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?!

[вдруг пригодится] вот целая ветка как в R проводить анализ и для конкретных параметров рассчитывать (в том числе в ручную)
http://forum.disser.ru/index.php?showtopic=2989

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?

Извиняюсь, данные загрузились, дальше двигалась по образцу, но программа выдает ошибку: не могу найти функцию "coxph" . Подсакажите что делать дальше.

Вам нужно сначала загрузить библиотеку, в которой содержится функция coxph. Библиотека называется "survival"

library(survival) # загрузка пакета
args(coxph) # показать аргументы функции

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?

1. смотря что понимается по "сохранить". Если вектор или таблицу чисел в файл на диск, то например ?write.table

2-6.

7. наверное пара скобок лишняя "затесалась" при копипасте

-log(survfit(model5)$surv)

У Кокса
plot(survfit(model)) - shows the survivorship curve for the average individual with the covariates held at their average values

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 что как прогноз подходит? Можно среднее время дожития считать, у экспоненциальной модели оно обратно пропорционально риску. В predict() считать время как predict(model,type="response") на выходе время жизни (только данные нового случая подставить) для survreg. exp(coef) у Кокс относительно средних группы показывает "во сколько раз дольше-меньше".

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.

С R, поскольку Вы работаете в виндовс, лучше установить rstudio и команды писать в его редакторе, тогда полный протокол всегда будет под рукой. Надо просто найти где вычислялся v9 и вычислить. Обычно R сохраняет файл с образом всей памяти и только команды library() приходится повторять заново.

Параметрическую модель Вы фактически и посчитали в виде экспоненциальной регресии. survreg() подгоняет параметрическую модель.

survreg(формула,dist="exponential") для того варианта что Вы посчитали. survreg(формула) для распредления Weibull с риском не равным константе.

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.

Если Вы дружите с английским, попробуйте посмотреть вот эти 3 видео:

http://www.youtube.com/watch?v=YQ9538U8cPc...ture=plpp_video
http://www.youtube.com/watch?v=CNYOWZmwOIA...ture=plpp_video
http://www.youtube.com/watch?v=wTLsw-Ckfvw...ture=plpp_video

Довольно хороший объем информации, все примеры идут сначала в SPSS, а затем в R. Вам нужно постараться побыстрее вникнуть в специфику работы с R, потому как жалко, если некая часть проделанной работа будет бесследно исчезать. Многие вопросы должны пропасть после просмотра этих видео.

шаг 1--- установить http://rstudio.org/
шаг 2 --- писать все команды в его редакторе и сохранять их в файл.
шаг 3 --- постить сюда все последовательности команд приводящие к затруднениям

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

Для этого необходимо:

Выложить эти самые данные, прикрепив архив к сообщению. Либо обратиться на форум телепатов, чтобы они считали Ваши данные на расстоянии

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.

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).

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)

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.

Нажмите для просмотра прикрепленного файла

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.

И все таки как же мне найти h0?

Какая разница какой метод? Смотреть нужно на результаты, а не на методы.



Вопросы некорректны, поскольку 0.5 является оптимальным порогом классификации при котором достигается: Se = 100%, Sp = 100%, AUC = 100%



Вопросы некорректны, поскольку это единственный пациент по приведенным Вами же исходным данным, у которого не было выявлено прогрессии за весь максимальный срок наблюдения - 36 месяцев.

Если для Вас лучше прожить год и потом опять получить рецидивы, вместо того чтобы прожить без рецидивов 3 года, то вообще не понимаю о чем вообще тогда можно с таким "медицинским" работником, проповедующим ятрогению, разговаривать.

Не нравится моя математическая модель, дык я и не навязываю. Делайте так, как Вам нравится. Мое дело предложить, Ваше право отказаться.

Поищите других дураков (с) Владимир Высоцкий

И все-таки какой метод и что за формула? Вопрос принципиальный. Чтобы модель понравилась нужно как минимум понять что за закономерность такая.

Полный факторный эксперимент с минимизацией числа опытов. См. http://appmath.narod.ru/page6.html

Хотя по формуле в электронной таблице это неявно, т.к. она задана в другом представлении, более удобном для поиска экстремума с помощью генетического алгоритма, но тем не менее, с помощью опции Factor Expression в Maxima можно привести формулу к виду полного факторного эксперимента.



Математическое моделирование выполняется не для того, чтобы оно понравилось или не понравилось кому-то там, а для того, чтобы максимально соответствовать исходным данным, полученным по результатам исследований.

именно про это тут был целый тред совсем не давно, лучше его прочесть... повторить все это еще раз было бы бессмысленно

такая модель (максимально соответствующая исходным данным эксперимента) бесполезна более чем всегда

данные экспериментальные всегда содержат ошибку (поскольку эксперимент (или наблюдение) никогда нельзя полностью контролировать)

задача модели отделить ошибку в данных от изучаемого эффекта


Ваше предложение изучать экстремальные случаи скорее проходит по ведомству Синодальной комиссии В случае онко такое стремление к изучению оканчивалось вообще нехорошо (случай с излечением из-за потребления гранатового сока).

Не знаю, кому полезны Ваши модели не соответствующие данным эксперимента?



О чем и речь. Мало того, что в экспериментальных данных могут быть ошибки, если еще и модель будет неточной и начнет собственные ошибки вносить, то получится каша.

И вообще отдыхайте со своими 500 бесполезными советами. Вам лично я никаких моделей не навязываю, а нравятся ли Вам точные модели или не нравятся, дык Ваше малахольное мнение никого не интересует.

И действительно, о чем речь?
Осмелюсь высказать и свое малохольное мнение и напомнить о том, что вопрос был не о модели прогноза рецидивов вообще в течение 3-х лет, такой прогноз печален, почти 100% имеют рецидив в течение этого срока и ваша модель ничего не может уточнить по одному больному без рецидива. Задача была в том, чтобы прогнозировать время наступления рецидива у каждого больного, используя кокс регрессионные модели. Так, что если хотите перейти на личности, то Кокс будет не против, H0 можно получить по разному, эти объяснения с участием p2004 уже были на форуме, но автор поста, видимо не понял, возможно Ваши объяснения будут более понятны.

При таком, как Вы изволили выразиться, печальном прогнозе, т.е. почти 100%, задача прогнозирования времени наступления рецидива уже некорректна, т.к. рецидивы будут иметь место раньше или позже с очень высокой вероятностью. Здесь, и без уточнения регрессионными моделями уже понятно, что операция с высокой статистической значимостью может отрицательно повлиять здоровье пациентов, а посему более адекватным как раз является задача выявления причин, т.е. факторов влияющих на исход - рецидивы, чтобы учесть их в дальнейшем при принятии решения о необходимости проведения операции. Ведь рецидивы метастазов равносильны смертному приговору и принцип "Не навреди" никто не отменял.

Тем паче, что на этом форуме уже неоднократно выявлялись случаи, когда аспиранты по незнанию выбирали неадекватные методы для обработки исходных данных, т.к. чаще всего эксперименты заведомо не планируются, аспирант с математикой практически незнаком, а процесс выбора методов обработки результатов нередко начинается за несколько дней до сдачи работы рецензенту. В данном случае имеет место как раз тот самый случай.

Что касается Ваших утверждений о том, что якобы моя модель не может ничего уточнить по одному больному, то:

1. Модель составлялась не по одному, а по всем больным и по всем факторам, которые были выявлены в КИ
2. Чтобы подтвердить или опровергнуть гипотезу о адекватности или неадекватности модели, можно поднять данные по историям болезней для других больных, которым проводилась аналогичная операция и перепроверить и уточнить. Ведь это не просто некая абстрактная формула, а готовый уже программный продукт в виде электронной таблицы (plug and play), т.е. можно сразу вводить данные пациентов и сразу же получать готовые вычисленные результаты.

А поскольку ни у Вас ни у p2004r, для которого Вы решили выступить в качестве "адвоката", никаких доказательств неадекватности моей модели нет, а все "выводы" высосаны из 21 пальца, т.е. сплошная малахольная отсебятина, то и обсуждать с Вами нечего. Вышеуказанную математическую модель я Вам лично или Вашему подзащитному под кличкой p2004r, я не предлагал, не навязывал и не продавал, а посему огульно хаять ее Вы не имеете никакого права. Если не нравится, то сделайте лучше, чем у меня. Если не можете сделать лучше, то, как говориться, неча на зеркало пенять, коли рожа крива.

Да вы хоть поняли, что у всех больных уже были оперированы метастазы, чего раньше вообще у нас не делали, и кому то при этом продлили жизнь на 3 года, но кто то прожил до повторных МС только пол года, вот и нужно найти факторы влияющие на длительность безрецидивного течения, и если получается приличная кокс регрессионная модель, которая вас таки и не заинтересовала, то это поможет в принятии решения о целесообразности оперирования МС. Так что я еще и адвокат доктора, на которого вы также грубо наехали, не разобравшись в сути вопроса. Но умный доктор, промолчал по поводу полезности вашей модели, пациент всегда прав .

Вам - умным докторам никто не запрещает взять и вычислить эту самую регрессию кокса, если так уж неймется.

А насчет того, что якобы умные доктора молчат по поводу моей модели, то Вы в очередной раз соврали, т.к. оба доктора почему-то именно привязались к этой самой модели, и всячески вякают и охаивают ее. Видимо кому-то я помешал заработать на продаже моделей не соответствующих результатам экспериментов, выложив свою, да еще и совершенно бесплатно, отсюда наверное и такая бурная реакция на демпинг?

Еще раз предлагаю Вам замять бездоказательные разговорчики в строю о якобы неработоспособности моей модели и заняться своими моделями. Я ничего не имею против, если Вам удастся создать модель которая более соответствует задаче, нежели моя. Сумеете создать - будет хвала Вам и почет. А если не можете, то зачем же здесь трепать впустую языком?

Так уже и вычислили, а вы и не заметили

Каюсь, соврала, думала, промолчали, а оказывается, вякают и охаивают.

А что, вы уже тут всех построили в нужный вам строй и возражения не принимаются ? Ваша модель очень работоспособная, всем кроме одного больного она посчитала вероятность рецидива в течении 3 лет больше 0,5 и отказала всем этим больным в оперативном лечении МС, тем самым она слишком много на себя взяла. Ваша модель вообще не соответствует задаче, поскольку вы ее просто не поняли. А если я не права, то посчитайте с помощью своей системы вероятность прожить 12 мес и вероятность прожить 24 месяцев без повторных МС для любого больного базы данных, например того который у вас в примере.
Дальнейшая дискуссия с вами возможна только, если вы поймете, что выбранный вами тон не соответствует духу этого форума.

Эпитеты - не аргументы, а посему Ваша личная отсебятина меня не интересует. Попробуйте, например, с помощью статистических методов доказать неадекватность построенной мной математической модели, тогда и будет тема для обсуждения. А пустопорожняя брехня о том, что якобы я создал неправильную модель, дык на сей счет существует хорошая восточная поговорка: собаки брешут, караван идет.


А я Вам еще раз напоминаю, что уже до этого предлагал прикрыть бестолковую "дискуссию" по вразумлению меня в духе: "Ваша модель неверна, потому что какая-то там DrgLena с каким то там p2004r так малахольно так решили и постановили и приговор обжалованию не подлежит". Ваше предвзятое мнение о вышеуказанной математической модели мне и не только уже известно на протяжении нескольких подряд постов, зачем же вы его вновь и вновь повторяете с назойливой настойчивостью навозной мухи?

1. Вам уже _несколько_ раз объяснили почему Ваша модель бесполезна. Вы не реагируете _никак_ (кроме как не информативной бранью).

2. Вывод --- с вероятностью 80% Вы обыкновенный тролль (как обычно с завышенным самомнением, и неспособный поддерживать принятый образ дольше пары реплик). И общение с Вами в результате мало интересно.


PS Вам возражают только по причине что "могут дети прочитать" Ваше "отлитое в кирпичах".

Ну вот еще и молчун-затворник объявился. Знать я на правильном пути, ведь:

Зависть прочих художников всегда служила мне индикатором успеха (с) Сальвадор Дали

Ладно, ребятишки, видимо у Ваша словесная диарея нескончаема? Если гора не идет ..., то чтобы прекратить это безобразие, я Вас обоих говорунов занесу в черный список. Потому как лясы точить с Вами мне некогда, т.к. нужно алгоритм математической модели совершенствовать. А посему, если так уж Вам нейметься, то продолжайте испражняться здесь в словоблудии, но только без меня.

О да, Дали Вам к лицу и к месту безусловно