An Introduction to Competing Risks Analysis / Revista Española de Cardiología (englanninkielinen Painos)

INTRODUCTION

Competing risks (CR) on 1700-luvulta lähtien tunnustettu erikoistapaukseksi aika-tapahtumille. Joskus työtä tilastollinen tai matemaattinen alue on julkaistu sisällyttämällä uutta kehitystä, mukaan lukien monografian David ja Moeschberger.1 koska tiedot tuli laajempi, selkeä, ja tarkka koskevat erilaisia tuloksia, CR resurfaced kuin ratkaiseva tyyppi analyysin sisällä aika-to-tapahtuma analyysi, tarpeen ymmärtää paremmin taudin. Matemaattisten tulosten ja sovelletun alan välinen yhteys oli tehtävä. CR-tilanteiden ymmärtämiseen ovat vaikuttaneet useat kirjoittajat.2, 3 muut kirjoittajat parannettu ja kehitetty tekniikoita ja joissakin tapauksissa saataville käyttövalmis tietokone koodi sovellettujen tilastojen.4, 5, 6

johdatus aika-tapahtuma-analyysiin

monissa tutkimuksissa tulos on havaittu pituussuunnassa. Näin jokaista kohortin koehenkilöä tarkkaillaan jonkin aikaa, kunnes tapahtuma tapahtuu. Kiinnostava tapahtuma voi olla esimerkiksi kuolema, sydänkohtaus tai syövän uusiutuminen. Tutkimuksen tavoitteena voi olla arvioida tapahtuman esiintymistodennäköisyyttä tai sen yhteyttä kiinnostaviin kovariaatteihin, kuten hoitoon tai tutkittavan ominaisuuksiin. Käytettyä tilastoanalyysiä kutsutaan aika-to-event-analyysiksi tai joskus eloonjäämisanalyysiksi. Yleisin tapa arvioida tapahtuman todennäköisyyttä on nonparametrinen lähestymistapa, jota tavallisesti kutsutaan Kaplan-Meier7: ksi (KM) tai tuoteraja-menetelmäksi. KM: n eloonjäämisarvion pääoletus on, että sensuroidut havainnot kokevat tapahtuman, jos niitä seurataan riittävän pitkään.

tämän paperin loppuosassa annetaan tapahtuman todennäköisyydet sen sijaan, että se olisi vapaa tapahtumasta. Esimerkiksi selviytymistodennäköisyyden sijaan esitetään kuoleman todennäköisyys, joka voidaan arvioida km-estimaattorin komplementin avulla: 1-KM.

johdanto kilpaileviin riskeihin

ei ole harvinaista, että tutkimukseen osallistunut kokee useamman kuin yhdenlaisen tapahtuman. CR-tilanne tapahtuu, kun yhden tapahtumatyypin esiintyminen muuttaa kykyä havainnoida kiinnostavaa tapahtumaa. Miyasaka ym.8 teki tutkimuksen yhteisöpohjaisesta kohortista, jolla oli diagnosoitu eteisvärinä vuosina 1986-2000 Olmstedin piirikunnassa Minnesotassa Yhdysvalloissa. Ensisijainen tulos oli dementian puhkeaminen. Seurannan mediaani oli 4, 6 vuotta. Muita tapahtumia olivat aivoinfarkti ja kuolema. Eteisvärinää sairastavista 2837 henkilöstä 299 sairasti dementiaa ja 1638 kuoli analyysiin mennessä. Aivohalvauksen saaneita numeroita ei ilmoiteta ja ne sensuroidaan analyysissä. Tutkimuksen johtopäätös oli, että dementian esiintyvyys eteisvärinää sairastavilla on yleistä (10,5% 5 vuoden kohdalla KM-menetelmällä). Aivoinfarktin esiintyminen ennen dementiaa ei vaikuta dementian havainnointiin, eikä se siten ole CR-tapahtuma. Väittelyn vuoksi sivuutamme sen tosiasian, että useat halvaukset voivat aiheuttaa dementiaa. Toisaalta kuolema ilman aikaisempaa dementiaa tekee dementian havainnoinnin mahdottomaksi. Siksi kuolema ilman dementiaa on dementian päätetapahtuman CR-tapahtuma. Myös vakavaa päävammaa voidaan pitää CR-tapahtumana, sillä potilaan käyttäytymismuutokset saattavat tehdä dementian diagnosoinnin mahdottomaksi.

Whalley et al: n tekemässä tutkimuksessa esiintyy hienovaraisempi CR-tilanne.9 ekokardiografian tärkeydestä. Tälle 228 iäkkään oireisen potilaan kohortille tehtiin sydämen kaikukardiografia, ja sitä seurattiin joko sairaalahoidon tai sydän-ja verisuonitautikuoleman varalta. Hypoteesi oli, että kaikukardiografian ominaisuudet ennustavat sydän-ja verisuonitapahtumaa. Päätulos määriteltiin yhdisteltynä mittana, johon sisältyi kardiovaskulaarinen kuolema ja / tai sairaalahoito. Tämäntyyppisessä lopputuloksessa muista syistä kuin sydän-ja verisuonitaudeista johtuva kuolema on CR-tapahtuma, eikä potilaalla ole sen vuoksi enää vaaraa saada mitään kiinnostavaa tapahtumaa.

3-haaraisessa satunnaistetussa kaksoissokkotutkimuksessa, joka kattoi 931 keskusta ja 24 maata ja jossa testattiin valsartaanin ja pelkän valsartaanin+kaptopriilin ja pelkän kaptopriilin (VALIANT)10 vaikutusta kokonaiskuolleisuuteen. Yhteensä 14 703 sydäninfarktin jälkeistä potilasta, joilla oli vasemman kammion toimintahäiriö ja / tai sydämen vajaatoiminta, saavutti 1:1:1 3 hoitoryhmässä. Koska kuolemaa pidettiin tapahtumana, tämän tyyppisellä lopputuloksella ei ole CR. Tutkimus tuki hypoteesia, jonka mukaan eloonjääminen 3-haarassa oli erilaista. Maha-suolikanavan verenvuoto todettiin kuitenkin vakavaksi haittavaikutukseksi kaikissa 3 hoitoryhmässä. Moukarbel ym.11 tutki mahdollisia tekijöitä, jotka voisivat ennustaa GI verenvuotoa. Tässä päätetapahtumassa kuolema ilman ruoansulatuskanavan verenvuotoa on selvä CR.

yhä useammat tutkijat tunnistavat CR: n olemassaolon ja oikean tekniikan tarpeen. Núñez ym.tutkivat 972 potilaan kohorttia, joilla oli vuosina 2001-2005 akuutti koronaarioireyhtymä, jolla ei ollut ST-segmentin nousua.12 tutkimuksen yhtenä tavoitteena oli löytää akuuttiin sydämen vajaatoimintaan liittyviä tekijöitä, jotka liittyvät sairaalahoitoon. Tutkittuja tekijöitä olivat muun muassa diabetes, aiempi iskeeminen sydänsairaus, krooninen munuaisten vajaatoiminta, tupakointihistoria ja hoitohistoria. Kirjoittajat tunnistivat CR: n mahdollisuuden, kuten kuoleman ennen uudelleensairaalointia, ja soveltivat oikein erityisiä tekniikoita CR: n tilanteen huomioon ottamiseksi.

Melberg ym.13 tutkittiin 1234 oireista sepelvaltimotautia sairastavan potilaan kohorttia, joka sai 2 erilaista hoitoa.: sepelvaltimon ohitusleikkaus (n = 594) tai perkutaaninen sepelvaltimotoimenpide (n=640). Seurannan aikana havaituista 301 kuolemantapauksesta 42,5% oli sydänkuolemia ja loput ei-sydänkuolemia. Kirjoittajat esittävät tuloksia kaikista syistä johtuvasta kuolleisuudesta sekä sydänkuolleisuudesta ja noncardiac-kuolleisuudesta. He huomauttavat, että kaikista syistä aiheutuvan kuolleisuuden prosenttiosuus on sydänperäisen ja muun kuin sydänperäisen kuolleisuuden prosentuaalisen osuuden summa, joka on arvioitu oikein ottaen huomioon CR. Kirjoittajat korostavat, että on tärkeää analysoida jokainen kiinnostava tapahtuma sen sijaan, että ne yhdistettäisiin yleiseksi kuolevaisuudeksi. Mell ja Jeong selittävät tätä aihetta myös yleisemmällä tasolla.14

kuten edellä esitetyistä esimerkeistä voidaan päätellä, tärkein kysymys, kun CR on läsnä, on, jätetäänkö CR huomiotta ja sensuroidaanko CR: ää koskevat havainnot vai otetaanko CR huomioon. Kun CR jätetään huomioimatta ja CR: n havainnot sensuroidaan, analyysi pelkistyy ”tavanomaiseksi” aikaskenaarioksi. Koska tämäntyyppisen analyysin tuntemus ja ohjelmistojen saatavuus, monet tutkijat turvautuvat tähän lähestymistapaan, kuten aiemmissa esimerkeissä. Kuitenkin, se on yksimielisesti samaa mieltä paitsi tilastotiedon2, 15, 16, 17, 18 että estimointi todennäköisyys tapahtuman tässä tapauksessa yliarvioi todellinen todennäköisyys. Seuraava luonnollinen kysymys on, voidaanko mallinnus suorittaa näissä rajoissa (sivuuttaminen/CR: n sensurointi). Tämä on monitulkintaisempaa ja vaikeammin hahmotettavaa. Vaikka tällainen analyysi ei ehkä ole arvoton, sen tulkinta on lähes aina täynnä vaikeuksia. Tärkein vaatimus on, että CR-tapahtuman (jonka havainnot sensuroitiin ja sekoitettiin aitoihin sensuroituihin havaintoihin) on oltava riippumaton kiinnostavasta tapahtumasta. Jos näin on, niin tulokset voitiin tulkita kovariaattien vaikutukseksi, kun CR-tapahtumia ei ollut olemassa. Tätä oletusta ei kuitenkaan yleensä voida tehdä, eikä sitä voida todentaa tai testata. Johtopäätöksenä voidaan todeta, että aina kun CR-havaintoja sensuroidaan, tapahtuman todennäköisyyden arvio on virheellinen ja kovariaattien vaikutuksen tulkinta ei ole selvä, koska kiinnostuksen kohteen ja CR-tapahtuman välisestä riippumattomuudesta ei ole tietoa.

kun analyysi suoritetaan laskien CR: n (ja koodataan selvästi korkotapahtumasta tai sensuroinnista) todennäköisyys on oikein arvioitu ja mallinnus on suoraviivainen tulkinta. Mikään riippumattomuusoletus ei estä tulkintaa. Näin estimoitu kovariaatin kerroin kuvaa kyseisen kovariaatin vaikutusta havaittuihin todennäköisyyksiin.

useat tekijät19, 20 yrittivät verrata näitä kahta lähestymistapaa testien tehon suhteen simulaatioilla. Tutkijan on kuitenkin tiedostettava, että suurin ongelma on tulosten tulkinnassa. Riippumatta siitä, kuinka voimakkaita testit ovat, analyysin on vastattava tutkimuksen kysymykseen.

tapahtuman todennäköisyyden estimointi

on yleinen käytäntö soveltaa KM-menetelmää tapahtuman todennäköisyyden estimointiin. Tyypillinen kaava KM-estimaatille on

, missä t1t2t3ni edustaa riskipotilaiden lukumäärää ajankohtana ti ja di on tapahtumien lukumäärä ajankohtana ti.

tämä kaava voidaan muuntaa algebrallisella manipulaatiolla ilmaisemaan tapahtuman todennäköisyys seuraavasti:

CR: n läsnä ollessa on vähintään 2 erityyppistä tapahtumaa: alaindeksillä e yksilöity kiinnostava tapahtuma ja alaindeksillä c yksilöity kilpaileva riskitapahtuma. Kalbfleisch ja Prentice ottivat käyttöön kaavan, jonka mukaan CR: n läsnä ollessa kiinnostavan tapahtuman todennäköisyys:

on mielenkiintoista huomata suhde (1) ja (2). Koska di on kaikkien tapahtumien lukumäärä TI: ssä, se voidaan käsittää dei: n kiinnostavien tapahtumien lukumäärän ja CR: n tapahtumien dci: n lukumäärän summana ajanhetkellä ti. Sellaisenaan minkä tahansa tapahtumatyypin todennäköisyys voidaan hajottaa kuten:

näin kaikkien tapahtumien todennäköisyys voidaan hajottaa kunkin tapahtumatyypin todennäköisyyksissä.

jos 1-KM lasketaan kiinnostavan tapahtuman todennäköisyys CR: n läsnä ollessa, kaikkien tapahtumien eloonjääminen formula_2 korvataan KM: n estimaatilla, joka perustuu vain kiinnostaviin tapahtumiin. Tämä vääristää tuloksia, kuten myöhemmin osoitetaan. PÄÄOLETUS KM-menetelmän käytölle on, että sensuroidut potilaat, jos heitä seurataan tarpeeksi kauan, tulevat lopulta kokemaan tapahtuman. Km-menetelmää käytettäessä CR: n läsnä ollessa kuitenkin yleensä sensuroidaan potilaat, jotka kokevat muita tapahtumia kuin kiinnostavan tapahtuman, vaikka he eivät ole enää vaarassa kiinnostavan tapahtuman vuoksi. Myöskään kohteessa (3) nähtyä mukavaa hajoamista ei voida suorittaa 1 KM: n kaavalla.

soveltavissa tilanteissa on mahdollista, että on olemassa useita muunlaisia tapahtumia, jotka eivät kiinnosta. Tällöin kaikki voidaan ryhmitellä CR-tapahtumien sateenvarjon alle.

esimerkin avulla osoitetaan, että KM-menetelmän käyttö ei ole tarkoituksenmukaista CR: n läsnä ollessa.

esimerkin kuvaus

kuvituksena käytetään aineistoa, joka on kerätty Hodgkinin lymfooman hoidon myöhäisvaikutusten tutkimiseksi. Tärkein tulos on sairaalahoito sydänsairauksiin. Hodgkinin lymfooma on syöpätyyppi, jota esiintyy lähinnä nuorilla aikuisilla. Sen alkuvaiheessa se on lähes parannettavissa, 10 vuoden kokonaiselossaoloaika on 70%. Näin ollen näiden potilaiden kohortti on ihanteellinen tutkimaan hoidon pitkäaikaisia sivuvaikutuksia. Tässä käytetty aineisto on suuremman kohortin osajoukko, joka raportoidaan muualla. Tietoja muokataan myös palvelemaan tarkoituksiamme. Esimerkiksi yksinkertaisuuden vuoksi pidimme aineistossa vain potilaat, jotka saivat joko kemoterapiaa tai sädehoitoa, pois lukien yhdistelmähoitoa saaneet. CR: n (kuolema ilman sydämen sairaalahoitoa) määrän lisäämiseksi otimme mukaan potilaita kaikista vaiheista. Joitakin seuranta-ja kuolinpäiviä oli laskennallisesti. Koska aineistoon tehtiin muutoksia, analyysistä ei voida tehdä kliinisiä johtopäätöksiä. Tässä esitetyt tiedot viittaavat 689 tietueeseen, joissa on 93 sydänhoidollista ja 467 kuolemantapausta.

sairaalahoitoon joutuneiden sydänkuolemien ja ilman sydäntapahtumaa kuolleiden määrät lasketaan sekä KM-menetelmällä (1) että kumulatiivisella ilmaantuvuusfunktiolla (CIF), jonka Kalbfleisch ja Prentice21 ovat ottaneet käyttöön tätä tarkoitusta varten (2).

kilpailevaan Riskitilanteeseen sovellettu Kaplan-Meier-menetelmä yliarvioi tapahtuman todellisen esiintyvyyden

kuvassa 1 esitetään CIF-ja 1-KM-arviot sydänhoidosta vain solunsalpaajahoitoa saaneessa ryhmässä. 1 KM: n estimaatteja vastaava murtoviiva on CIF-estimaatteja edustavan kiinteän viivan yläpuolella. Matemaattisesti voidaan osoittaa, että 1-KM yliarvioi aina tapahtuman todennäköisyyden. Yleinen harhaluulo on, että 1 KM: n arviot ovat oikein, jos nämä kaksi tapahtumaa ovat toisistaan riippumattomia. Tapahtumien välinen riippumattomuus on aina parhaimmillaan kyseenalaista, mutta vaikka tiedot simuloidaan itsenäisiksi tapahtumiksi, ero CIF-estimaattien ja 1-KM: n välillä on olemassa. Eron suuruus riippuu sekä kiinnostavien tapahtumien että CR: n tapahtumien määrästä. In Miyasaka et al., 8 dementian esiintyvyys 5 vuoden kohdalla KM-menetelmällä oli 10,5%. CR: n (kuolleiden) määrä oli noin kolme neljäsosaa tapahtumien kokonaismäärästä, mikä viittaa siihen, että niiden arvio voi olla paljon suurempi kuin mitä on havaittu.

Kuva 1. Kumulatiivinen ilmaantuvuusfunktio vs 1-Kaplan-Meier estimaatit.. CIF, kumulatiivinen esiintyvyysfunktio; KM, Kaplan-Meier.

kumulatiivinen Ilmaantuvuusfunktio jakaa minkä tahansa tapahtuman (sairaalahoitoon joutumisen tai kuoleman) todennäköisyyden Osatekijätodennäköisyyksiin

algebrallisesti tämä on osoitettu kohdassa (3). Sen toiminnan syvempää ymmärtämistä varten esitetään kuitenkin graafisesti, että kaikkien tapahtumien todennäköisyydestä osa osallistuu CIF: ään yhden tapahtuman osalta ja toinen CIF: ään toisen tapahtuman osalta. Kuva 2a näyttää minkä tahansa tapahtuman todennäköisyyden: sydämen sairaalahoito tai kuolema ilman sydämen sairaalahoitoa. Kuvassa 2b on vain käyrä välillä 10,7-10.85 vuotta, niin että askeleet näkyvät. Jokaisella askeleella on ympyrä. Avoimet ympyrät näkyvät portaissa, joissa kuolema havaittiin, kun taas kiinteät ympyrät ovat portaissa, joissa sydämen sairaalahoito tapahtui. Vaiheet kiinteät ympyrät osallistuvat CIF sydämen sairaalahoitoa paneeli C ja ne, joilla on avoimet ympyrät osallistua käyrä kuoleman Kuvassa 2D.siten jokainen askel edistää todennäköisyys tapahtuma, joka aiheuttaa sen. Näin kaikkien tapahtumien todennäköisyys on missä tahansa vaiheessa kiinnostavan tapahtuman todennäköisyyden ja CR: n todennäköisyyden summa. Huomaa, että viimeiset 3 paneelit (Kuva 2b-D) osoittavat saman aikaikkunan ja on sama pituus y-akselin siten, että koko vaiheet voidaan verrata niiden välillä. Taulukossa 1 esitetään todennäköisyydet 1, 2, 3, 4 ja 5 vuotta.

kuva 2. Kaikkien tapahtumien todennäköisyyden jakaminen osatekijätodennäköisyyksiin. A. sydämen sairaalahoidon tai kuoleman todennäköisyys. B. sydämen sairaalahoidon tai kuoleman todennäköisyys vain aikaikkunan 10.70 – 10.85 vuotta. Kiinteät ympyrät kertovat sydämen sairaalahoidosta ja avoimet ympyrät kuvaavat kuolemia ilman sydämen sairaalahoitoa. C. sydämen sairaalahoidon todennäköisyys aikaikkunassa 10.70 -10.85 vuotta. D. kuoleman todennäköisyys ilman sydämen sairaalahoitoa aikaikkunassa 10.70-10.85.

Taulukko 1. Minkä tahansa tapahtuman todennäköisyys on Perustodennäköisyyksien summa.

koska 1 KM yliarvioi tapahtuman todennäköisyyden, jos yrittäisimme lisätä 1 KM: n arviot sydämen sairaalahoidosta 1 KM: n kuolemaan, saisimme paljon suuremman määrän kuin minkä tahansa tapahtuman todennäköisyys. Joissakin tapauksissa saatu luku on jopa suurempi kuin 1, mikä osoittaa, että CR: n läsnä ollessa 1 KM: n estimaatit eivät ole edes todennäköisyyksiä.

Estimoiko kumulatiivinen Insidenssifunktiomenetelmä tosiaan tapahtuman oikean todennäköisyyden?

tätä tarkoitusta varten simuloitiin 500 tietuetta käsittävä aineisto siten, että ennen 5 vuotta ei ole sensurointia ja tapahtumia on 2 tyyppiä: tyyppi 1 ja 2. Taulukossa 2 esitetään kunkin tapahtumatyypin osalta siihen mennessä havaittu lukumäärä, raakanopeus ja CIF-estimaatti, jotka ovat täsmälleen yhtä suuret. Tasa-arvo toteutuu vasta, kun siihen asti ei ole sensuroituja havaintoja. Kun läsnä on sensuroitu havaintoja sisällä raportoituja vuosia tasa-arvo ei pidä ja oikea tapa arvioida todennäköisyys on CIF eikä karkea korko.

Taulukko 2. Todennäköisyys kahden tyyppisiä tapahtumia, kun ei ole sensuroitu havaintoja enintään 5 vuotta.

CIF, kumulatiivinen ilmaantuvuusfunktio.

yhteenvetona voidaan todeta, että tapahtuman todennäköisyyden laskemiseksi CR: n läsnä ollessa on käytettävä kalbfleischin ja Prenticen esittelemää menetelmää, jota tavallisesti kutsutaan kumulatiiviseksi esiintyvyyskäyräksi.

mallintaminen

tärkeä näkökohta analyysissä on testata kovariaatin ja kiinnostavan tapahtuman välistä yhteyttä joko yksin tai muiden tekijöiden mukaan sovittaen. CR: n puuttuessa tämä tehdään rutiininomaisesti käyttämällä COX: n suhteellista vaarojen (Cox PH) mallia.22

CR: n läsnä ollessa Coxin PH-mallilla ei ole yksinkertaista tulkintaa. Jos 2-tyyppisten tapahtumien aikaa voidaan pitää itsenäisenä, tulosten voidaan tulkita osoittavan vaikutuksen tilanteessa, jossa CR: ää ei ole. Riippumattomuusoletusta voidaan kuitenkin harvoin tehdä tai testata, joten Cox PH-mallin tulokset eivät yleensä ole tulkittavissa.

hieno ja harmaa malli

hieno ja Gray6 (F&G) muokkasi Cox PH-mallia CR: n esiintymisen mahdollistamiseksi. Teknisessä muutoksessa CR: n havainnot pidetään riskijoukossa pienenevällä painolla. Tällä tavoin F&G-menetelmä mallintaa alijakautumisvaarat. F&G-mallin avulla arvioitu vaikutus osoittaa hoitoryhmien väliset nykyiset ja todelliset erot alijakautumisen vaarasuhteissa. Vaarojen oikeasuhteisuuden olettaminen on edelleen vaatimus, mutta se koskee tietenkin alijakautumisvaaroja. Malliin F&G voidaan sisällyttää ajasta riippuvia kertoimia mallintamaan vaarojen epäsproporatiivisuutta. Tätä mallia voidaan soveltaa sekä kiinnostavaan tapahtumaan (sydämen sairaalahoitoon) että CR: ään (kuolemaan).

Cox PH ja F& G-malleja sovellettiin Hodgkinin lymfooman aineistoon, jotta voitiin testata hoitovaihtoehto kemoterapia vs sädehoito. Tässä esimerkissä (Taulukko 3) Cox PH-ja F&G-mallien tulokset eroavat toisistaan huomattavasti (2 ensimmäistä riviä). Kuten edellä mainittiin, Cox PH-tuloksia ei voida tulkita eikä niitä voida käyttää. Toinen rivi osoittaa, että sädehoitoryhmässä on enemmän sydänsairaaloita ja kolmas rivi osoittaa enemmän kuolemia kemoterapiaryhmässä. Kuvassa 3 esitetään tulokset graafisesti. On mahdollista, että pelkkää kemoterapiaa annettiin potilaille, joiden sairaus oli edennyt pidemmälle, ja nämä potilaat myös menehtyivät todennäköisemmin syöpään. Toisaalta pelkkää sädehoitoa annettiin todennäköisesti jo varhaisessa vaiheessa potilaille, jotka elivät pidempään Hodgkinin lymfoomadiagnoosin jälkeen. Näillä potilailla oli enemmän mahdollisuus saada myöhäisiä haittavaikutuksia, kuten sydänsairaus.

Taulukko 3. Hoidon vaikutus, kun käytetään Coxin suhteellisia vaaroja ja hienoja ja harmaita malleja.

CI, luottamusväli; Cox PH, COX: n suhteellinen vaarojen Malli; F&G, hieno ja harmaa malli; HR, riskisuhde.
riskisuhteet osoittavat säteilyryhmään kohdistuvien vaarojen lisääntyneen verrattuna solunsalpaajaryhmään.

kuva 3. Hoidon vaikutus sydämen sairaalahoitoon ja kuolemaan.

kuten tästä esimerkistä käy ilmi, tulosten tulkinta on tilastotieteilijän ja sairauden perusteellisesti tuntevan lääkärin yhteistyötä.

CR: n esiintyminen vaikeuttaa sekä tietojen analysointia että tulkintaa. Jotta lukija voi tulkita tuloksia oikein, kirjoittajien on sisällytettävä tiedot havaituista tapahtumista, vaikka ne eivät ensi näkemältä vaikuttaisikaan tärkeiltä. Siksi, kun päätetapahtuma havaitaan ajan kuluessa, tekijöiden on sisällytettävä mukaan kiinnostava tapahtuma, onko CR: n mahdollisuus, kuinka moni potilas kokee tämäntyyppisiä tapahtumia ja seurannan kesto. CR: n läsnä ollessa on informatiivista sisällyttää analyysiin kiinnostava tapahtuma sekä CR: n analyysi, koska ne täydentävät toisiaan ja voivat auttaa tulosten tulkinnassa.

logistinen lähestymistapa

olettakaamme ensin, että olemme no CR: n puitteissa. Kun tulos odotetaan tapahtuvan lyhyen aikavälin (esim. 1 vuosi), työkalu valinta monille tutkijoille on logistinen regressio. Tämä on asianmukaista, jos jokaisella kohortin yksilöllä on vähimmäisseuranta, tässä tapauksessa 1 vuosi. Itse asiassa arvio 1 vuoden kuolleisuudesta vastaa arviota 1 KM. Aikarajan katkaisupisteen on oltava sama jokaiselle kohortin yksilölle. Siksi, jos kiinnostuksen tulos on 1 vuoden kuolleisuus ja 1 henkilö kohortista kuolee 1 vuoden ja 2 päivän iässä, kyseinen henkilö olisi katsottava ”ei tapahtumaa 1 vuoden kohdalla.”Tämä voi vähentää tapahtumien määrää, mikä johtaa vähemmän kuin ihanteellinen analyysi, kun monet havaitut tapahtumat tapahtuvat cut-off-pisteen jälkeen.

samat perussäännöt pätevät, kun CR on läsnä. Kaikilla kohortin yksilöillä on oltava vähimmäisseuranta, joka on valittu ajan katkaisupisteeksi, ja tätä raja-arvoa on sovellettava kaikkiin kohortin henkilöihin. Kertoimet ja p-arvot antavat yleensä saman viestin, mutta eivät ole logistisessa regressiossa täsmälleen samat verrattuna malliin F&G. Ensinnäkin logistisessa regressiossa kerroin edustaa kerroinsuhteen logia, kun taas F&G-mallissa se on alijakaumien vaarojen suhteen log. Lisäksi logistisessa analyysissä ei käytetä kaikkia tapahtumia ja käytetään tietysti erilaista mallia.

TEHOLASKENTA

kun mitta on aika-tapahtuma, teholaskennassa on kaksi vaihetta. Ensimmäinen vaihe on laskea, kuinka monta tapahtumaa tarvitaan tietyn vaikutuskoon havaitsemiseksi. Seuraavaksi lasketaan niiden potilaiden määrä, joita tarvitaan tapahtumien lukumäärän tarkkailuun. Edellisissä jaksoissa korostettiin, että CR: n esiintyessä ei ole mahdollista havaita kaikkia CR: n esiintymisestä johtuvia kiinnostavia tapahtumia. Koska tapahtumien määrä on keskeinen tekijä tehon laskennassa, on erityisen huolellisesti varmistettava, että CR otetaan huomioon. Jos op: ta ei oteta huomioon, tutkimus jää alivoimaiseksi ja siten todennäköisesti tuloksettomaksi (ja mahdollisesti epäeettiseksi).

ohjelmisto

avoimen lähdekoodin R-ohjelmisto CRAN (the Comprehensive R Archive Network) – sivustolla (http://cran.r-project.org/) tarjoaa Dr. Robert Gray sisältää tarvittavat työkalut CR: n täydelliseen analyysiin. Näin voitiin saada havainnoidut todennäköisyyslaskelmat kiinnostavalle tapahtumalle ja p-arvo Grayn testin perusteella, joka on muunneltu LOGRANK-testi CR-tilanteelle. Pakkauksessa on myös funktio mallintamiseen käyttäen F&G-lähestymistapaa. Luca Scruca paransi mallinnustoiminnon ulostulotoimintoa, jotta se olisi helpompi lukea sisällyttämällä pakettiin yhteenvetotoiminnon. Mallissa on mahdollisuus tarkistaa vaarojen oikeasuhteisuus, ja termit ajasta riippuvaisille kertoimille voidaan sisällyttää. Koodi ei mahdu vasemmalle katkaisu-tai klusteritietoihin. Vasen katkaisu olisi hyödyllinen useiden / toistuvien tapahtumien analysoinnissa potilasta kohti tai tapauskohortin analysoinnissa. Tapauskohorttitutkimuksille kehitettiin koodi (Pintilie et al.23) ja sen voi saada kirjoittajilta. Zhou ym.24 laajensi F&G-mallia ositetuille tiedoille, ja siitä on myös versio klusteritietoja varten. Tässä vaiheessa koodi voidaan saada tekijöiltä molempiin tapauksiin, mutta on todennäköistä, että se toimitetaan CRANILLE.

STATA 11 on hiljattain ottanut käyttöön F&G-mallin. Yksi on oltava tietoinen siitä, että kaaviot saatu STATA ovat ennustavia sijaan havaittu todennäköisyyskäyrät. Ennustettuja käyriä käytettäessä on kaksi varoitusta: a) viivat näkyvät aina ikään kuin vaarojen suhteellisuus täyttyisi, ja b) askelten määrä kussakin käyrässä on suurempi kuin tapahtumien määrä kussakin alaryhmässä, mikä antaa vaikutelman, että tapahtumia on enemmän kuin todellisuudessa on.

päätelmät

useiden päätetapahtumien täydellistä seurantaa sisältävien laajojen tietokokonaisuuksien saatavuus kasvaa jatkuvasti. Lisäksi tarvitaan yhä enemmän analyyseja, jotka koskevat tarkkaa päätetapahtumaa, kuten sydämen vajaatoiminnasta johtuvaa kuolemaa tai taudin torjuntaa tai paikallisen sairauden torjuntaa. Kaikilla näillä päätepisteillä voi mahdollisesti olla CR. Siksi on tärkeää, että CR otetaan huomioon suunnitteluvaiheesta tulosten tulkintaan. Vaikka Coxin PH-mallilla voi olla rajallinen arvo riippumattomuutta tarkasteltaessa, KM-arviot eivät ole oikeita eikä niitä voi tulkita. Näin ollen on sovellettava erityistekniikoita, kuten CIF-ja F&G-malleja, jotka on annettu saataville R: nä ja osittain STATANA.

eturistiriidat

Ei ilmoitettu.