加速故障时间建模：使用 CI-s 绘制生存概率提供示例

编程问答 2022-05-23

问题描述

由于我的真实数据违反了比例风险假设，我正在使用 AFT 模型，尝试计算感兴趣的研究组的调整后生存概率。下面的例子是关于 kidney 数据的，我试图遵循 ciTools vignette。

library(tidyverse)
library(ciTools)
library(here)
library(survival)
library(survminer)

#data
kidney

table

模型

fit1 =  survreg(Surv(time,censored) ~ sex + age + disease,data = kidney)


Call:
survreg(formula = Surv(time,data = kidney)

Coefficients:
(Intercept)   sexfemale         age   diseaseGN   diseaseAN  diseasePKD 
 8.41830937 -0.93959839 -0.01578812 -0.25274448 -0.38306425 -0.32830433 

Scale= 1.642239 

Loglik(model)= -122.1   Loglik(intercept only)= -122.7
    Chisq= 1.33 on 5 degrees of freedom,p= 0.931 
n= 76

添加至少存活 365 天的两性存活概率

probs = ciTools::add_probs(kidney,fit1,q = 365,name = c("prob","lcb","ucb"),comparison = ">")
probs

enter image description here

试图绘制两性的一年生存概率，但 geom_point 有多个点估计？

在我看来，这些点估计值是针对每个 年龄 值给出的。我可以编辑预测，使其针对平均或中位年龄吗？

probs %>% ggplot(aes(x = prob,y = sex)) +
    ggtitle("1-year survival probability") +
    xlim(c(0,1)) +
    theme_bw() +
    geom_point(aes(x = prob),alpha = 0.5,colour = "red")+
    geom_linerange(aes(xmin = lcb,xmax = ucb),alpha = 0.5)

enter image description here

然而，这种方法似乎适用于一个简单的模型

fit2 =  survreg(Surv(time,censored) ~ sex,data = kidney)

probs2 = ciTools::add_probs(kidney,fit2,comparison = ">")

probs2 %>% ggplot(aes(x = prob,alpha = 0.5)

enter image description here

问题：

  1. 如何获得两性的调整后生存概率？或者，如果这是不可能的，那么可能的替代方案是什么？代码将有助于替代。
  2. 如果我想获得两性和不同时间点的调整后生存概率，我应该在 ciTools::add_probs() 函数中编辑“q”值吗？例如：q = 30 一个月； q = 90 三个月等。或者我应该为每个时间段运行一个单独的模型？

解决方法

根据您设置这些模型的方式，会根据模型中包含的协变量值为 kidney 数据集中的每个人返回预测。

在您的第一个模型中，您已包含 sex + age + disease，以便您对数据集中这 3 个协变量值的每个组合进行预测。

在第二个模型中，您只包含 sex 作为预测变量，因此您只能获得基于性别的预测。

生存模型预测函数允许您指定一组协变量值，以便在新数据框中进行预测。根据 add_probs.survreg 的 manual，您可以通过在函数的 df 参数中指定具有指定协变量值的新数据框来实现。您在那里使用了 kidney 数据框，因此您可以预测所有这些情况。

我对 ciTools::add_probs 不太熟悉，但此类软件通常会（没有警告）接受您指定的协变量的值，然后对您不知道的协变量使用某种类型的“平均”值' t 指定。由于“平均值”对于 disease 等分类协变量没有太大意义，因此通常最好为所有协变量指定一组完整的有用值。

rms package in R 中的函数通常在提供有用的预测方面做得更好，因为它们根据 {{1 }} 函数，然后将其输出指定为系统选项。此软件包的学习曲线有点陡峭，但如果您要进行大量生存或其他回归建模，则非常值得。

cox-regressionrrsurvivalsurvival-analysis