Форум врачей-аспирантов

Здравствуйте, гость ( Вход | Регистрация )

2 страниц V   1 2 >

mamalita
Отправлено: 24.04.2012 - 13:21





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


И все-таки какой метод и что за формула? Вопрос принципиальный. Чтобы модель понравилась нужно как минимум понять что за закономерность такая.
  Форум: Медицинская статистика · Просмотр сообщения: #13464 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 23.04.2012 - 13:20





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


И все таки как же мне найти h0?
  Форум: Медицинская статистика · Просмотр сообщения: #13461 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 23.04.2012 - 13:19





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


А что это за формула и вообще какой метод? И почему 0,5 точка разделения? Это как в логит регрессии? А потом не понимаю почему Вы ориентируетесь только на этого 1 пациента, те у кого рецидив развился незадолго чем через 3 года (30 месяцев, 32 месяца) тоже можно отнести к хорошим результатам. По сути все что прожили больше года уже хорошо.
  Форум: Медицинская статистика · Просмотр сообщения: #13460 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 19.04.2012 - 10:42





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


А где посмотреть сами формулы? Могу ли я это сделать вручную?
  Форум: Медицинская статистика · Просмотр сообщения: #13457 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 17.04.2012 - 07:48





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Уважаемый р2004r! у меня проблемы с сохранением так и остались. Текст R комманд сохранила в worde, выходила через меню, программа спрашивает сохранить рабочее протсранство, пишу - да. Сохраняет, потом файл не может открыть ни через R никак. Через команду q не выходит из программы - начинает что-то писать.
  Форум: Медицинская статистика · Просмотр сообщения: #13446 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 17.04.2012 - 07:36





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Уважаемый YVR! Рецидивы через три года были действительно почти у всех, потому что заболевание такое и безрецидивная выживаемость у нас совпадает с данными литературы. Если не делать оперативное вмешательноство, на сопоставимой группе этот показатель еще ниже. Тем более что лучше прожить 3 года чем 2 месяца без рецидива, а может быть пациентам с какими-либо исходными параметрами (например размер очагов больше 4 см и их количество больше 5) вообще эта опреация не опказана, т.к. значимо не увеличивает продолжительность безрецидивного периода. Вот мы и хотим выявить закономерность продолжительности жизни без рецидива.
"Только в данной задаче адекватно время не получать, а задавать в качестве таймерного события." - как понять?
Проверка на эргодичность - это для меня вообще за гранью.
Наверное действительно неразумно предсказывать конкретное время, а вот вероятность в каждой определенной точке для каждого нового конкретного больного по формуле мне кажется возможно, как раз таки регрессией Кокса или я не права.

  Форум: Медицинская статистика · Просмотр сообщения: #13445 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 17.04.2012 - 07:15





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Добрый день! Вставляю.

> data <-read.csv2 ("d:\\surv.csv")
> head(data)
v1 v2 v3 v4 v5 v6 v7 v8 v9 v10 v11 X X.1 X.2
1 57 1 655 669 4 0 2 1 1 6 11.0 NA NA C:\\Documents and Settings\\TyschenkoEG\\Рабочий стол\\маша
2 49 1 422 217 4 0 2 1 1 6 12.0 NA NA
3 64 1 478 821 4 0 2 1 1 6 13.0 NA NA
4 55 1 89 203 5 1 1 1 3 5 10.0 NA NA
5 68 1 213 115 4 0 2 1 3 6 8.5 NA NA
6 49 1 267 146 4 0 0 1 3 6 14.0 NA NA
> library (survival)
Загрузка требуемого пакета: splines
> args(coxph)
function (formula, data, weights, subset, na.action, init, control,
method = c("efron", "breslow", "exact"), singular.ok = TRUE,
robust = FALSE, model = FALSE, x = FALSE, y = TRUE, tt, ...)
NULL
> model<-coxph(Surv(v9,v8)~v2+v3+v5+v7,data)
> summary(model)
Call:
coxph(formula = Surv(v9, v8) ~ v2 + v3 + v5 + v7, data = data)

n= 93, number of events= 90

coef exp(coef) se(coef) z Pr(>|z|)
v2 0.697544 2.008812 0.256185 2.723 0.006473 **
v3 0.006737 1.006760 0.001145 5.881 4.07e-09 ***
v5 0.852661 2.345881 0.126216 6.756 1.42e-11 ***
v7 0.872788 2.393575 0.224474 3.888 0.000101 ***
---
Signif. codes: 0 ?***? 0.001 ?**? 0.01 ?*? 0.05 ?.? 0.1 ? ? 1

exp(coef) exp(-coef) lower .95 upper .95
v2 2.009 0.4978 1.216 3.319
v3 1.007 0.9933 1.005 1.009
v5 2.346 0.4263 1.832 3.004
v7 2.394 0.4178 1.542 3.716

Concordance= 0.883 (se = 0.045 )
Rsquare= 0.75 (max possible= 0.999 )
Likelihood ratio test= 129 on 4 df, p=0
Wald test = 103.3 on 4 df, p=0
Score (logrank) test = 139.4 on 4 df, p=0
predict(model, type="lp", se.fit=FALSE)
[1] 7.057850997 5.488125099 5.865398276 3.224570176 4.080087705 2.698310681 4.386194164 3.443095361 1.306603701 2.930997623 -1.406247115
[12] 0.949457446 0.093083920 -0.274427583 1.505773819 -0.347678818 -1.985630922 1.182396810 3.002248483 2.324665731 0.350030857 0.383631821
[23] 1.478825735 0.693534788 0.902382440 0.302871709 0.009299156 -0.280308607 -1.166654870 0.626164578 -0.307256691 0.558794367 -1.574672640
[34] -2.032790070 -0.634430209 -0.883784128 2.027630929 1.347191805 1.549302436 2.515636954 1.960260718 1.964057227 0.835094067 -0.543742445
[45] 0.514657570 0.956444586 1.077710965 -0.010745929 0.841915229 -0.991410486 -0.924040275 -1.011537408 -1.736195166 0.045318896 -0.705430950
[56] -2.231794210 0.508004690 -1.409877645 -2.413693777 -1.534084535 -2.117264852 -2.305901441 -2.790966954 -2.386745693 -2.346323567 -2.824652059
[67] 2.441529723 0.049803120 1.077710965 -0.688244540 1.313506700 0.761155117 -0.762267630 -0.688244540 -1.132887927 -1.345447947 0.009380994
[78] 0.346316185 -0.344656468 -0.506344972 -3.026762690 -2.649489513 -1.870935587 -2.386745693 -2.952655459 -1.844071643 -2.824652059 -2.184635062
[89] -2.292427399 -2.285690378 -2.413693777 -2.750544828 -2.858337165
> > predict(model5, type="risk")
Ошибка: неожиданный '>' в ">"
> predict (model, type="risk")
[1] 1.161945e+03 2.418034e+02 3.526226e+02 2.514276e+01 5.915066e+01 1.485462e+01 8.033410e+01 3.128364e+01 3.693608e+00 1.874632e+01 2.450612e-01
[12] 2.584307e+00 1.097554e+00 7.600070e-01 4.507640e+00 7.063257e-01 1.372940e-01 3.262184e+00 2.013075e+01 1.022326e+01 1.419111e+00 1.467605e+00
[23] 4.387790e+00 2.000775e+00 2.465470e+00 1.353741e+00 1.009343e+00 7.555505e-01 3.114069e-01 1.870423e+00 7.354618e-01 1.748563e+00 2.070753e-01
[34] 1.309696e-01 5.302375e-01 4.132163e-01 7.596069e+00 3.846608e+00 4.708185e+00 1.237449e+01 7.101178e+00 7.128189e+00 2.305031e+00 5.805714e-01
[45] 1.673065e+00 2.602427e+00 2.937947e+00 9.893116e-01 2.320808e+00 3.710530e-01 3.969122e-01 3.636595e-01 1.761895e-01 1.046361e+00 4.938957e-01
[56] 1.073357e-01 1.661972e+00 2.441732e-01 8.948415e-02 2.156530e-01 1.203604e-01 9.966891e-02 6.136185e-02 9.192836e-02 9.572043e-02 5.932930e-02
[67] 1.149060e+01 1.051064e+00 2.937947e+00 5.024573e-01 3.719193e+00 2.140748e+00 4.666071e-01 5.024573e-01 3.221017e-01 2.604230e-01 1.009425e+00
[78] 1.413850e+00 7.084637e-01 6.026944e-01 4.847230e-02 7.068729e-02 1.539795e-01 9.192836e-02 5.220090e-02 1.581721e-01 5.932930e-02 1.125188e-01
[89] 1.010209e-01 1.017038e-01 8.948415e-02 6.389304e-02 5.736407e-02
predict (model, type="expected")
1 2 3 4 5 6 7 8 9 10 11 12 13
1.436819706 0.299005364 0.436040309 0.605374390 1.424198704 0.357661711 1.934242546 0.753231244 0.088932763 0.451364194 0.005900457 0.062223601 0.150248678
14 15 16 17 18 19 20 21 22 23 24 25 26
0.104040503 0.617069511 0.096691842 0.033530404 0.446573798 2.755781479 1.399504589 0.194268013 0.200906511 2.212915752 1.009060847 1.243422546 0.682738723
27 28 29 30 31 32 33 34 35 36 37 38 39
0.509046664 1.181799155 0.487089070 2.925633883 1.150377214 2.735026047 0.797642789 0.504487688 3.207517624 2.499631681 0.182894200 0.092616631 0.113361219
40 41 42 43 44 45 46 47 48 49 50 51 52
1.693994810 0.972109620 0.975807257 0.315545196 0.079476820 0.229032846 1.312494916 1.481709102 0.498944370 1.170464273 0.187134956 0.200176656 0.568820241
53 54 55 56 57 58 59 60 61 62 63 64 65
0.275587919 1.636672943 0.772530060 0.167889775 2.599583609 0.940541581 0.344688023 0.830683594 0.728085108 0.848047066 0.765941365 1.147483866 1.568589224
66 67 68 69 70 71 72 73 74 75 76 77 78
1.628748778 1.572996347 0.143884512 1.481709102 0.253406773 1.875718819 1.079653734 0.235326263 0.253406773 0.162447132 0.407342324 1.578898711 2.211481775
79 80 81 82 83 84 85 86 87 88 89 90 91
1.108147968 0.942708296 0.186712652 0.272283551 0.931454380 0.782185468 0.444158783 1.482309044 0.740570263 1.404501216 2.005105407 2.018659450 2.456580596
92 93
2.444230355 2.194464282
> predict (model, type="terms")
v2 v3 v5 v7
1 0.4275268 3.403716879 2.0628899 1.1637174
2 0.4275268 1.833990981 2.0628899 1.1637174
3 0.4275268 2.211264158 2.0628899 1.1637174
4 0.4275268 -0.409437020 2.9155511 0.2909294
5 0.4275268 0.425953587 2.0628899 1.1637174
6 0.4275268 0.789752722 2.0628899 -0.5818587
7 0.4275268 1.584721203 1.2102287 1.1637174
8 0.4275268 0.661749323 2.0628899 0.2909294
9 0.4275268 0.230579978 0.3575676 0.2909294
10 0.4275268 0.129524662 1.2102287 1.1637174
11 0.4275268 0.095839557 -1.3477547 -0.5818587
12 0.4275268 -0.146693200 -0.4950936 1.1637174
13 0.4275268 0.722382512 -1.3477547 0.2909294
14 0.4275268 1.227659089 -1.3477547 -0.5818587
15 0.4275268 -0.422911062 1.2102287 0.2909294
16 0.4275268 -0.550914461 0.3575676 -0.5818587
17 0.4275268 -0.483544251 -1.3477547 -0.5818587
18 0.4275268 -0.746288071 1.2102287 0.2909294
19 0.4275268 -0.631758713 2.9155511 0.2909294
20 0.4275268 -0.476807230 1.2102287 1.1637174
21 0.4275268 -0.705865944 1.2102287 -0.5818587
22 0.4275268 -0.692391902 0.3575676 0.2909294
23 0.4275268 -0.449859146 1.2102287 0.2909294
24 0.4275268 -0.382488935 0.3575676 0.2909294
25 0.4275268 -0.173641284 0.3575676 0.2909294
26 0.4275268 -0.753025092 1.2102287 -0.5818587
27 0.4275268 -0.214063410 -0.4950936 0.2909294
28 0.4275268 -0.483544251 0.3575676 -0.5818587
29 0.4275268 -0.517229356 -0.4950936 -0.5818587
30 0.4275268 -0.449859146 0.3575676 0.2909294
31 0.4275268 -0.510492335 0.3575676 -0.5818587
32 0.4275268 -0.517229356 0.3575676 0.2909294
33 0.4275268 -0.072585968 -1.3477547 -0.5818587
34 0.4275268 -0.530703398 -1.3477547 -0.5818587
35 0.4275268 0.014995305 -0.4950936 -0.5818587
36 0.4275268 -0.254485536 -1.3477547 0.2909294
37 -0.2700169 0.796489743 1.2102287 0.2909294
38 -0.2700169 0.116050620 1.2102287 0.2909294
39 -0.2700169 0.318161251 1.2102287 0.2909294
40 -0.2700169 2.137156927 0.3575676 0.2909294
41 -0.2700169 0.729119533 1.2102287 0.2909294
42 -0.2700169 -0.119745116 2.0628899 0.2909294
43 -0.2700169 -0.416174041 0.3575676 1.1637174
44 -0.2700169 0.803226764 -0.4950936 -0.5818587
45 -0.2700169 0.116050620 -0.4950936 1.1637174
46 -0.2700169 -0.274696599 1.2102287 0.2909294
47 -0.2700169 -0.153430221 1.2102287 0.2909294
48 -0.2700169 -0.389225956 0.3575676 0.2909294
49 -0.2700169 -0.389225956 1.2102287 0.2909294
50 -0.2700169 -0.517229356 -0.4950936 0.2909294
51 -0.2700169 -0.449859146 -0.4950936 0.2909294
52 -0.2700169 -0.517229356 0.3575676 -0.5818587
53 -0.2700169 -0.389225956 -0.4950936 -0.5818587
54 -0.2700169 2.244949263 -1.3477547 -0.5818587
55 -0.2700169 0.641538260 -0.4950936 -0.5818587
56 -0.2700169 -0.032163842 -1.3477547 -0.5818587
57 -0.2700169 0.129524662 0.3575676 0.2909294
58 -0.2700169 0.789752722 -1.3477547 -0.5818587
59 -0.2700169 -0.214063410 -1.3477547 -0.5818587
60 -0.2700169 -0.187115326 -0.4950936 -0.5818587
61 -0.2700169 0.082365515 -1.3477547 -0.5818587
62 -0.2700169 -0.106271074 -1.3477547 -0.5818587
63 -0.2700169 -0.591336587 -1.3477547 -0.5818587
64 -0.2700169 -0.187115326 -1.3477547 -0.5818587
65 -0.2700169 -0.146693200 -1.3477547 -0.5818587
66 -0.2700169 -0.625021692 -1.3477547 -0.5818587
67 -0.2700169 2.063049695 0.3575676 0.2909294
68 -0.2700169 -0.348803830 -0.4950936 1.1637174
69 -0.2700169 -0.153430221 1.2102287 0.2909294
70 -0.2700169 -0.214063410 -0.4950936 0.2909294
71 -0.2700169 0.082365515 1.2102287 0.2909294
72 -0.2700169 -0.449859146 2.0628899 -0.5818587
73 -0.2700169 -0.267959578 0.3575676 -0.5818587
74 -0.2700169 -0.214063410 -0.4950936 0.2909294
75 -0.2700169 -0.658706797 -0.4950936 0.2909294
76 -0.2700169 0.001521263 -0.4950936 -0.5818587
77 -0.2700169 -0.389225956 -0.4950936 1.1637174
78 -0.2700169 -0.032163842 0.3575676 0.2909294
79 -0.2700169 0.129524662 -0.4950936 0.2909294
80 -0.2700169 -0.032163842 -0.4950936 0.2909294
81 -0.2700169 -0.827132323 -1.3477547 -0.5818587
82 -0.2700169 -0.449859146 -1.3477547 -0.5818587
83 -0.2700169 -0.523966377 -0.4950936 -0.5818587
84 -0.2700169 -0.187115326 -1.3477547 -0.5818587
85 -0.2700169 -0.753025092 -1.3477547 -0.5818587
86 -0.2700169 -0.517229356 -1.3477547 0.2909294
87 -0.2700169 -0.625021692 -1.3477547 -0.5818587
88 -0.2700169 0.014995305 -1.3477547 -0.5818587
89 -0.2700169 -0.092797031 -1.3477547 -0.5818587
90 -0.2700169 -0.086060010 -1.3477547 -0.5818587
91 -0.2700169 -0.214063410 -1.3477547 -0.5818587
92 -0.2700169 -0.550914461 -1.3477547 -0.5818587
93 -0.2700169 -0.658706797 -1.3477547 -0.5818587
attr(,"constant")
[1] 3.208662
> basehaz (model, centered=FALSE)
hazard time
1 8.629239e-05 1
2 2.012994e-03 3
3 9.869224e-03 6
4 3.352359e-02 9
5 1.053372e-01 12
6 1.977310e-01 15
7 2.785766e-01 18
8 3.787081e-01 21
9 5.911360e-01 24
10 6.622169e-01 26
11 8.564853e-01 27
12 1.212646e+00 30
13 1.545910e+00 36
> basehaz (model)
hazard time
1 0.002135388 1
2 0.049813475 3
3 0.244223436 6
4 0.829573358 9
5 2.606670100 12
6 4.893043547 15
7 6.893645814 18
8 9.371495419 21
9 14.628228146 24
10 16.387194367 26
11 21.194550542 27
12 30.008093268 30
13 38.255032423 36
> -log((survfit(model5))$surv)
Ошибка в survfit(model5) : объект 'model5' не найден
> -log((survfit(model)$surv)
+ > -log((survfit(model))$surv)
+ -log((survfit(model))$surv)
exp (model$linear.predictors)
[1] 1.161945e+03 2.418034e+02 3.526226e+02 2.514276e+01 5.915066e+01 1.485462e+01 8.033410e+01 3.128364e+01 3.693608e+00 1.874632e+01 2.450612e-01
[12] 2.584307e+00 1.097554e+00 7.600070e-01 4.507640e+00 7.063257e-01 1.372940e-01 3.262184e+00 2.013075e+01 1.022326e+01 1.419111e+00 1.467605e+00
[23] 4.387790e+00 2.000775e+00 2.465470e+00 1.353741e+00 1.009343e+00 7.555505e-01 3.114069e-01 1.870423e+00 7.354618e-01 1.748563e+00 2.070753e-01
[34] 1.309696e-01 5.302375e-01 4.132163e-01 7.596069e+00 3.846608e+00 4.708185e+00 1.237449e+01 7.101178e+00 7.128189e+00 2.305031e+00 5.805714e-01
[45] 1.673065e+00 2.602427e+00 2.937947e+00 9.893116e-01 2.320808e+00 3.710530e-01 3.969122e-01 3.636595e-01 1.761895e-01 1.046361e+00 4.938957e-01
[56] 1.073357e-01 1.661972e+00 2.441732e-01 8.948415e-02 2.156530e-01 1.203604e-01 9.966891e-02 6.136185e-02 9.192836e-02 9.572043e-02 5.932930e-02
[67] 1.149060e+01 1.051064e+00 2.937947e+00 5.024573e-01 3.719193e+00 2.140748e+00 4.666071e-01 5.024573e-01 3.221017e-01 2.604230e-01 1.009425e+00
[78] 1.413850e+00 7.084637e-01 6.026944e-01 4.847230e-02 7.068729e-02 1.539795e-01 9.192836e-02 5.220090e-02 1.581721e-01 5.932930e-02 1.125188e-01
[89] 1.010209e-01 1.017038e-01 8.948415e-02 6.389304e-02 5.736407e-02
Вот все.
  Форум: Медицинская статистика · Просмотр сообщения: #13444 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 13.04.2012 - 18:29





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


[С переменными: количество метастазов не совсем ясно, т.е. они были до операции или выявлены после?]
Метастазы были выявлены до операции. Прогрессия конечно же после операции. 1 - прогрессия есть 0 - прогрессии нет. Сроки разные потому что были выбывшие по неизвестным причинам пациенты (цензуированные данные). Все размеры суммарные и количество взяты до операции. То что суммарное количество не совпадает для меня новость, может быть при копировании что-то не так было. Давайте от V10 пока абстрагируемся (я пересмотрю данные поищу ошибку).
И наконец задачи следующие 1. выявить факторы наиболее значимо влияющие на безсобытийную выживаемость (событие - прогрессия), время развития прогрессии - с этим я вроде бы справилась.
2. по полученной зависимости иметь возможность прогнозировать среднее предполагаемое время жизни без прогрессии для каждого конкретного пациента (хотелось бы как в логистической регрессии получить некое уравнение, при подстановке в которое значений предикторов получать это самое время). В идеале хотелось бы оценить потом эту модель на другой выборке с вытекающими отсюда последствиями. Например, столько -то правильных предсказаний, столько неправильных, специфичность, чувствительность. Но тут я не знаю возможно ли подобное. Например у нас пациент прожил без прогрессии 3 месяца а модель предсказывает 7 месяцев - это правильное предсказание или нет, а у другого который прожил 3 месяца - предсказывает 18 месяцев - ну это понятно будет неправильно. Может быть должны быть какие-то доверительные интервалы по которым ориентироваться на правильность предсказаний.
Еще момент как проверить: вообще применима ли к моим данным регрессия Кокса? (должно соблюдаться условие пропорциональности риска - как проверить)
Спасибо!!!
  Форум: Медицинская статистика · Просмотр сообщения: #13429 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 13.04.2012 - 14:26





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Добрый день! Остроумненько. Прилагаю данные. Давайте подумаем вместе.
v1- возраст
v2-дифференцировка (1-НД, 0-ВД и УД)
v3- Рэа
v4-СА 19-9
v5- количество метастазов размером 0-2см
v6-количество метастазов размером 2-4см
v7- количество метастазов размером больше 4см
v8-прогрессия
v9- время прогрессии в месяцах
v10- количество
v11-суммарный размер
У меня значимыми получились v2, v3, v5, v7

Прикрепленные файлы
Прикрепленный файл  surv.rar ( 9,89 килобайт ) Кол-во скачиваний: 297
 
  Форум: Медицинская статистика · Просмотр сообщения: #13424 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 12.04.2012 - 14:06





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


С английским дружо плохо, но посмотрю, просто руки не доходят.
Установила R-studio по ссылке, программа почему-то выдает ошибку. Ну собственно сделала все из ветки в R, нажала сохранить рабочее пространство - вродебы сохранило. Только через q не вышла, вышла через закрыть.
Вопрос такой: basehaz (model, centred=FALSE) hazard time - это h0? А если пишешь просто basehaz (model) получаются другие цифры? В чем разница?
Не могли бы вы мне на моих данных объяснить что к чему, я лучше понимаю на кокретных примерах. Спасибо
  Форум: Медицинская статистика · Просмотр сообщения: #13418 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 4.04.2012 - 08:50





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Надо просто найти где вычислялся v9 и вычислить. Обычно R сохраняет файл с образом всей памяти и только команды library() приходится повторять заново.

Так никакие переменные не вычислялись. Я попробовала другие подставить, тоже не распознает.


  Форум: Медицинская статистика · Просмотр сообщения: #13371 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 3.04.2012 - 10:50





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


У меня новая проблема технического характера: все что делала до этого случайно стерла так и не сохранив. Теперь начала заново, выдает ошибку - surv(v9,v8): объект v9 не найден. Может исходные ячейки должны быть в определенном формате а пока я туда сюда сохраняла все сбилось. Может быть можно сделать в других программах более мне понятных? (Хотя к освоению R буду прилагать все усилия).
Что касается прогноза у меня из 93 выбывают только 3 (цензуированных). Для регрессии Кокса Х2=92,8 р=0,000, для экспоненциальной регрессии Х2=37,9 р=0,000 но распределение то отличается от экспоненциального (хотя AIC самое маленькое для него 66,5) подходит только логлогистическое р=0,12 AIC=69,3.
Для экспоненциальной регрессии S(z) = exp(a + b1*z1 + b2*z2 + ... + bm*zm) Я нашла коэффициенты подставила, получила предсказанные времена. Прекрасно. В каких-то случаях и наблюдаемое и предсказанное время 1 месяц, а гдето 9 и 13, 9 и 18. Как трактовать где правильно узнано время где нет (может в пределах 1 ст.откл. - или это мои фантазии)

[Что касается прогноза --- Кокс только в пределах данных эксперимента позволяет проводить оценки. Если много пациентов ушли за пределы эксперимента, то на вопрос ?What proportion of patients will die in 2 years based on data from an experiment that ran for just 4 months?? может ответить только параметрическая модель.

] А какая параметрическая модель?
Спасибо большое за терпение.
  Форум: Медицинская статистика · Просмотр сообщения: #13349 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 2.04.2012 - 16:02





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Спасибо! Дело пошло дальше. Тупо повторяю команды из поста, выдает какие-то результаты. До понимания процесса еще ооочень далеко! Уважаемый p2004r отзовитесь!
Вопрос:
1. как сохранить то что получилось
2. что мы получаем после команды predict(model5, type="lp", se.fit=FALSE)
3. predict(model5, type="risk")
4. predict(model5, type="expected")
5. predict(model5, type="terms")
6. hazard time - два стобца - риск и время для этого риска?
7. -log((survfit(model5))$surv) - после этой команды выдает +который не стирается. что делать?
  Форум: Медицинская статистика · Просмотр сообщения: #13339 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 2.04.2012 - 11:15





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Извиняюсь, данные загрузились, дальше двигалась по образцу, но программа выдает ошибку: не могу найти функцию "coxph" . Подсакажите что делать дальше.
  Форум: Медицинская статистика · Просмотр сообщения: #13337 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 2.04.2012 - 10:30





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Добрый день! Спасибо большое за указанное направление. Попытки освоить R пока ни к чему не ведут, срубаюсь на этапе загрузки данных, но буду пытаться. Тут на форуме рекомендовали новую книжку. Может она поможет. Сразу приношу извинения за глупые вопросы.
Как я поняла из ветки: для нахождения h(o) строится график функции риска для средних значений ковариат в определенные точки времени и по графику находится h(0)? Но формула то должна быть.
В результате построения регрессии Кокса у меня получилось 4 значимых переменных:
1. дифференцировка (0 - умеренная+высокая, 1-низкая) коэффициент - 0,62 среднее 0,61
2. уровень РЭА до операции коэффициент 0,006 среднее 149,78
3. кол-во образований малого диаметра 0,66 среднее 1,58
4. кол-во образований большого диаметра 0,70 среднее 0,67
нахожу p(i)=2,03 h(0)(t=1)=exp(-2,03)=0,13 это для единицы времени т.е. на 1 месяц, а дальше как например для 3, 6 месяцев и так далее? Еще вопрос S(t)=1-h(t), т.е. если выживаемость рассчитана для конкретного больного по нашим данным вычесть из единицы мы получим риск? Но я где-то читала что риск может быть больше 1, я неправильно поняла? Что мы прогнозируем с помощью модели Кокса предполагаемое время жизни определенного больного или вероятность умереть ( в нашем случае иметь МТС) в определенный момент времени, как я понимаю второй вариант. А нельзя ли как-то предсказывать время жизни? Например больной Н. имеет низкодифференцированную опухоль уровень РЭА 20, по 1 большому и маленькому мтс, подставляем в формулу данные и получаем что только через 12 месяцев мы имеем высокую вероятность получить прогрессию.
В СПСС сохраняет параметры Функция риска, функция выживаемости. Они в сумме не должны равняться 1?
В посте я столкнулась с тем что модели Кокса не применяются для прогнозирования по нравственным соображениям почему?
  Форум: Медицинская статистика · Просмотр сообщения: #13336 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 29.03.2012 - 16:00





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Добрый день! Помогите разобраться. Имеются данные для анализа выживаемости:
время (месяцы),
событие (рецидив или нет),
независимые ковариаты 3 переменных -
1. дифференцировка - бинарная (низкодифференированныя и умеренно+высокодифференцированная)
2. уровень РЭА до операции
3. количество метастазов
Они остались в результате применения регрессионного анализа Кокса в СПСС. Т.е. я понимаю что можно сделать выводы, что такие то факторы значимо влияют на продолжительность безрецидивной жизни, какой из них более значим. Могу ли я применить это как-то в плане прогнозирования продолжительности безрецидивной жизни? (как например в логистической регрессии). Это пожалуй основной вопрос. Цель исследования не только выявить исходные факторы, влияющие на продолжительность безрецидивного течения, но и иметь возможность прогнозировать это время для любого конкретного больного.
Привожу формулу h(t)=h0(t) *exp(b1z1+...+bmzm)
В СПСС есть функция сохранить: функция риска - это h(t)? Для 2 больных проживших 1 мес у одного 2,1 а другого 0,6. О чем это говорит? Максимум 4,3 минимум 0,2 - это много или мало. Как мне найти h0(t) - базовая функция риска при нулевых ковариатах (нулевые это равные 0?) и нужно ли это?
С экспоненциальной регрессией более понятно, но у меня время жизни распределено не экспоненциально. В Attestat сделала подгонку распределения: получилось логлогистическое. Что мне с ним делать?!
  Форум: Медицинская статистика · Просмотр сообщения: #13321 · Ответов: 46 · Просмотров: 62121

mamalita
Отправлено: 13.12.2011 - 10:34





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Спасибо, данные ввелись. Вопрос 1. вместо имен переменных - абракадабра "Р?Р?Р?Р?С? Р?Р?Р..Р?Р? С?С?Р?Р?Р?РёР..С?Р.Р.Р?Р?С? Р?С.С?1 Р?С.С?2 Р?С.С?3 Р?С.С?4 Р?С.С?5 Р?С.С?6 С?С?Р?Р?Р.С?Р?С.Р..С?Р.Р.Р?Р?С? С?Р?С.РёР?РёР? С?С?Р?Р?" Что-то здесь не так?
2. почему после head(data) выводится только 6 переменных?
Дошла до части второй Вашего поста. Ввела все как указано вот что получила: > names(data)[1] "номер" "кол.во" "средний.размер" "мтс1"
Ошибка: неожиданный строковая константа в "names(data)[1] "номер""
Еще раз спасибо за Ваш нелегкий труд
  Форум: Медицинская статистика · Просмотр сообщения: #12494 · Ответов: 57 · Просмотров: 95847

mamalita
Отправлено: 11.12.2011 - 21:22





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


> data <- read.csv2("кол-во-размер-рецидив.csv")
Ошибка в file(file, "rt") : не могу открыть соединение
Вдобавок: Предупреждение
In file(file, "rt") :
не могу открыть файл 'Р?Р?Р?-Р?Р?-С?азР?Р?С?-С?Р?С?РёР?РёР?.csv': No such file or directory
>
>
Вот такие результаты выдает
  Форум: Медицинская статистика · Просмотр сообщения: #12487 · Ответов: 57 · Просмотров: 95847

mamalita
Отправлено: 8.12.2011 - 19:58





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


[quote name='p2004r' date='6.12.2011 - 15:30' post='12448']
1. В предыдущем посте присоединен раровский архив, в нем готовый csv файл. Это он не читается примером команды из форума?


И он тоже, на этот файл программа выдает туже ошибку.
  Форум: Медицинская статистика · Просмотр сообщения: #12463 · Ответов: 57 · Просмотров: 95847

mamalita
Отправлено: 6.12.2011 - 13:38





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Все делаю как написано программа отвечает : не могу открыть соединение, не могу открыть файл, сохраняю его в расширении CSV(разделитель запятые)?
Теперь по теории. Понимаю что мне нужно что-то почитать желательно с примерами, может дадите ссылку. Потому что до момента разбиения на интервалы и определения количества попадания в эти интервалы МТС я поняла а дальше туман. Например новые данные для 1 случая 40010 это значит 4 попали в первый интервал, 1 в четвертый?
  Форум: Медицинская статистика · Просмотр сообщения: #12445 · Ответов: 57 · Просмотров: 95847

mamalita
Отправлено: 5.12.2011 - 12:47





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Начала с самого начала и сразу проблема: при открытии рабочего пространства выдает "ошибка: неправильное магическое число файла (файл может быть поврежден) данные не загружены Вдобавок: предупреждение файл "имя" имеет магическое число 'непонятные знаки' использование сохраненных версий более ранних чем 2 не одобряется" - чтобы это могло значить? Может быть то же самое можно сделать в другой кнопочной программе (есть SPSS, statistica6, attestat). Спасибо.
  Форум: Медицинская статистика · Просмотр сообщения: #12433 · Ответов: 57 · Просмотров: 95847

mamalita
Отправлено: 25.11.2011 - 11:16





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Медленно но верно тем самым и занимаюсь. Мне нужно вникнуть в суть самого метода, а на это времени катастрофически не хватает. А по поводу клинической гипотезы скажу. Что лучше всего новому методу лечения как раз должны поддаваться МТС размером 2-3см, конечно округление до 0,5 условно, можно наверное разделить и по 1 см. МТС размером больше 3,5 см часто не могут подвергнуться полному удалению и тогда высок риск рецидива, а слишком маленькие могут быть не удалены из-за плохой визуализации.
  Форум: Медицинская статистика · Просмотр сообщения: #12373 · Ответов: 57 · Просмотров: 95847

mamalita
Отправлено: 16.11.2011 - 18:06





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366


Цитата(p2004r @ 16.11.2011 - 15:20) *
да, конечно. Этот список переменных "мтс" (а именно "0.5 0.5 1 1 4 0") у него заменен на "4 0 0 1 0" соответствующим интервалам группировки 0.5-1, 1-2, 2-3, 3-4, 4-5.

именно это та трансформация данных которая позволяет перейти к фиксированному числу переменных.

- Как позволяет? Я бы задала конкретные вопросы, но мне нужно время, чтобы вникнуть и сформулировать их, а пока я смутно представляю как новые данные отражают мои данные. Хотя интуитивно чувствую что это наиболее правильный подход. По поводу переменных исходов: - все правильно: рецидив(есть нет) и срок рецидива(в месяцах), просто 6 строка попали цензуированные данные, рецидива не было а пациент выпал из виду, поэтому в столбце рецидивы до года на 6 месяцах 0. Честно говоря, я думала делать так: включать все размеры метастазов в предикторы, просто там где их нет (т.е. 3 метастаза а логит регрессия на 6 переменных) будет 0 и если потом считать для каждого конкретного случая подставлять в формулу 0 и определять вероятность того или иного исхода. Но это видимо совсем не правильно.

  Форум: Медицинская статистика · Просмотр сообщения: #12262 · Ответов: 57 · Просмотров: 95847

mamalita
Отправлено: 16.11.2011 - 08:58





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366



Спасибо за быстрый подробный ответ и помощь. Ноя как мартышка с очками не пойму как применить, как мартышка с очками. По выводам я поняла что чаще всего возникают мтс при крупных очагах, но по поводу новых переменных - их опять 5 штук, как их включать в логит регрессию?
  Форум: Медицинская статистика · Просмотр сообщения: #12245 · Ответов: 57 · Просмотров: 95847

mamalita
Отправлено: 16.11.2011 - 08:44





Группа: Пользователи
Сообщений: 49
Регистрация: 7.04.2010
Пользователь №: 15366



Поскольку дискуссия с автором поста пока не получается и, даже диалога с p2004r нет, а данные выложены, можно предложить и другое решение задачи.

Приношу свои извинения за неучастие в дискуссии, т.к. пыталась разобраться с ответом р2004r. Сразу скажу не получилось. Преобразованные данные размеров по-моему все равно не могут участвовать в логит-регрссии.

В анализе могут участвовать две переменные ? число МТС и величина максимального МТС, это моя клиническая гипотеза, что прежде всего величина максимального МТС будет играть роль, по аналогии с тем, что опухоли с большей проминенцией имеют худшие прогнозы.

Гипотеза 1 автора поста о влиянии числа МТС статистически не подтвердилась, если она относилась именно к числу МТС 2-3, как высказывал автор поста, а в качестве отклика брать число ранних рецидивов. Для рецидива до года для числа МТС более трех OR=1,8 (95% ДИ 0,7 ? 4,6). Даже если брать только 2 рецидива, против >2-х то тоже не будет статистически значимой сопряженности с ранними рецидивами. И в логистической регрессии, если использовать количество МТС как единственную количественную переменную, то коэффициент будет не значим.

На мой взгляд гипотеза не подтверждается потому что должно быть именно сочетание 2-3 очага размером 2-3см. Мне Ваша мысль понятна, особенно заманчив вариант с 4 группами сравнения, но наличие МТС числом 5 по 1 см тоже является группой риска, 3 метастаза размеры которых 1;1;3 тоже будет входить в группу риска. Вот в чем у меня проблема. Но сделать 1 группу нам наиболее подходящих 2-3 очага размером 2-3 см и 2 группа - все остальные будет несколько вызывающе (или нет).

А вторая гипотеза о влиянии размера МТС верна, но она должна быть сформулирована иначе. Тут можно сделать такой вывод, если размер одного из МТС 3 и более см , то это является фактором риска раннего рецидива (до года). OR=8,4 (95% ДИ 2,5- 27,6). И судя по представленным данным это вполне доказанный факт. В логистической регрессии в двумя переменными, число МТС (>3-х) также не значимый фактор, OR=1,9 (0,7÷5,4), а размер любого МТМ >3 см значимый фактор OR=8,6 (2,5 ÷-29,3) в модели прогнозирования ранних рецидивов.

Если сделать количественную переменную - величина максимального МТС и использовать ее и число МТС до операции, то логистическая модель с двумя такими предикторами будет статистически значима (Chi2( 2)=24,318 p=,00001) и оба коэффициента имеют значимую оценку. Для расчетной вероятности площадь ROC=0,78; для точки разделения >0,73 чувствительность составляет 70%, специфичность - 78%.
Чудес не бывает, чем больше размер МТС и их число, тем вероятнее рецидив. Можем посчитать и для конкретного больного, например ?25 максимальный размер МТС 2 см и их число 2, расчетная вероятность раннего рецидива составляет только 0,12, а для ?35 величина макс МТС 5 см и их число 5, вероятность рецидива 0,93.

Можно использовать и данные о времени наступления рецидива, для его оценки также по этим двум переменным ? число МТС и размер максимального.
По линейной модели для б-го ?25 ожидаемое время рецидива через 23,8 (20,5-27,1) мес. ( наблюдаемое время рецидива 24 мес), а для ?35 имеющего 5 мтс и макс размер 5 см время безрецидивного течения составит только 3,6 (1,4-5,8) мес. (наблюдаемое время рецидива 3 мес).

Как это рассчитать? На основании кокс регрессионной модели. Если да то формула такая: h0(t)*exp(b1 z1+...+bm zm), тогда вопрос как найти h0. Спасибо.


  Форум: Медицинская статистика · Просмотр сообщения: #12244 · Ответов: 57 · Просмотров: 95847

2 страниц V   1 2 >

Открытая тема (есть новые ответы)  Открытая тема (есть новые ответы)
Открытая тема (нет новых ответов)  Открытая тема (нет новых ответов)
Горячая тема (есть новые ответы)  Горячая тема (есть новые ответы)
Горячая тема (нет новых ответов)  Горячая тема (нет новых ответов)
Опрос (есть новые голоса)  Опрос (есть новые голоса)
Опрос (нет новых голосов)  Опрос (нет новых голосов)
Закрытая тема  Закрытая тема
Тема перемещена  Тема перемещена