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

Все уже до нас придумали, т.е. изобретать велосипед уже не придется, в том смысле, что компьютеру только дай что нибудь подсчитать, даже любую глупость в виде цифирей и он все это перемелет и даст результат, за исключением деления на ноль.



Чтобы что-то прогнозировать, необходимо отделить мух от котлет, т.е. факторы - объясняющие переменные от независимых переменных (причины и следствия). Факторы были раньше и их спрогнозировать нельзя, т.к. они достоверно имели место у пациентов до обследования. Объясняющие переменные выявились позже и их нужно прогнозировать по факторам.

Т.е. взяли некоего пациента, зафиксировали факторы до операции, и результаты после.

С некоторыми факторами все понятно, т.е. это возраст, дифференцировка опухоли, раково-эмбриональный антиген, углеводный антиген.

С переменными: количество метастазов не совсем ясно, т.е. они были до операции или выявлены после?

Прогрессия, это после операции? Неясно что означает 0 и 1 для кодирования прогрессии? Если 0 - это отсуствие прогрессии, то почему это самое ее отсутствие было зафиксировано в разные сроки?

Также непонятны переменные: количество и суммарный размер, т.е. они до операции или после? Судя по тому что суммы, например, количество в переменных v5, v6, v7 не совпадают с переменной v10, то опять же естественный вопрос по времени до и после?

Ну и наконец самое главное, т.е. какая стоит задача? Например, выявить факторы влияющие на прогрессию либо на время прогрессии или еще что нибудь эдакое выявить?

[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!!!

Ясно, значит все, кроме прогрессии и сроков до выявления прогрессии относится к данным до операции.


Где-то действительно закрались ошибки, т.к. если например, взять ячейку J5, то в ней указано количество 5, а в ячейках E5 = 5, F5 = 1 и G5 = 1, что в сумме должно дать 7, а никак не 5.




Можно.



Тоже разрешимо



Только в данной задаче адекватно время не получать, а задавать в качестве таймерного события.



Это уже не идеал, а тест на эргодичность. Если математическая модель строится для неэргодичной среды, то вне выборки она может дать статистически незначимые результаты, т.е. эксперимент будет нерепродуицируем.


Неправильно предсказывать точное время вероятностных событий если они недостоверны. Например, из немного другой области, скажем в спорте, можно с помощью распределения Пуассона при известной среднестатистической забиваемости командой количества мячей в чужие ворота за 90 минут матча, рассчитать вероятность того что эта же команда в следующем матче не забьет ни одного гола либо вероятность того, что она забьет 10 мячей. Причем распределение Пуассона статистически значимо и в хоккее и в футболе. Точно также и в данном случае, можно только по факторам вычислить вероятность того, что пациент проживет без рецидива некий наперед заданный срок, например, месяц, два месяца, квартал, полугодие или год. Такова особенность теории вероятностей и статистики - оперировать вероятностными величинами для событий, а не конкретными сроками от одного события до другого. Сколько пройдет времени у конкретного пациента до рецидива точно вычислить невозможно.

Чтобы было проще понять, почему так происходит, подбросьте 10 раз монету. Она может выпасть орлом и 10 раз подряд и решкой 10 раз подряд. Вероятности для вышеуказанных обоих событий при условии правильной монеты равны 1 / 1024. Т.е. предсказать сколько раз подряд монета может выпасть орлом в следующей серии подбрасываний невозможно, но угадать либо не угадать с той или иной вероятностью можно.



Любую модель можно перепроверить на эргодичность только на независимой выборке и только после такой проверки уже решать вопросы применимости или неприменимости. Тем паче что один и тот же метод математического моделирования может иметь несколько допустимых решений (например, в задаче оптимизации на отдельно взятой выборке может быть несколько экстремумов и лишь один или более из них эргодичны независимо от выборки, а можеть быть, что и ни одного эргодичного не будет выявлено).

В общем и в целом все понятно, за исключением некоторых ошибок и неточностей в исходных данных. А ошибки в исходных - не есть хорошо, т.к. запросто можно обнаружить черную кошку в темной комнате, несмотря на то, что ее там никогда не было.

Сообщение отредактировал YVR - 13.04.2012 - 21:55

Попробовал анализировать исходные данные. Выводы: операция заведомо противопоказана в том плане, что она не только не предотвращает рецидивы, но и еще хлеще: с высокой вероятностью их провоцирует. Из 93 пациентов, рецидивы наблюдались у 90. У 2-их из троих оставшихся достоверно выявить рецидивы не удалось, потому что они не наблюдались до окончания исследований (пропущенные данные). И только лишь у одного единственного пациента до завершения исследований рецидивы не проявились. По представленным в исходных данных регрессорам, отличить этого самого единственного пациента, которому по непонятным причинам так повезло, от остальных пациентов не удалось (факторы пересекаются с факторами тех, у кого рецидивы были достоверно выявлены).

Сообщение отредактировал YVR - 14.04.2012 - 19:42

дословно

centered: If TRUE, the resultant curve is for a hypothetical subject
whose covariate values are the corresponding means from the
original data, otherwise for a hypothetical subject with a
mean vector of zero.

survival::cox.zph Test the Proportional Hazards Assumption of Cox Regression
survival::plot.cox.zph Graphical Test of Proportional Hazards

Скопируйте сюда R текст своего анализа. Будет продуктивно отталкиваться от него.

опрос проведенный в интернете показал что 100% пользуются интернетом

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.

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.

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.

Вы как файл сохраните все что написали в окне редактора. Сохранение образа и истории идет параллельно.

Пишите тест анализа в окне редактора студии -> отправляете кусочками на исполнение, а потом отлаженный кусок сохраняете. Присылаете сюда, и мы вместе разберем.

о, практически так Вы и сделали. Только копировали окно интерпретатора, а не сохраняли окно редактора кода.

сейчас посмотрим, что можно добавить.

1. Проверьте насколько сохраняется пропорциональность риска

survival::cox.zph Test the Proportional Hazards Assumption of Cox Regression
survival::plot.cox.zph Graphical Test of Proportional Hazards


coxp.zph(model) и plot(coxp.zph(model)) соответственно

2. Модель параметрическая будет выглядеть так

model.par<-survreg(Surv(v9,v8)~v2+v3+v5+v7,data)

Её прогноз для каждого из группы

predict(model.par, type="response")

Прогноз для конкретного случая (в том числе не из исходной выборки)

predict(model.par, newdata=list(v2=значение, v3=значение, v5=значение, v7=значение), type="response")

результатом является вектор, по нем можно рассчитать например среднее время.

Можно сразу получать квантили-перцентили, как в примере страницы помощи

pct <- 1:98/100
ptime <- predict(model.par, newdata=list(v2=значение, v3=значение, v5=значение, v7=значение), type='quantile', p=pct, se=TRUE)

matplot(cbind(ptime$fit, ptime$fit + 2*ptime$se.fit,
ptime$fit - 2*ptime$se.fit)/30.5, 1-pct, # в 30.5 неуверен
xlab="Time", ylab="Survival", type='l', lty=c(1,2,2), col=1)

Сообщение отредактировал p2004r - 17.04.2012 - 12:00

А где посмотреть сами формулы? Могу ли я это сделать вручную?

Удалось наконец выявить закономерности, т.е. отделить по факторам пациента, у которого не было выявлено рецидивов в течении 3-х лет, от всех остальных пациентов с выявленными рецидивами на более ранних сроках.

Математическая модель в приаттаченном архиве в формате электронной таблицы Excel. Чтобы вычислить вероятность рецидивов, необходимо ввести исходные данные пациента перед операцией. Таблица защищена, чтобы чего нибудь не запортили при вводе данных. Если необходимо посмотреть на формулы, то они все в столбце G (защитный пароль - qwerty9). Формулы, при необходимости можно упростить в пакете Maxima, но в таком виде (неупрощенном) они наиболее наглядны для экспертов.

 oncology.zip ( 14,32 килобайт ) Кол-во скачиваний: 287


Сообщение отредактировал YVR - 19.04.2012 - 13:14