan kuasa statistik dan boleh meninggalkan penggangguan sisa, terutamanya apabila titik potong dipilih selepas melihat data dan bukannya ditetapkan terlebih dahulu berdasarkan alasan klinikal. Mengekalkan peramal berterusan, secara pilihan membenarkan hubungan melengkung dan bukannya linear sepenuhnya dengan bahaya log melalui istilah splin atau polinomial pecahan, secara amnya mengekalkan lebih banyak daripada apa yang boleh dikatakan oleh data berbanding sebarang pembahagian dua kumpulan.

Istilah interaksi berhak mendapat layanan yang sama secara sengaja. Nisbah bahaya untuk rawatan yang berbeza mengikut tahap keterukan penyakit asas memerlukan istilah produk rawatan mengikut tahap keterukan dalam model dan bukannya dua nisbah bahaya berasingan yang dilaporkan untuk dua analisis subkumpulan yang dijalankan secara bebas, kerana analisis subkumpulan meningkatkan kemungkinan penemuan "signifikan dalam satu kumpulan tetapi bukan kumpulan yang lain" palsu bahawa istilah interaksi, yang diuji secara langsung, kemungkinan besar tidak dapat dibezakan secara statistik sama sekali.

Kovariat Berubah-ubah Masa dalam Model Cox

Sesetengah kovariat tidak kekal diam semasa susulan. Status rawatan pesakit, peringkat penyakit atau nilai makmal yang diukur berulang kali selama bertahun-tahun semuanya berubah sementara jam terus berjalan, dan pengekodan kovariat seperti itu pada nilai asasnya sahaja, kemudian menganggapnya sebagai tetap untuk susulan yang selebihnya, boleh memesongkan nisbah bahaya secara dramatik. Pembetulan standard menyusun set data dalam gaya proses pengiraan, satu baris setiap selang masa di mana tiada apa-apa tentang kovariat berubah, menggunakan Surv(start, stop, event) dalam R dan bukannya yang lebih mudah Surv(time, status) format yang digunakan sebelum ini dalam panduan ini.

Data pemindahan jantung Stanford, yang dikumpul oleh John Crowley dan Marie Hu untuk kertas kerja Journal of the American Statistical Association 1977 dipetik lebih daripada 370 kali dan kini terbina dalam R sebagai heart set data, menunjukkan herotan secara langsung. Memodelkan 103 pesakit dan 75 kematian dengan status pemindahan yang dikodkan secara salah sebagai kovariat garis dasar tetap, membandingkan pesakit mengikut status yang akhirnya mereka capai, mengembalikan nisbah bahaya sebanyak 0.180 (95% CI 0.104 hingga 0.310, p<0.001) untuk pemindahan, manfaat kelangsungan hidup yang nampaknya kuat dan sangat signifikan. Mengekod semula data yang sama dalam format proses pengiraan, jadi pemindahan hanya "hidup" dalam sejarah kovariat pesakit pada tarikh sebenar mereka menerimanya, dan menyesuaikan semula coxph(Surv(start, stop, event) ~ transplant + age + surgery, data = heart) mengembalikan nisbah bahaya sebanyak 1.016 (95% CI 0.555 hingga 1.861, p=0.958) sebaliknya, secara statistiknya tidak dapat dibezakan daripada tiada kesan langsung.

Jurang antara dua baris tersebut mempunyai nama, bias masa abadi, dan ia muncul kerana pesakit mesti bertahan cukup lama untuk menerima pemindahan sebelum kovariat itu boleh bertukar kepada "ya." Pengekodan garis dasar sahaja secara senyap memberi kredit kepada kumpulan pemindahan dengan masa hidup yang diperlukan oleh pesakit hanya untuk layak, masa yang tidak dapat dikumpulkan oleh pesakit "tidak dipindahkan" yang setanding di bawah peraturan yang sama. Jones dan Fowler menunjukkan herotan yang sama dalam kajian Journal of Critical Care 2017 menggunakan data sebenar mengenai rawatan oseltamivir dalam pesakit influenza yang sakit tenat, di mana model Cox standard dan regresi logistik kedua-duanya mencadangkan kesan perlindungan terhadap kematian yang hilang sepenuhnya setelah model Cox yang bergantung pada masa menjelaskan fakta bahawa pesakit harus bertahan untuk benar-benar menerima ubat tersebut, corak yang sama yang ditunjukkan oleh data pemindahan jantung di atas.

Model Cox Berstrata untuk Pembolehubah Yang Tidak Sepatutnya Mendapat Pekali

Kadangkala sesuatu pembolehubah jelas penting untuk kelangsungan hidup tetapi bukanlah pembolehubah yang dikehendaki oleh kajian untuk nisbah bahaya, seperti tapak hospital dalam percubaan berbilang pusat atau kovariat yang residual Schoenfeldnya menandakan pelanggaran bahaya berkadar yang jelas yang tidak dapat diperbaiki oleh transformasi. Model Cox berstrata mengendalikan kedua-dua situasi dengan membiarkan setiap stratum membawa fungsi bahaya garis dasar tersendiri yang berasingan sepenuhnya manakala setiap kovariat di luar pembolehubah berstrata mengekalkan pekali kongsi tunggal merentasi semua strata.

Menyesuaikan semula contoh kanser paru-paru dengan coxph(Surv(time, status) ~ age + ph.ecog + strata(sex), data = lung) mengstratifikasi mengikut jantina dan bukannya menganggarkan pekali untuknya. Umur mengembalikan nisbah bahaya sebanyak 1.011 (95% CI 0.993 hingga 1.029, p=0.253) dan status prestasi mengembalikan 1.588 (95% CI 1.268 hingga 1.988, p<0.001), kedua-duanya hampir dengan anggaran tidak berstrata, yang masuk akal memandangkan ujian Schoenfeld sebelum ini tidak menunjukkan bukti kukuh bahawa jantina itu sendiri melanggar perkadaran dalam set data ini. Apa yang berubah ialah soalan yang boleh dijawab oleh model. Model berstrata tidak lagi boleh melaporkan nisbah bahaya untuk jantina, memandangkan jantina kini mentakrifkan bahaya garis dasar yang berasingan dan bukannya bertindak sebagai kovariat, satu pertukaran yang perlu dibuat dengan sengaja hanya apabila kesan pembolehubah berstrata itu sendiri bukanlah yang perlu dilaporkan oleh kajian.

Kesilapan Biasa Yang Melemahkan Analisis Regresi Cox

• Melaporkan nisbah bahaya tanpa menjalankan pemeriksaan bahaya berkadar. Satu nombor yang dirata-ratakan sepanjang tempoh susulan di mana kesan sebenar berubah dengan ketara boleh memberi gambaran yang salah tentang risiko pada awal dan akhir tempoh tersebut.
• Memasang lebih banyak kovariat daripada yang boleh disokong oleh kiraan peristiwa. Model Cox dua belas peramal terhadap empat puluh peristiwa menghasilkan beberapa pekali yang tidak lebih andal daripada hingar, tanpa mengira betapa besarnya jumlah sampel kelihatan pada muka depan.
• Membaca nisbah bahaya sebagai pernyataan tentang pemasaan. Nisbah bahaya 2.0 bermaksud dua kali ganda risiko serta-merta, bukannya peristiwa itu berlaku dua kali lebih pantas, dan kedua-dua idea itu sentiasa keliru dalam perbincangan klinikal.
• Mengekod pendedahan yang berubah-ubah mengikut masa seolah-olah ia ditetapkan pada garis dasar. Perbandingan pemindahan jantung sebelum ini dalam panduan ini menunjukkan betapa teruknya pilihan tunggal itu boleh memesongkan nisbah bahaya, kadangkala membalikkan kesimpulan klinikal sepenuhnya.
• Mendikotomikan peramal berterusan di sekitar titik potong yang mudah atau yang diperoleh daripada data. Penurunan kuasa dan penggabungan sisa kembali menjalar, tepat seperti hasil yang diukur oleh Royston, Altman, dan Sauerbrei dalam kertas kerja mereka pada tahun 2006 yang dipetik sebelum ini.
• Melayan acara yang bersaing sebagai penapisan biasa. Pesakit yang meninggal dunia akibat sebab yang tidak berkaitan sebelum hasil yang diminati berlaku tidak sama dengan pesakit yang tidak dapat menerima susulan, dan pendekatan Kaplan-Meier atau Cox standard yang mengabaikan perbezaan tersebut melebih-lebihkan kejadian kumulatif peristiwa yang sebenarnya sedang dikaji.

Sambungan Melangkaui Model Cox Asas

Penyelidikan penyakit kronik secara rutin menghadapi situasi di mana model Cox asas tidak dibina untuk dikendalikan secara bersendirian. Risiko yang bersaing muncul apabila pesakit boleh mengalami lebih daripada satu jenis peristiwa terminal atau peristiwa yang menyerap, kematian kardiovaskular bersaing dengan kematian kanser dalam kohort onkologi, dan menganggap satu sebagai penapisan biasa untuk yang lain meningkatkan anggaran insiden kumulatif. Rangka kerja risiko bersaing yang diliputi dengan lebih mendalam di tempat lain di laman web ini menggantikan anggaran Kaplan-Meier biasa dengan fungsi insiden kumulatif yang dibina untuk mengendalikan situasi tersebut dengan tepat.

Pesakit yang melalui pelbagai keadaan klinikal yang berbeza, diagnosis kepada remisi kepada kambuh semula sehingga mati, dan bukannya satu peristiwa terminal, memerlukan pendekatan pemodelan berbilang keadaan dan kematian-penyakit , yang melanjutkan logik berasaskan bahaya yang sama merentasi beberapa peralihan dan bukannya satu. Kajian yang mengumpul penanda bio berulang di samping masa hidup, dan bukannya segelintir kovariat garis dasar tetap, selalunya lebih sesuai dengan model gabungan yang menghubungkan trajektori membujur secara langsung kepada bahaya peristiwa , pendekatan yang mengendalikan ralat pengukuran dan masa lawatan yang tidak teratur dengan lebih teliti daripada sekadar memasukkan nilai penanda bio terakhir yang diperhatikan ke dalam model Cox standard. Data peristiwa berulang, kemasukan ke hospital berulang dan bukannya satu hasil terminal, dan istilah kelemahan untuk risiko bersama yang tidak diperhatikan dalam keluarga atau klinik melanjutkan model dengan lebih lanjut, setiap satu menangani cara tertentu bahawa data klinikal sebenar bercanggah daripada satu hasil masa-ke-peristiwa yang bebas bagi setiap pesakit.

Mendapatkan Sokongan Statistik untuk Analisis Regresi Cox

Sesetengah model Cox adalah rutin, tiga kovariat yang dipilih dengan baik dan kiraan peristiwa yang mencukupi berbanding senarai peramal. Model lain melibatkan pendedahan yang berubah-ubah mengikut masa, risiko yang bersaing, data berkelompok daripada berbilang tapak atau pelanggaran bahaya berkadar yang memerlukan model berstrata atau lanjutan dan bukannya penyesuaian semula yang mudah. ​​Ahli statistik Editverse mengendalikan julat penuh, daripada menyemak sama ada analisis yang dirancang mempunyai peristiwa yang mencukupi bagi setiap kovariat hinggalah menulis naratif kaedah dan hasil yang sebenarnya akan dibaca oleh jawatankuasa disertasi atau pengulas jurnal.

Kesimpulan

Setiap nombor model Cox menghasilkan jejak kembali kepada satu nisbah bahaya pada satu masa, dikira tanpa memerlukan penganalisis untuk meneka bentuk asas risiko, dan diperiksa, bukan diandaikan, terhadap keadaan bahaya berkadar yang menjadikan nisbah tunggal bermakna merentasi keseluruhan tempoh susulan. Dipasang di sini pada set data percubaan kanser paru-paru yang sebenar dan tersedia secara umum dan bukannya jadual hipotetikal, model tersebut mengembalikan corak yang tepat yang menjadikan pelarasan berbilang pembolehubah berbaloi dengan masalahnya, peramal yang signifikan dengan sendirinya yang berhenti penting sebaik sahaja peramal yang lebih baik menyertai model, di samping kesan status prestasi yang bertahan dengan kukuh sepanjang tempoh tersebut.

Pilihan pengekodan membawa akibat yang sama nyatanya dengan matematik model. Perbandingan pemindahan jantung Stanford sebelum ini dalam panduan ini telah mengubah kesan nol menjadi manfaat yang nampaknya berkuasa dan signifikan secara statistik semata-mata dengan salah pengendalian apabila kovariat dibenarkan berubah, herotan dengan nama, bias masa abadi dan sejarah terdokumentasi tentang kesimpulan klinikal sebenar yang mengelirukan sehingga model yang bergantung pada masa membetulkannya. Membina model Cox yang terselamat daripada penelitian bermakna menganggap pemilihan kovariat, pemeriksaan bahaya berkadar dan pengekodan apa-apa yang berubah semasa susulan sebagai keputusan reka bentuk yang sama pentingnya, bukan perkara sampingan yang perlu dijalankan sebaik sahaja nisbah bahaya tajuk utama kelihatan boleh diterbitkan.

Rujukan

1. Cox DR. Model regresi dan jadual hayat. Kejohanan Bola Sepak Statistik JR Siri B. 1972;34(2):187-202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
2. Loprinzi CL, Laurie JA, Wieand HS, dkk. Penilaian prospektif pembolehubah prognostik daripada soal selidik yang dilengkapkan oleh pesakit. Kumpulan Rawatan Kanser Pusat Utara. J Clin Oncol. 1994;12(3):601-607. https://doi.org/10.1200/JCO.1994.12.3.601
3. Schoenfeld D. Baki separa untuk model regresi bahaya berkadar. Biometrika. 1982;69(1):239-241. https://doi.org/10.1093/biomet/69.1.239
4. Grambsch PM, Therneau TM. Ujian bahaya berkadar dan diagnostik berdasarkan baki berwajaran. Biometrika. 1994;81(3):515-526. https://doi.org/10.1093/biomet/81.3.515
5. Vittinghoff E, McCulloch CE. Melonggarkan peraturan sepuluh peristiwa setiap pembolehubah dalam regresi logistik dan Cox. Am J Epidemiol. 2007;165(6):710-718. https://pubmed.ncbi.nlm.nih.gov/17182981/
6. Royston P, Altman DG, Sauerbrei W. Mendikotomikan peramal berterusan dalam regresi berganda: idea yang buruk. Stat Med. 2006;25(1):127-141. https://doi.org/10.1002/sim.2331
7. Crowley J, Hu M. Analisis kovarians data survival pemindahan jantung. J Am Stat Assoc. 1977;72(357):27-36. https://doi.org/10.1080/01621459.1977.10479903
8. Jones M, Fowler R. Bias masa abadi dalam kajian pemerhatian tentang hasil masa-ke-peristiwa. Penjagaan J Crit. 2017; 36: 195-199. https://pubmed.ncbi.nlm.nih.gov/27546771/