Κύριος Αλλα Ανταγωνιστική Ανάλυση Κινδύνου

Ανταγωνιστική Ανάλυση Κινδύνου

ΣΦΑΙΡΙΚΗ ΕΙΚΟΝΑ

Λογισμικό

Περιγραφή

Ιστοσελίδες

Αναγνώσεις

ΚΥΚΛΟΣ ΜΑΘΗΜΑΤΩΝ

ΣΦΑΙΡΙΚΗ ΕΙΚΟΝΑ

Η ανταγωνιστική ανάλυση κινδύνου αναφέρεται σε έναν ειδικό τύπο ανάλυσης επιβίωσης που στοχεύει στη σωστή εκτίμηση της οριακής πιθανότητας ενός γεγονότος παρουσία ανταγωνιστικών γεγονότων. Οι παραδοσιακές μέθοδοι για την περιγραφή της διαδικασίας επιβίωσης, όπως η μέθοδος ορίου προϊόντος Kaplan Meier, δεν έχουν σχεδιαστεί για να ανταποκρίνονται στην ανταγωνιστική φύση πολλαπλών αιτίων στο ίδιο γεγονός, επομένως τείνουν να παράγουν ανακριβείς εκτιμήσεις κατά την ανάλυση της οριακής πιθανότητας για συγκεκριμένα γεγονότα. Ως λύση, προτάθηκε η συνάρτηση αθροιστικής επίπτωσης (CIF) για την επίλυση αυτού του συγκεκριμένου ζητήματος εκτιμώντας την οριακή πιθανότητα ενός συγκεκριμένου συμβάντος ως συνάρτηση της πιθανότητας για συγκεκριμένη αιτία και της συνολικής πιθανότητας επιβίωσης. Αυτή η μέθοδος υβριδοποιεί την ιδέα της προσέγγισης ορίου προϊόντος και την ιδέα της ανταγωνιστικής αιτιώδους πορείας, η οποία παρέχει μια πιο ερμηνεύσιμη εκτίμηση για την εμπειρία επιβίωσης πολλαπλών ανταγωνιστικών γεγονότων για μια ομάδα θεμάτων. Όπως πολλές αναλύσεις, η ανταγωνιστική ανάλυση κινδύνου περιλαμβάνει μια μη παραμετρική μέθοδο που περιλαμβάνει τη χρήση ενός τροποποιημένου τετραγωνικού τεστ για τη σύγκριση καμπυλών CIF μεταξύ ομάδων και μια παραμετρική προσέγγιση που διαμορφώνει το CIF βάσει μιας λειτουργίας κινδύνου υποδιανομής.

Περιγραφή

1. Τι είναι ανταγωνιστικός αγώνας και ανταγωνιστικός κίνδυνος;

Στα τυπικά δεδομένα επιβίωσης, τα άτομα υποτίθεται ότι αντιμετωπίζουν μόνο έναν τύπο συμβάντος κατά την παρακολούθηση, όπως ο θάνατος από καρκίνο του μαστού. Αντίθετα, στην πραγματική ζωή, τα άτομα μπορούν δυνητικά να βιώσουν περισσότερους από έναν τύπους συγκεκριμένου συμβάντος. Για παράδειγμα, εάν η θνησιμότητα έχει ερευνητικό ενδιαφέρον, τότε οι παρατηρήσεις μας - ηλικιωμένοι ασθενείς σε ογκολογικό τμήμα, θα μπορούσαν ενδεχομένως να πεθάνουν από καρδιακή προσβολή ή καρκίνο του μαστού ή ακόμη και από τροχαίο ατύχημα. Όταν μπορεί να συμβεί μόνο ένας από αυτούς τους διαφορετικούς τύπους γεγονότων, αναφερόμαστε σε αυτά τα γεγονότα ως ανταγωνιστικά γεγονότα, υπό την έννοια ότι ανταγωνίζονται μεταξύ τους για να παραδώσουν το γεγονός ενδιαφέροντος και η εμφάνιση ενός τύπου εκδήλωσης θα αποτρέψει την εμφάνιση οι άλλοι. Ως αποτέλεσμα, ονομάζουμε την πιθανότητα αυτών των γεγονότων ως ανταγωνιστικούς κινδύνους, με την έννοια ότι η πιθανότητα κάθε αγωνιστικού γεγονότος ρυθμίζεται κάπως από τα άλλα αγωνιστικά γεγονότα, η οποία έχει μια ερμηνεία κατάλληλη για να περιγράψει τη διαδικασία επιβίωσης που καθορίζεται από πολλούς τύπους γεγονότων .

εφέ της Χιροσίμα και του Ναγκασάκι

Για να κατανοήσετε καλύτερα το σενάριο των αγώνων, λάβετε υπόψη τα ακόλουθα παραδείγματα:

1) Ένας ασθενής μπορεί να πεθάνει από καρκίνο του μαστού ή από εγκεφαλικό επεισόδιο, αλλά δεν μπορεί να πεθάνει και από τα δύο.
3) Ένας στρατιώτης μπορεί να πεθάνει κατά τη διάρκεια μιας μάχης ή σε τροχαίο ατύχημα.

Στα παραπάνω παραδείγματα, υπάρχουν περισσότερα από ένα μονοπάτια στα οποία ένα άτομο μπορεί να αποτύχει, αλλά η αποτυχία, είτε ο θάνατος είτε η μόλυνση, μπορεί να συμβεί μόνο μία φορά για κάθε άτομο (χωρίς να εξετάσουμε το επαναλαμβανόμενο συμβάν). Επομένως, οι αποτυχίες που προκαλούνται από διαφορετικές διαδρομές είναι αμοιβαία αποκλειστικές και ως εκ τούτου ονομάζονται ανταγωνιστικά γεγονότα. Η ανάλυση τέτοιων δεδομένων απαιτεί ειδικές εκτιμήσεις.

2. Γιατί δεν πρέπει να χρησιμοποιούμε τον εκτιμητή Kaplan Meier;

Όπως και στην τυπική ανάλυση επιβίωσης, το αναλυτικό αντικείμενο για δεδομένα αγωνιστικών γεγονότων είναι να εκτιμηθεί η πιθανότητα ενός γεγονότος μεταξύ των πολλών πιθανών γεγονότων με την πάροδο του χρόνου, επιτρέποντας στα άτομα να αποτύχουν από ανταγωνιστικά γεγονότα. Στα παραπάνω παραδείγματα, ενδέχεται να θέλουμε να εκτιμήσουμε το ποσοστό θνησιμότητας του καρκίνου του μαστού με την πάροδο του χρόνου και να μάθουμε αν το ποσοστό θνησιμότητας του καρκίνου του μαστού διαφέρει μεταξύ δύο ή περισσότερων ομάδων θεραπείας, με ή χωρίς προσαρμογή των συνδιαλλαγών. Στην τυπική ανάλυση επιβίωσης αυτές οι ερωτήσεις μπορούν να απαντηθούν χρησιμοποιώντας τη μέθοδο ορίου προϊόντος Kaplan Meier για να ληφθεί η πιθανότητα συμβάντος με την πάροδο του χρόνου, και το μοντέλο αναλογικού κινδύνου Cox για την πρόβλεψη αυτής της πιθανότητας. Ομοίως, σε δεδομένα αγώνων αγώνων, η τυπική προσέγγιση περιλαμβάνει τη χρήση του εκτιμητή KM για την ξεχωριστή εκτίμηση της πιθανότητας για κάθε τύπο συμβάντος, ενώ αντιμετωπίζει τα άλλα ανταγωνιστικά γεγονότα ως λογοκρισία εκτός από εκείνα που λογοκρίνονται από απώλεια σε συνέχεια ή απόσυρση. Αυτή η μέθοδος εκτίμησης της πιθανότητας συμβάντος ονομάζεται συνάρτηση κινδύνου για συγκεκριμένη αιτία, η οποία εκφράζεται μαθηματικά ως:

Η τυχαία μεταβλητή Tc δηλώνει το χρόνο έως την αποτυχία από τον τύπο συμβάντος c, επομένως η συνάρτηση κινδύνου για συγκεκριμένη αιτία hc (t) δίνει το ρυθμό στιγμιαίας αστοχίας στο χρόνο t από τον τύπο συμβάντος c, δεδομένου ότι δεν αποτυγχάνει από το συμβάν c κατά το χρόνο t.

Αντίστοιχα, υπάρχει ένα συγκεκριμένο μοντέλο κινδύνου που βασίζεται στο αναλογικό μοντέλο κινδύνου Cox το οποίο έχει τη μορφή:

ορισμός επιδημίας έναντι πανδημίας

Αυτό το αναλογικό μοντέλο κινδύνου του τύπου συμβάντος c στο χρόνο t επιτρέπει στα εφέ των συνδιακύμαντων να διαφέρουν ανάλογα με τους τύπους συμβάντων, όπως υποδηλώνει ο συντελεστής beta που έχει εγγραφεί.

Χρησιμοποιώντας αυτές τις μεθόδους, μπορεί κανείς να εκτιμήσει χωριστά το ποσοστό αποτυχίας για καθένα από τα ανταγωνιστικά γεγονότα. Για παράδειγμα, στο παράδειγμα θνησιμότητας από καρκίνο του μαστού, όταν ο θάνατος από καρκίνο του μαστού είναι το ενδιαφέρον, ο θάνατος από καρδιακή προσβολή και όλες οι άλλες αιτίες πρέπει να αντιμετωπίζονται ως λογοκρισία εκτός από τις συμβατικές λογοκρισίες. Αυτό θα μας επέτρεπε να εκτιμήσουμε τον ειδικό για την αιτία κίνδυνο για το ποσοστό θνησιμότητας από καρκίνο του μαστού και να συνεχίσουμε να προσαρμόζουμε ένα μοντέλο κινδύνου για τη θνησιμότητα από καρκίνο του μαστού. Η ίδια διαδικασία μπορεί να εφαρμοστεί στον θάνατο από καρδιακή προσβολή όταν γίνεται γεγονός ενδιαφέροντος.

Μια σημαντική προειδοποίηση της συγκεκριμένης αιτίας προσέγγισης είναι ότι εξακολουθεί να αναλαμβάνει ανεξάρτητη λογοκρισία για θέματα που δεν λογοκρίνονται στην πραγματικότητα αλλά απέτυχαν από ανταγωνιστικά γεγονότα, όπως για την τυπική λογοκρισία, όπως η απώλεια παρακολούθησης. Ας υποθέσουμε ότι αυτή η υπόθεση είναι αληθινή, όταν εστιάζουμε σε ένα συγκεκριμένο ποσοστό θανάτου από καρκίνο του μαστού, τότε οποιοδήποτε λογοκρισμένο άτομο θα είχε το ίδιο ποσοστό θανάτου από καρκίνο του μαστού, ανεξάρτητα από το αν ο λόγος λογοκρισίας είναι είτε CVD είτε άλλη αιτία θανάτου , ή απώλεια παρακολούθησης. Αυτή η υπόθεση ισοδυναμεί με το να λέει ότι τα αγωνιστικά γεγονότα είναι ανεξάρτητα, το οποίο είναι το θεμέλιο για τον τύπο ανάλυσης KM να είναι έγκυρος. Ωστόσο, δεν υπάρχει τρόπος να ελέγξετε ρητά εάν αυτή η υπόθεση ικανοποιείται για οποιοδήποτε δεδομένο σύνολο δεδομένων. Για παράδειγμα, δεν μπορούμε ποτέ να προσδιορίσουμε εάν ένα άτομο που πέθανε από καρδιακή προσβολή θα πέθαινε από καρκίνο του μαστού εάν δεν πέθανε από καρδιακή προσβολή, καθώς ο πιθανός θάνατος από καρκίνο είναι ανεπιτήρητος για άτομα που πέθαναν από καρδιακή προσβολή. Επομένως, οι εκτιμήσεις από τη συνάρτηση κινδύνου για συγκεκριμένη αιτία δεν έχουν ενημερωτική ερμηνεία, καθώς βασίζεται σε μεγάλο βαθμό στην υπόθεση λογοκρισίας ανεξαρτησίας.

3. Ποια είναι η λύση;

Μέχρι σήμερα, η πιο δημοφιλής εναλλακτική προσέγγιση για την ανάλυση δεδομένων ανταγωνιστικών γεγονότων ονομάζεται Λειτουργία Συγκεντρωτικών Συμβάντων (CIF), η οποία υπολογίζει την οριακή πιθανότητα για κάθε ανταγωνιστικό γεγονός. Η οριακή πιθανότητα ορίζεται ως η πιθανότητα των ατόμων που ανέπτυξαν πραγματικά το γεγονός ενδιαφέροντος, ανεξάρτητα από το εάν λογοκρίθηκαν ή απέτυχαν από άλλα ανταγωνιστικά γεγονότα. Στην απλούστερη περίπτωση, όταν υπάρχει μόνο ένα γεγονός ενδιαφέροντος, το CIF πρέπει να ισούται με την εκτίμηση (1-KM). Όταν υπάρχουν αγωνιστικά γεγονότα, ωστόσο, η οριακή πιθανότητα κάθε αγωνιστικού γεγονότος μπορεί να εκτιμηθεί από το CIF, το οποίο προέρχεται από τον ειδικό για την αιτία κίνδυνο, όπως συζητήσαμε προηγουμένως. Εξ ορισμού, η οριακή πιθανότητα δεν προϋποθέτει την ανεξαρτησία των ανταγωνιστικών γεγονότων και έχει μια ερμηνεία που είναι πιο σχετική με τον ιατρό σε αναλύσεις κόστους-αποτελεσματικότητας στις οποίες χρησιμοποιείται πιθανότητα κινδύνου για την αξιολόγηση της χρησιμότητας της θεραπείας.

3.1 Λειτουργία αθροιστικής επίπτωσης (CIF)

Η κατασκευή ενός CIF είναι τόσο απλή όσο η εκτίμηση της KM. Είναι προϊόν δύο εκτιμήσεων:

1) Η εκτίμηση του κινδύνου κατά τον χρόνο αποτυχίας που παραγγέλθηκε tf για τον τύπο ενδιαφέροντος εκδήλωσης, εκφραζόμενη ως:

όπου το mcf δηλώνει τον αριθμό συμβάντων για τον κίνδυνο c τη στιγμή tf και nf είναι ο αριθμός των θεμάτων εκείνη τη στιγμή.

2) Η εκτίμηση της συνολικής πιθανότητας επιβίωσης του προηγούμενου χρόνου (td-1):

όπου S (t) υποδηλώνει τη συνάρτηση συνολικής επιβίωσης και όχι τη συνάρτηση επιβίωσης συγκεκριμένης αιτίας. Ο λόγος για τον οποίο πρέπει να λάβουμε υπόψη τη συνολική επιβίωση είναι απλός αλλά σημαντικός: ένα θέμα πρέπει να είχε επιβιώσει από όλα τα άλλα αγωνιστικά γεγονότα για να αποτύχει από τον τύπο γ του γεγονότος στο timetf.

Με αυτές τις δύο εκτιμήσεις, μπορούμε να υπολογίσουμε την εκτιμώμενη πιθανότητα εμφάνισης αποτυχίας από το συμβάν τύπου c τη στιγμή tf ως:

Η εξίσωση είναι αυτονόητη: η πιθανότητα αποτυχίας από τον τύπο συμβάντος c τη στιγμή tf είναι απλώς το προϊόν της επιβίωσης των προηγούμενων χρονικών περιόδων και η αιτία συγκεκριμένου κινδύνου στο χρόνο tf.

Το CIF για τον τύπο συμβάντος c στο χρόνο tf είναι τότε το αθροιστικό άθροισμα έως το χρόνο tf (δηλαδή, από f ’= 1 έως f’ = f) αυτών των πιθανοτήτων εμφάνισης σε όλους τους χρόνους αποτυχίας του τύπου συμβάντος c, το οποίο εκφράζεται ως:

Όπως αναφέραμε προηγουμένως, το CIF είναι ισοδύναμο με τον εκτιμητή 1-KM όταν δεν υπάρχει ανταγωνιστικό γεγονός. Όταν υπάρχει αγωνιστικό γεγονός, το CIF διαφέρει από τον εκτιμητή 1-KM στο ότι χρησιμοποιεί τη συνάρτηση συνολικής επιβίωσης S (t) που μετρά τις αποτυχίες από ανταγωνιστικά γεγονότα εκτός από το γεγονός ενδιαφέροντος, ενώ ο εκτιμητής 1-KM χρησιμοποιεί τον τύπο συμβάντος ειδική συνάρτηση επιβίωσης Sc (t), η οποία αντιμετωπίζει τις αποτυχίες από ανταγωνιστικά γεγονότα ως λογοκριμένη.

ms στη μη κερδοσκοπική διαχείριση

Χρησιμοποιώντας τη συνολική λειτουργία επιβίωσης, η CIF παρακάμπτει την ανάγκη να γίνουν αδιαμφισβήτητες παραδοχές ανεξαρτησίας λογοκρισίας σε ανταγωνιστικά γεγονότα. Δεδομένου ότι το S (t) είναι πάντα μικρότερο από το Sc (t), στα δεδομένα ανταγωνιστικών γεγονότων, το CIF είναι πάντα μικρότερο από τις εκτιμήσεις 1-KM, πράγμα που σημαίνει ότι το 1-KM τείνει να υπερεκτιμά την πιθανότητα αποτυχίας από τον τύπο ενδιαφέροντος του συμβάντος . Ένα άλλο πλεονέκτημα είναι ότι, εξ ορισμού, το CIF κάθε αγωνιστικού γεγονότος είναι ένα κλάσμα του S (t), επομένως το άθροισμα κάθε μεμονωμένου κινδύνου για όλα τα αγωνιστικά γεγονότα πρέπει να ισούται με τον συνολικό κίνδυνο. Αυτή η ιδιότητα του CIF καθιστά δυνατή την ανατομή του συνολικού κινδύνου, ο οποίος έχει πιο πρακτικές ερμηνείες.

3.2 Μη παραμετρική ανάλυση

Ο Gray (1988) πρότεινε μια μη παραμετρική δοκιμή για σύγκριση δύο ή περισσότερων CIF. Η δοκιμή είναι ανάλογη με τη δοκιμή log-rank που συγκρίνει τις καμπύλες KM, χρησιμοποιώντας μια τροποποιημένη στατιστική δοκιμής Chi-squared. Αυτή η δοκιμή δεν απαιτεί την ανεξάρτητη υπόθεση λογοκρισίας. Διαβάστε το αρχικό άρθρο για λεπτομέρειες σχετικά με τον τρόπο κατασκευής αυτών των στατιστικών δοκιμών.

3.3 Παραμετρική ανάλυση

Ο Fine and Gray (1999) πρότεινε ένα μοντέλο αναλογικών κινδύνων που στοχεύει στη μοντελοποίηση του CIF με συνδιακύμανση, αντιμετωπίζοντας την καμπύλη CIF ως συνάρτηση υποδιανομής. Η συνάρτηση υποδιανομής είναι ανάλογη με το μοντέλο κινδύνου αναλογικού Cox, εκτός του ότι διαμορφώνει μια συνάρτηση κινδύνου (γνωστή ως κίνδυνος υποδιανομής) που προέρχεται από ένα CIF. Η λειτουργία κινδύνου υποδιανομής Fine and Grey για τον τύπο συμβάντος c μπορεί να εκφραστεί ως:

Η παραπάνω συνάρτηση υπολογίζει το ποσοστό κινδύνου για τον τύπο συμβάντος c στο χρόνο t με βάση το σύνολο κινδύνου που παραμένει στο χρόνο t μετά την καταγραφή όλων των προηγούμενων τύπων συμβάντων, που περιλαμβάνουν ανταγωνιστικά γεγονότα.

Το αναλογικό μοντέλο κινδύνου βάσει CIF ορίζεται ως εξής:

Αυτό το μοντέλο ικανοποίησε την υπόθεση αναλογικού κινδύνου για τον κίνδυνο υποπληθυσμού που μοντελοποιείται, πράγμα που σημαίνει ότι ο τύπος γενικής αναλογίας κινδύνου είναι ουσιαστικά ο ίδιος με το μοντέλο Cox, εκτός από μια μικρή αισθητική διαφορά ότι οι betas στο μοντέλο Cox αντικαθίστανται από γάμμα σε Fine και Το μοντέλο του Gray. Κατά συνέπεια, πρέπει να ερμηνεύσουμε τα γάμμα με παρόμοιο τρόπο όπως και για τα betas που υπολογίζονται από ένα μοντέλο Cox, εκτός από το ότι εκτιμά την επίδραση ορισμένων συντεταγμένων παρουσία ανταγωνιστικών γεγονότων. Το μοντέλο Fine and Grey μπορεί επίσης να επεκταθεί για να επιτρέπει χρονικά εξαρτώμενα συντεταγμένα.

Σήμερα, η ανάλυση ανταγωνιστικών δεδομένων χρησιμοποιώντας μη παραμετρική ή παραμετρική μέθοδο είναι διαθέσιμη στα κύρια στατιστικά πακέτα, συμπεριλαμβανομένων των R, STATA και SAS.

Αναγνώσεις

Βιβλία και κεφάλαια

J. D. Kalbfleisch, and Ross L. Prentice, «Compitting Risks and Multistate Models», στο The Statistic Analysis of Failure Time Data (Hoboken, N.J .: J. Wiley, 2002), σελ. 247-77.
Η ιδέα της CIF προτάθηκε για πρώτη φορά σε αυτό το βιβλίο. Σας δίνει μια πειστική λογική για το γιατί δεν μπορείτε να αναλύσετε ανταγωνιστικά δεδομένα χρησιμοποιώντας τη μέθοδο Kaplan Meier.

David G. Kleinbaum, και Mitchel Klein, «Compitting Risks Survival Analysis», στο Survival Analysis: A Self-Learning Text (New York: Springer, 2012), σελ. 425-95.
Όλη αυτή η σελίδα δανείστηκε σε μεγάλο βαθμό από αυτό το φοβερό κεφάλαιο από τους Kleinbaum & Klein, το συνιστώ ανεπιφύλακτα! ΥΣΤΕΡΟΓΡΑΦΟ. Συνιστώ ανεπιφύλακτα όλα τα στατιστικά εγχειρίδια του Kleinbaum γενικά.

Μπομπ Γκρί (2013). cmprsk: Ανάλυση υποδιανομής ανταγωνιστικών κινδύνων. Έκδοση πακέτου R 2.2-6. http://CRAN.R-project.org/package=cmprsk
Αυτό είναι το εγχειρίδιο χρήστη του πακέτου R cmprsk, παρέχει οδηγίες φιλικές προς τον άνθρωπο σχετικά με τον τρόπο υλοποίησης αυτών των λειτουργιών.

stcrreg - Ανταγωνιστική παλινδρόμηση κινδύνων, StataCorp. 2013. Εγχειρίδιο αναφοράς βάσης Stata 13. College Station, TX: Stata Press.
Αυτό είναι το εγχειρίδιο χρήστη STATA, το γνωρίζω πολύ λίγα, αλλά φαίνεται να είναι ενημερωτικό για ειδικευμένους χρήστες STATA.

Αναλογικό μοντέλο κινδύνων υποδιανομής για δεδομένα ανταγωνισμού-κινδύνων, SAS Institute Inc. 2013. Οδηγός χρήστη SAS / STAT® 13.1: pp5991-5995. Cary, NC: SAS Institute Inc.
Αυτό είναι ένα από αυτά τα έγγραφα φόρουμ SAS που περιγράφει πώς να αναλύσετε ανταγωνιστικούς κινδύνους χρησιμοποιώντας PROC PHREG στο SAS. Πολύ λεπτομερές και χρήσιμο.

ποια είναι η διαφορά μεταξύ πανδημίας και επιδημίας

Μεθοδολογικά άρθρα

Prentice, Ross L., et αϊ. Η ανάλυση των χρόνων αποτυχίας παρουσία ανταγωνιστικών κινδύνων. Biometrics (1978): 541-554.
Αυτό το άρθρο είναι πολύ παρόμοιο με το κεφάλαιο του βιβλίου των Kalbfleisch και Prentice, πιθανώς είναι το ίδιο χαρτί.

Gray, Robert J. Μια κατηγορία δοκιμών δείγματος Κ για τη σύγκριση της σωρευτικής επίπτωσης ενός ανταγωνιστικού κινδύνου. Τα χρονικά στατιστικών (1988): 1141-1154.
Αυτό είναι το έγγραφο που πρότεινε την τροποποιημένη δοκιμή Chi-squared για σύγκριση δύο ή περισσότερων CIF. Επος!

Fine, Jason P. και Robert J. Gray. Ένα αναλογικό μοντέλο κινδύνων για την υποδιανομή ενός ανταγωνιστικού κινδύνου. Εφημερίδα της Αμερικανικής Στατιστικής Ένωσης 94.446 (1999): 496-509.
Αυτό είναι το έγγραφο που πρότεινε τη λειτουργία κινδύνου υποδιανομής και το αναλογικό μοντέλο κινδύνου για CIF. Επος!

Latouche, Aurélien, et al. Λανθασμένο μοντέλο παλινδρόμησης για τον κίνδυνο υποδιανομής ενός ανταγωνιστικού κινδύνου. Στατιστικές στην ιατρική 26.5 (2007): 965-974.
Αυτό το άρθρο επέκρινε την κατάχρηση της λειτουργίας κινδύνου υποδιανομής σε δημοσιευμένα άρθρα. Είναι χρήσιμο αφού επεσήμανε ορισμένα κοινά λάθη κατά τη χρήση αυτής της μεθόδου.

Lau, Bryan, Stephen R. Cole και Stephen J. Gange. Ανταγωνιστικά μοντέλα παλινδρόμησης κινδύνου για επιδημιολογικά δεδομένα. Αμερικανικό περιοδικό επιδημιολογίας 170.2 (2009): 244-256.
Αυτό το άρθρο παρέχει μια εξαιρετική περίληψη της CIF και της ανταγωνιστικής παλινδρόμησης κινδύνου, με ζωντανά γραφήματα. Έχει επίσης εφαρμογή αυτής της μεθόδου σε δεδομένα πραγματικού κόσμου. Πολύ χρήσιμο για επιδημιολόγους.

Zhou, Bingqing, et αϊ. Ανταγωνισμός παλινδρόμησης κινδύνων για στρωματοποιημένα δεδομένα. Βιομετρικά 67.2 (2011): 661-670.
Το έγγραφο επέκτεινε τις μεθόδους του Gray για την ανάλυση στρωματοποιημένων δεδομένων.

Zhou, Bingqing, et αϊ. Ανταγωνισμός παλινδρόμησης κινδύνων για συγκεντρωτικά δεδομένα. Βιοστατιστική 13.3 (2012): 371-383.
Το έγγραφο επέκτεινε τις μεθόδους του Gray για την ανάλυση των συγκεντρωτικών δεδομένων.

Andersen, Per Kragh, et αϊ. Ανταγωνισμός κινδύνων στην επιδημιολογία: δυνατότητες και παγίδες. Διεθνές περιοδικό επιδημιολογίας 41.3 (2012): 861-870.
Μια καλή περίληψη και κριτική των μεθόδων του Gray.

Άρθρα εφαρμογής

Wolbers, Marcel, et αϊ. Προγνωστικά μοντέλα με ανταγωνιστικούς κινδύνους: μέθοδοι και εφαρμογή στην πρόβλεψη στεφανιαίου κινδύνου. Επιδημιολογία 20.4 (2009): 555-561.
Αυτό το άρθρο συνέκρινε το μοντέλο Fine and Gray με το πρότυπο μοντέλο Cox στην ανάλυση της θνησιμότητας των στεφανιαίων καρδιακών παθήσεων και έδειξε ότι το μοντέλο Cox υπερεκτίμησε τον κίνδυνο.

Wolbers, Marcel, et αϊ. Ανταγωνισμός αναλύσεων κινδύνων: στόχοι και προσεγγίσεις. European Heart Journal (2014): ehu131.
Αυτό το άρθρο είναι επίσης από τους Wolbers et al. αλλά δίνει μια πιο εκτεταμένη ανασκόπηση της μεθόδου του Gray και ένα παράδειγμα ανάλυσης της εμφυτεύσιμης αποτελεσματικότητας των καρδιακών μετατροπέων-απινιδωτών.

Grover, Gurprit, Prafulla Kumar Swain και Vajala Ravi. Μια ανταγωνιζόμενη προσέγγιση κινδύνου με λογοκρισία για την εκτίμηση της πιθανότητας θανάτου ασθενών με HIV / AIDS σε αντιρετροϊκή θεραπεία υπό την παρουσία ομοιοπαθητικών. Στατιστικά Ερευνητικά Γράμματα 3.1 (2014).
Μια κλασική εφαρμογή στην έρευνα για τη θεραπεία του HIV.

Dignam, James J., Qiang Zhang και Masha Kocherginsky. Η χρήση και η ερμηνεία ανταγωνιστικών μοντέλων παλινδρόμησης κινδύνων. Clinical Cancer Research 18.8 (2012): 2301-2308.
Αυτή η εργασία χρησιμοποίησε ένα παράδειγμα δεδομένων από μια κλινική δοκιμή ομάδας ογκολογίας ακτινοθεραπείας για καρκίνο του προστάτη για να δείξει ότι διαφορετικό μοντέλο κινδύνου μπορεί να οδηγήσει σε πολύ διαφορετικά συμπεράσματα σχετικά με τον ίδιο προγνωστικό παράγοντα.

Μαθήματα

Scrucca, L., A. Santucci και F. Aversa. Ανταγωνιστική ανάλυση κινδύνου με χρήση του R: ένας εύκολος οδηγός για τους κλινικούς ιατρούς. Μεταμόσχευση μυελού των οστών 40.4 (2007): 381-387.
Ένα πολύ ωραίο σεμινάριο για την εκτίμηση του CIF σε R για μη-στατιστικά άτομα.

Scrucca, L., A. Santucci και F. Aversa. Μοντελοποίηση παλινδρόμησης ανταγωνιστικού κινδύνου με χρήση του R: έναν σε βάθος οδηγό για τους κλινικούς ιατρούς. Μεταμόσχευση μυελού των οστών 45,9 (2010): 1388-1395.
Ένα πολύ ωραίο σεμινάριο για την εφαρμογή ανταγωνιστικής παλινδρόμησης κινδύνου στο R για μη-στατικά άτομα.

Scheike, Thomas H. και Mei-Jie Zhang. Ανάλυση ανταγωνιστικών δεδομένων κινδύνου χρησιμοποιώντας το πακέτο R timereg. Εφημερίδα στατιστικού λογισμικού 38.2 (2011).
Εισαγωγή σε ένα timereg πακέτου R εκτός από το πακέτο cmprsk για ανταγωνιστική ανάλυση δεδομένων.

επίδραση της πυρηνικής βόμβας

Μαθήματα STATA

Coviello, Vincenzo και May Boggess. Αθροιστική εκτίμηση επίπτωσης παρουσία ανταγωνιστικών κινδύνων. Περιοδικό STATA 4 (2004): 103-112.

SAS tutorials

Lin, Guixian, Ying So και Gordon Johnston. Ανάλυση δεδομένων επιβίωσης με ανταγωνιστικούς κινδύνους χρησιμοποιώντας λογισμικό SAS. Παγκόσμιο φόρουμ SAS. Τομ. 2102. 2012.

ΚΥΚΛΟΣ ΜΑΘΗΜΑΤΩΝ

Sally R. Hinchlie. Ανταγωνιστικοί κίνδυνοι - Τι, γιατί, πότε και πώς; Ανάλυση επιβίωσης για νέους ερευνητές, Τμήμα Επιστημών Υγείας, Πανεπιστήμιο του Λέστερ, 2012
Μια φοβερή διάλεξη για την ανταγωνιστική ανάλυση κινδύνου με πολλά γραφήματα για να κατανοήσουμε τη μέθοδο.

Bernhard Haller. Ανάλυση δεδομένων ανταγωνιστικών κινδύνων και προσομοίωση δεδομένων μετά από προηγούμενους κινδύνους υποδιανομής, Σεμινάριο έρευνας, Ινστιτούτο Ιατρικής Στατιστικής και Επιδημιολογίας, Πολυτεχνείο του Μονάχου, 2013
Διδάξτε πώς να προσομοιώσετε ανταγωνιστικά δεδομένα, λίγο δύσκολο να ακολουθήσετε.

Roberto G. Gutierrez. Ανταγωνισμός παλινδρόμησης κινδύνων, Συνάντηση Ομάδας χρηστών Stata Αυστραλίας και Νέας Ζηλανδίας 2009. StataCorp LP, 2009
Διάλεξη σχετικά με τη χρήση του STATA για την ανάλυση ανταγωνιστικών δεδομένων κινδύνου.

Zaixing Shi, Ανταγωνιστική Ανάλυση Κινδύνου - Παρουσίαση Epi VI, παρουσίαση εαρινού εξαμήνου 2014.
Αυτή είναι η παρουσίαση των διαφανειών μου!

Ενδιαφέροντα Άρθρα