Допустимая доля цензурированных наблюдений в анализе выживаемости, а что если 100%? Опции

[nokh]

Идеальные данные для анализа выживаемости - когда точно известно сколько человек прожил, например, после операции и когда умер. В этом случае цензурированных наблюдений нет. Другой крайний случай - когда все наблюдения цензурированные и дальнейшая судьба пациентов неизвестна. Например один прожил больше года, другой - больше трех. В этом случае может оказаться, что больше года - это 5, а больше трех - это 4. Поэтому, насколько я понимаю, сравнить выживаемость в двух группах где все наблюдения цензурированные невозможно в принципе. А какова допустимая доля цензурированных наблюдений в выборке? Существуют ли какие-то обоснованные или негласные правила? Полазил в и-нете, заглянул в книжки - пока ответа не нашел, хотя везде рассматриваются примеры где полные данные заметно преобладают над цензурированными. Или может считать цензурированными только точно живых на момент анализа, а всех потерявшихся считать умершими в интервале между двумя осмотрами, как прочитал в одной статье?

[DrgLena]

"Все не так уж просто"
Безусловно, не просто!!! Как и любой прогноз в медицине. Ведь мы его проводим не для того, чтобы он непременно был реализован по нашим моделям, а для предотвращения нежелательного прогноза. Т.е. найти значимые факторы и воздействовать на них. Да, возможно это можно назвать упражнениями, но когда в базе данных более 3,5 тыс наблюдений (101 больной наблюдается более 20 лет), можно создать обучающую выборку из 917 больных и помоделировать. Конечно, помоделировать с целью оценить различные подходы к лечению, с учетом известных или новых факторов риска.
Начать действительно нужно с предположения о форме функции выживаемости. В модуле таблицы выживаемости я это могу сделать, причем оценки будут зависеть от выбранного интервала, выбираю 6 мес. Предлагается сравнение с 4 видами распределения Exponential, Linear Hazard, Gompertz, Weibull. Параметры оценки для этих видов очень близки, соответственно р=0,87, р=0,86, р=0,90, р=0,97. Т.е. подходит любое, но мне ближе Weibull, выбираю и получаю таблицы выживания для интервалов по 6 мес.
Но в последующем, при создании модели никакие программы меня не спрашивают, что мне ближе. Т.е. вопросов больше, чем ответов.
Насчет плохих привычек, я вообще не поняла?., что с чем совмещали раньше. Грустно только, что прогнозы сбываются и в контрольной выборке.

[плав]

"Насчет плохих привычек, я вообще не поняла?., что с чем совмещали раньше. Грустно только, что прогнозы сбываются и в контрольной выборке.

Это я имел ввиду, что модель пропорционального риска не предназначена для оценки функции выживаемости. Она получает коэффициенты, повышающие или понижающие риск, а затем используется эмпирическая фнукция выживаемости Каплана-Мейера, которая и меняется в соответствии с коэффициентами модели пропорционального риска. Оценка функции выживаемости - это задача AFTM (той самой модели Вейбулла), однако она должна иметь определенный теоретический вид. Соответственно, писать, что "функцию выживаемости оценивали по модели Кокса" - неправильно, ибо она ее не оценивает. Макисмум, что можно написать - "функцию выживаемости анализировали при помощи коррекции эмпирической функции выживаемости (КМ) коэффициентами модели пропорционального риска".
Что же касается численности, то сколько бы ни было вначале, важно на основании какого количества пациентов проводится расчет эмпирической функции в правом углу графика. Если, скажем, было 2000 человек, но 1990 умерли в первый год, а оставшиеся 10 медленно вымирали следующие 5 лет, то считать эмпирическую функцию выживаемости адекватной больше, чем через год после начала исследования нельзя.
С AFTM все проще. Поскольку для оценки параметров используется весь массив данных, то фнукция выживаемости справедлива для всего диапазона данных (надо только подбирать распределения, для примера выше это явно не экспонента и не вейбулл, скорее распределение Гомперца - оно позволяет моделировать эффект выздоровления).
Вообщем все, что я хотел сказать, это то, что модель Кокса должна использоваться для того, для чего она была разработана - анализ и сравнение факторов риска, а не для того, для чего она не разрабатывалась (изучение функции выживаемости).