En Introduksjon Til Konkurrerende Risikoanalyse / Revista Españ De Cardiologí (engelsk Utgave)

INTRODUKSJON

Konkurrerende risiko (CR) har blitt anerkjent som et spesielt tilfelle av time-to-event analyse siden det 18.århundre. Av og til arbeid i statistisk eller matematisk området har blitt publisert innlemme nye utbygginger, inkludert monografi Av David Og Moeschberger.1 etter hvert som dataene ble mer omfattende, klare og presise med hensyn til de ulike typer utfall, ble CR resurfaced som en viktig type analyse innen time-to-event analyse, nødvendig for en bedre forståelse av en sykdom. Sammenhengen mellom de matematiske resultatene og det anvendte feltet måtte gjøres. Flere forfattere har bidratt til forståelsen AV CR situasjoner.2, 3 andre forfattere forbedret og utviklet teknikker og i noen tilfeller gjort tilgjengelig bruksklar datakode for anvendt statistikk.4, 5, 6

INTRODUKSJON til TIME-TO-EVENT ANALYSE

i mange studier er utfallet observert i lengderetningen. På denne måten observeres hvert emne i kohorten i en periode til hendelsen oppstår. For eksempel kan hendelsen av interesse være død, hjerteinfarkt eller kreft tilbakefall. Målet med studien kan være å estimere sannsynligheten for hendelsen forekomst eller dens tilknytning til kovariater av interesse som behandling eller fagegenskaper. Den statistiske analysen som brukes kalles time-to-event analyse eller noen ganger overlevelsesanalyse. Den vanligste metoden for å estimere sannsynligheten for en hendelse er en ikke-parametrisk tilnærming som vanligvis kalles Kaplan-Meier7 (KM) eller produktgrensemetoden. HOVEDFORUTSETNINGEN FOR KM-estimeringen for overlevelse er at de sensurerte observasjonene vil oppleve hendelsen hvis de følges lenge nok.

for resten av denne artikkelen vil sannsynlighetene for hendelsen bli gitt i stedet for sannsynligheten for fri-of-event. For eksempel, i stedet for sannsynlighet for overlevelse, vil sannsynligheten for død bli presentert, som kan estimeres ved hjelp AV KM estimatorens komplement: 1-KM.

INTRODUKSJON til KONKURRERENDE RISIKOER

det er ikke uvanlig at en deltaker i en studie opplever mer enn en type hendelse. EN CR-situasjon skjer når forekomsten av en type hendelse endrer evnen til å observere hendelsen av interesse. Miyasaka et al.8 gjennomført en studie på en samfunnsbasert kohort av pasienter diagnostisert med atrieflimmer mellom 1986 og 2000 I Olmsted County, Minnesota, Usa. Det primære utfallet var utbruddet av demens. Median oppfølgingstid var 4,6 år. Andre typer hendelser var slag og død. Av de 2837 personene med atrieflimmer hadde 299 demens og 1638 døde ved analysetidspunktet. Tallene med slag er ikke rapportert og er sensurert i analysen. Konklusjonen av studien var at forekomsten av demens blant personer med atrieflimmer er vanlig (10,5% ved 5 år ved BRUK AV KM-metoden). Forekomsten av slag før demens påvirker ikke observasjonen av demens, og dermed er det ikke EN CR-hendelse. For argumentets skyld ignorerer vi det faktum at flere slag kan forårsake demens. På den annen side gjør en død uten tidligere demens observasjon av demens umulig. Derfor er en død uten demens EN CR-hendelse for endepunktet demens. Også en alvorlig hodeskade kan betraktes SOM EN CR hendelse siden atferdsendringer av pasienten kan gjøre diagnosen demens umulig.

en mer subtil CR-situasjon oppstår i studien utført Av Whalley et al.9 av betydningen av ekkokardiografi. Denne kohorten av 228 eldre symptomatiske pasienter gjennomgikk ekkokardiografi og ble fulgt for enten kardiovaskulær sykehusinnleggelse eller kardiovaskulær død. Hypotesen var at ekkokardiografifunksjonene forutsier for kardiovaskulær hendelse. Hovedresultatet ble definert som det sammensatte tiltaket inkludert kardiovaskulær død og / eller sykehusinnleggelse. For denne typen utfall er en død på grunn av andre årsaker enn kardiovaskulær sykdom EN CR-hendelse, og som sådan er en pasient ikke lenger i fare for å ha noen av hendelsene av interesse.

en 3-arm, dobbeltblind, randomisert studie ble gjennomført i 931 sentre og 24 land for å teste effekten av valsartan vs valsartan + kaptopril vs kaptopril alene (VALIANT)10 på mortalitet uansett årsak. Totalt 14 703 post-hjerteinfarkt pasienter med venstre ventrikkel dysfunksjon og/eller hjertesvikt påløpt 1: 1: 1 i 3-armene. Siden noen død ble ansett som en hendelse, har DENNE typen utfall IKKE CR. Studien støttet hypotesen om at overlevelse i 3-armene var annerledes. Gastrointestinal (GI) blødning ble imidlertid identifisert som en alvorlig bivirkning i alle 3 armene. Moukarbel et al.11 studerte mulige faktorer som kunne forutsi GI-blødning. For dette endepunktet er død uten GI-blødning en klar CR.

et økende antall forskere anerkjenner TILSTEDEVÆRELSEN AV CR og behovet for riktige teknikker som skal brukes. En kohort av 972 pasienter med akutt koronarsyndrom uten st-segment elevasjon mellom 2001 og 2005 ble studert Av Núñ Et al.12 et av målene med studien var å finne faktorer knyttet til rehospitalisering for akutt hjertesvikt. Blant de studerte faktorene var diabetes, tidligere historie med iskemisk hjertesykdom, kronisk nyresvikt, røykehistorie og behandlingshistorie. Forfatterne anerkjente muligheten FOR CR som død før rehospitalisering og korrekt anvendte spesifikke teknikker for å ta hensyn til CR-situasjonen.

Melberg et al.13 studerte en kohort av 1234 pasienter med symptomatisk koronararteriesykdom som fikk 2 typer behandlinger: koronar bypass pode (n=594) eller perkutan koronar intervensjon (n=640). Av de 301 dødsfallene som ble observert under oppfølgingen, var 42,5% hjertedød og resten var ikke-kardiale dødsfall. Forfatterne presenterer resultater for dødelighet av alle årsaker, så vel som for hjertedødelighet og ikke-hjertedødelighet. De påpeker at prosentandelen for allårsaksdødelighet er summen av prosentandelen av hjerte-og ikke-hjertedødelighet korrekt estimert med HENSYN TIL CR. Forfatterne understreker viktigheten av å analysere hver av hendelsene av interesse i stedet for å kombinere dem til en total dødelighet. Dette emnet er også forklart på et mer generelt nivå Av Mell Og Jeong.14

som det kan antas av eksemplene ovenfor, er hovedspørsmålet når CR er til stede, om man skal ignorere CR og sensurere observasjonene som involverer CR eller å redegjøre FOR CR. Når CR ignoreres og cr-observasjonene blir sensurert, reduseres analysen til et» vanlig » time-to-event scenario. På grunn av kjennskap til denne type analyse og tilgjengeligheten av programvare, mange forskere ty til denne tilnærmingen, som vist i de tidligere eksemplene. Det er imidlertid enstemmig avtalt ikke bare blant statistikere2, 15, 16, 17, 18 at estimeringen av sannsynligheten for hendelse i dette tilfellet overvurderer den sanne sannsynligheten. Det neste naturlige spørsmålet er om modelleringen kan utføres innenfor disse grensene (ignorerer/sensurerer CR). Dette er mer tvetydig og vanskeligere å forstå. Selv om en slik analyse kanskje ikke er uten verdi, er tolkningen nesten alltid full av vanskeligheter. Hovedkravet er AT CR-hendelsen (hvis observasjoner ble sensurert og blandet med de sanne sensurerte observasjonene) må være uavhengig av hendelsen av interesse. Hvis dette er tilfelle, kan resultatene tolkes som effekten av kovariater når CR-hendelsene ikke eksisterte. Denne antakelsen kan imidlertid vanligvis ikke gjøres og kan ikke verifiseres eller testes. For å konkludere, hver gang CR-observasjonene blir sensurert, er estimeringen av sannsynligheten for hendelse feil, og tolkningen av effekten av kovariater er ikke klar på grunn av mangel på kunnskap om uavhengigheten mellom hendelsen av interesse og CR-hendelse.

når analysen utføres regnskap FOR CR (og kodet tydelig fra hendelsen av interesse eller sensur), er sannsynligheten korrekt estimert og modelleringen har en enkel tolkning. Det er ingen antagelse om uavhengighet for å hindre tolkningen. Koeffisienten til en kovariat slik estimert representerer effekten av kovariatet på de observerte sannsynlighetene.

Flere forfattere19, 20 forsøkte å sammenligne de to tilnærmingene med hensyn til kraften i testene ved hjelp av simuleringer. Forskeren må imidlertid være oppmerksom på at hovedproblemet er i tolkningen av resultatene. Uansett hvor kraftig testene er, må analysen svare på spørsmålet om studien.

ESTIMERING AV SANNSYNLIGHET for HENDELSE

DET er vanlig praksis å bruke KM-metoden for å estimere sannsynligheten for en hendelse. Den typiske formelen FOR KM estimatet er

, hvor t1t2t3ni representerer antall pasienter med risiko ved tid ti og di er antall hendelser ved tid ti.

denne formelen kan transformeres gjennom algebraisk manipulasjon for å uttrykke sannsynligheten for hendelse som:

i NÆRVÆR AV CR er det minst 2 typer hendelser: hendelse av interesse, identifisert med subscript e, og den konkurrerende risikohendelsen, identifisert med subscript c. Kalbfleisch Og Prentice introduserte formelen for sannsynligheten for en hendelse av interesse i nærvær AV CR:

det er interessant å merke seg forholdet mellom (1) og (2). Siden di er antallet av alle hendelser på ti, kan det bli oppfattet som summen av antall hendelser av interesse dei og antall cr hendelser dci på tidspunktet ti. Som sådan kan sannsynligheten for enhver type hendelse dekomponeres som:

dermed kan sannsynligheten for alle hendelser brytes ned i sannsynlighetene for hver type hendelse.

hvis 1-KM brukes til å beregne sannsynligheten for en hendelse av interesse i NÆRVÆR AV CR, blir overlevelse av alle hendelser i formel (2) erstattet AV KM-estimatet basert på hendelser av interesse. Dette vil forstyrre resultatene, som det vil bli vist senere. Hovedforutsetningen for BRUK AV KM-metoden er at de sensurerte pasientene, hvis de følges lenge nok, til slutt vil oppleve hendelsen. MEN NÅR KM-metoden brukes i NÆRVÆR AV CR, blir pasientene som opplever andre hendelser enn interessehendelsen vanligvis sensurert, selv om de ikke lenger er i fare for interessehendelsen. Videre kan den fine dekomponeringen sett i (3) ikke utføres for 1-KM-formelen.

i anvendte situasjoner er det mulig at det finnes flere andre typer hendelser som ikke er av interesse. I dette tilfellet kan alle grupperes under paraplyen AV CR-hendelser.

det vil bli vist gjennom et eksempel at BRUKEN AV KM-metoden ikke er hensiktsmessig i NÆRVÆR AV CR.

Beskrivelse Av Eksemplet

et datasett samlet for å studere senvirkninger av Behandlingen For Hodgkin lymfom vil bli brukt til illustrasjon. Hovedresultatet er sykehusinnleggelse for hjertesykdom. Hodgkin lymfom Er en type kreft som vises mest i unge voksne. I sine tidlige stadier er det nesten herdbart, med 10 års total overlevelse på 70%. Dermed er en kohort av disse pasientene ideell for å studere de langsiktige bivirkningene av behandlingen. Datasettet som brukes her er en delmengde av en større kohort som vil bli rapportert andre steder. Dataene endres også for å tjene våre formål. For eksempel, for enkelhet, holdt vi i dataene bare pasienter som hadde enten kjemoterapi eller stråling, unntatt de med kombinert behandling. For å øke frekvensen AV CR (død uten hjerte sykehusinnleggelse), inkluderte vi pasienter i alle stadier. Noen oppfølgings-og dødsdatoer ble beregnet. På grunn av endringene som ble gjort i dataene, kan ingen kliniske konklusjoner trekkes fra denne analysen. Dataene som presenteres her refererer til 689 poster med 93 hjertehospitaliseringer og 467 dødsfall.

ratene for hjerteinnleggelse og død uten hjertehendelse vil bli beregnet ved BRUK av BÅDE KM-metoden (1) og den kumulative insidensfunksjonen (cif) Introdusert Av Kalbfleisch Og Prentice21 for dette formålet (2).

Kaplan-Meier-Metoden Anvendt på En Konkurrerende Risikosituasjon Overvurderer Den Sanne Frekvensen Av Hendelsen

Figur 1 presenterer cif-og 1-KM-estimatene for hjerteinnleggelse av gruppen som kun ble behandlet med kjemoterapi. Den ødelagte linjen som tilsvarer 1 KM estimatene er over den faste linjen som representerer cif-estimatene. Det kan vises matematisk at 1 KM alltid overvurderer sannsynligheten for hendelsen. En vanlig misforståelse er at 1 KM estimater er riktige hvis de to hendelsene er uavhengige. Uavhengigheten mellom hendelser er alltid tvilsom i beste fall, men selv når dataene simuleres som uavhengige hendelser, eksisterer forskjellen MELLOM cif-estimatene og 1-KM. Størrelsen på forskjellen avhenger av antall hendelser, både for hendelser av interesse og CR hendelser. I Miyasaka et al., 8 forekomsten av demens ved 5 år ved BRUK AV KM-metoden var 10,5%. ANTALL CR (dødsfall) var omtrent tre fjerdedeler av det totale antall hendelser, noe som tyder på at deres estimat kan være mye større enn det som observeres.

Figur 1. Kumulativ insidensfunksjon vs 1-Kaplan-Meier estimater.. Cif, kumulativ insidensfunksjon; KM, Kaplan-Meier.

Den Kumulative Insidensfunksjonen Fordeler Sannsynligheten For En Hendelse (Sykehusinnleggelse I Hjerte eller Død) Inn I De Konstituerende Sannsynlighetene

Algebraisk dette er påvist i (3). Men for en dypere forståelse av hvordan det fungerer, vil det bli vist grafisk at fra sannsynligheten for alle hendelser deltar en del TIL CIF for en hendelse og den andre TIL CIF for den andre hendelsen. Figur 2a viser sannsynligheten for enhver hendelse: hjerteinnleggelse eller død uten hjerteinnleggelse. Figur 2b inneholder bare kurven mellom 10,7 og 10.85 år, slik at trinnene er synlige. På hvert trinn er det en sirkel. De åpne sirklene vises på trinnene der en død ble observert mens de faste sirklene er på trinnene der en hjertesykehusinnleggelse oppstod. Trinnene med faste sirkler deltar I CIF for hjerteinnleggelse I panel C, og de med åpne sirkler deltar i kurven for død I Figur 2d. dermed vil hvert trinn bidra til sannsynligheten for hendelsen som forårsaker den. På denne måten er sannsynligheten for alle hendelser til enhver tid summen av sannsynligheten for hendelsen av interesse og sannsynligheten FOR CR. Merk at de siste 3 panelene (Figur 2b-D) viser samme tidsvindu og har samme lengde for y-aksen slik at trinnets størrelse kan sammenlignes mellom dem. Tabell 1 viser disse sannsynlighetene ved 1, 2, 3, 4 og 5 år.

Figur 2. Partisjonen av sannsynligheten for alle hendelser i de sammensatte sannsynlighetene. A. sannsynligheten for hjerte sykehusinnleggelse eller død. B. sannsynligheten for hjerte sykehusinnleggelse eller død bare for vinduet tid 10,70-10,85 år. De faste sirklene indikerer hjertesykehusinnleggelse og de åpne sirklene representerer dødsfall uten hjertesykehusinnleggelse. C. sannsynligheten for hjerte sykehusinnleggelse i vinduet tid 10,70 -10,85 år. D. sannsynligheten for død uten hjerte sykehusinnleggelse i vinduet tid 10.70-10.85.

Tabell 1. Sannsynligheten For En Hendelse Er Summen Av Bestanddelene.

fordi 1-KM overvurderer sannsynligheten for en hendelse, hvis vi prøvde å legge til 1-KM estimatene for hjertesykehusinnleggelse til 1-KM for døden, ville vi få en mye høyere rente enn sannsynligheten for enhver hendelse. I noen tilfeller er tallet som er oppnådd enda større enn 1, noe som viser AT I NÆRVÆR AV CR ER 1-KM estimater ikke engang sannsynligheter.

Estimerer Den Kumulative Insidensfunksjonsmetoden faktisk Den Riktige Sannsynligheten for Hendelse?

til dette formål ble et datasett på 500 poster simulert slik at det ikke er sensurering før 5 år, og det er 2 typer hendelser: type 1 og 2. Tabell 2 viser for hver type hendelse antall observert opp til det tidspunkt, råolje rate, OG cif estimat, som er nøyaktig like. Likestilling skjer bare når det ikke er noen sensurerte observasjoner frem til det tidspunktet. I nærvær av sensurerte observasjoner innen de rapporterte årene holder likestillingen ikke, og den riktige måten å estimere sannsynligheten er CIF og ikke råfrekvensen.

Tabell 2. Sannsynligheten For De To Typer Hendelser Når Det Ikke Er Noen Sensurerte Observasjoner Opp til 5 År.

cif, kumulativ insidensfunksjon.

til slutt, for å beregne sannsynligheten for hendelse i NÆRVÆR AV CR, må man bruke metoden introdusert Av Kalbfleisch og Prentice, vanligvis kalt kumulativ forekomstkurve.

MODELLERING

et viktig aspekt i en analyse er å teste sammenhengen mellom et kovariat og hendelsen av interesse, enten alene eller justere for andre faktorer. I fravær AV CR oppnås dette rutinemessig ved Bruk Av cox proportional hazards (Cox PH) – modellen.22

i nærvær AV CR Har Cox PH-modellen ikke en enkel tolkning. Hvis tiden til 2 typer hendelser kan betraktes som uavhengig, kan resultatene tolkes som å vise effekten i situasjonen NÅR CR ikke eksisterer. Antagelsen om uavhengighet kan imidlertid sjelden gjøres eller testes, og resultatene fra Cox PH-modellen er derfor vanligvis ikke tolkbare.

Fin Og Grå Modell

Fin Og Grå6 (F&G) endret Cox PH-modellen for å tillate TILSTEDEVÆRELSE AV CR. Den tekniske modifikasjonen består i å holde CR-observasjonene i risikosettet med en avtagende vekt. På Denne måten modellerer f &G-metoden deldistribueringsfarene. Effekten estimert Ved Bruk Av f&G-modellen viser nåværende og reelle forskjeller mellom behandlingsgruppene når det gjelder risikoforhold for subdistribusjon. Forutsetningen om forholdsmessighet av farer er fortsatt et krav, men selvfølgelig refererer det til underfordelingsfarene. F & g-modellen kan romme tidsavhengige koeffisienter for å modellere nonproportionality av farer. Denne modellen kan brukes på både hendelsen av interesse (hjerte sykehusinnleggelse) eller CR (død).

cox PH-og F&g-modellene ble brukt På Hodgkins lymfomdatasett for å teste behandlingsalternativet kjemoterapi vs stråling. For dette eksemplet (Tabell 3) varierer resultatene fra Cox PH OG f&G-modellene vesentlig (første 2 rader). Som nevnt ovenfor Er Cox PH-resultatene ikke tolkbare og kan ikke brukes. Den andre raden viser at det er flere hjertehospitaliseringer blant strålingsgruppen, og den tredje raden viser flere dødsfall blant kjemoterapigruppen. Figur 3 viser disse resultatene grafisk. Det er mulig at kjemoterapi alene ble gitt til pasienter med mer avansert sykdom, og disse pasientene var også mer sannsynlig å dø av kreft. På den annen side ble stråling alene trolig gitt til pasienter på et tidlig stadium som levde lenger etter Hodgkins lymfomdiagnose. Disse pasientene hadde mer sjanse til å utvikle sent bivirkninger som hjertesykdom.

Tabell 3. Effekten Av Behandlingen Når Cox Proporsjonale Farer Og Fine Og Grå Modeller Er Ansatt.

KI, konfidensintervall; Cox PH, cox proporsjonal risikomodell; F & G, Fin og Grå modell; HR, hazard ratio.
fareforholdene viser økningen av farene for strålingsgruppen sammenlignet med kjemoterapigruppen.

Figur 3. Effekten av behandlingen for hjerte sykehusinnleggelse og for død.

som det fremgår av dette eksemplet, er tolkningen av resultatene et samarbeid mellom statistikeren og klinikeren som har inngående kjennskap til sykdommen.

TILSTEDEVÆRELSEN AV CR kompliserer både analysen og tolkningen av data. For å tillate leseren å tolke resultatene riktig, må forfatterne inkludere detaljer om de observerte hendelsene, selv om de kanskje ikke virker viktige ved første blikk. Derfor, når endepunktet observeres over tid, må forfatterne inkludere hendelsen av interesse, om det er mulighet for CR, hvor mange pasienter opplever noen av disse typer hendelser og varigheten av oppfølgingen. I NÆRVÆR AV CR er det informativt å inkludere analysen for hendelsen av interesse, samt analysen for CR, da de utfyller hverandre og kan bidra til å tolke resultatene.

Den Logistiske Tilnærmingen

la oss først anta at vi er innenfor rammen av INGEN CR. 1 år), er verktøyet for valg for mange forskere logistisk regresjon. Dette er aktuelt dersom hver enkelt i kohorten har minimumsoppfølging, i dette tilfellet 1 år. Faktisk estimatet for 1-års dødelighet vil falle sammen med estimatet av 1-KM. Tidsavgrensningspunktet må være det samme for hvert individ i kohorten. Derfor, hvis utfallet av interesse er 1-års dødelighet og 1 person i kohorten dør på 1 år og 2 dager, at personen skal anses som » ingen hendelse på 1 år.»Dette kan redusere antall hendelser, noe som betyr en mindre enn ideell analyse når mange observerte hendelser oppstår etter avskjæringspunktet.

de samme grunnleggende reglene gjelder når CR er til stede. Alle individer i kohorten må ha minimumsoppfølging valgt som tidsavgrensningspunkt, og dette må gjelde for alle i kohorten. Koeffisientene og p-verdiene vil generelt gi samme melding, men vil ikke være nøyaktig den samme for logistisk regresjon sammenlignet Med f &G-modellen. Først av alt, i logistisk regresjon, representerer koeffisienten loggen for oddsforholdet, mens I F & G-modellen er det loggen for forholdet mellom farefordelingene. I tillegg brukes ikke alle hendelser i logistisk analyse, og selvfølgelig brukes en annen modell.

STRØMBEREGNING

når målet er time-to-event, har strømberegningen to trinn. Det første trinnet er å beregne antall hendelser som trengs for å oppdage en bestemt effektstørrelse. Deretter beregnes antall pasienter som trengs for å observere at antall hendelser beregnes. Det ble understreket i de foregående avsnittene at NÅR CR er til stede, er det ikke mulig å observere alle hendelser av interesse på grunn av FOREKOMSTEN AV CR. Siden antall hendelser er sentralt i beregningen av kraft, må det tas ekstra forsiktighet for å sikre AT CR tas i betraktning. Hvis CR ikke vurderes, vil studien bli underpowered og derfor sannsynligvis mislykket (og muligens uetisk).

PROGRAMVARE

open source r-programvaren PÅ CRAN (Det Omfattende R Archive Network) nettstedet (http://cran.r-project.org/) tilbyr en pakke (cmprsk) implementert Av Dr. Robert Gray inneholder de nodvendige verktoyene for en komplett analyse regnskap FOR CR. Dermed kan man oppnå observerte sannsynlighetsplott for hendelsen av interesse og en p-verdi basert På Grays test, som er en modifisert logrank-test for CR-situasjon. Innenfor pakken er det også en funksjon for modellering ved Hjelp Av f &G-tilnærmingen. Luca Scruca forbedret utdata levering av modellering funksjon for en enklere lese ved å innlemme i pakken en oppsummering type funksjon. Modellen har mulighet til å kontrollere forholdsmessigheten av farer, og vilkår for tidsavhengige koeffisienter kan inkluderes. Koden har ikke plass til venstre avkorting eller klyngedata. Venstre avkorting vil være nyttig for analyse av flere / tilbakevendende hendelser per pasient eller for analyse av kasus kohort. En kode for case-kohortstudier ble utviklet (Pintilie et al.23) og kan fås fra forfatterne. Zhou et al.24 utvidet F & g-modellen for å imøtekomme stratifiserte data og vil også ha en versjon for klyngedata. På dette punktet koden kan fås fra forfatterne for begge tilfeller, men det er sannsynlig at det vil bli sendt TIL CRAN.

STATA 11 har nylig implementert F &G-modellen. Man må være oppmerksom på at grafene som er oppnådd ved HJELP AV STATA, er prediktive snarere enn observerte sannsynlighetsgrafer. Det er to advarsler når spådde kurver brukes: a) linjene vil alltid se ut som om forholdet mellom farer er oppfylt, og b) antall trinn i hver kurve vil være større enn antall hendelser i hver undergruppe, noe som gir inntrykk av at det er flere hendelser enn det egentlig er.

KONKLUSJONER

tilgjengeligheten av store datasett med fullstendig oppfølging for flere endepunkter øker kontinuerlig. Det er også et økende behov for analyser som er opptatt av et presist endepunkt som død av hjertesvikt eller sykdomskontroll eller kontroll av lokal sykdom. Alle disse endepunktene kan potensielt ha CR. DERFOR er DET viktig at CR vurderes fra designstadiet til tolkning av resultater. Mens Cox PH-modellen kan ha en begrenset verdi når uavhengighet vurderes, ER KM-estimatene ikke korrekte og kan ikke tolkes. Dermed må spesifikke teknikker som CIF Og F & g-modeller som er tilgjengelige I R Og delvis I STATA, brukes.

INTERESSEKONFLIKTER

ingen erklært.