MerQuR+Başvuru Kitabı

145. Çok durumlu model: hastalık-ölüm

Şablon kimliği: cok_durumlu_mstate · Kategori: sağkalım · Dil: R · Dosya: pro/sablonlar/sagkalim/cok_durumlu_mstate.R (satır 1–236; üstbilgi 1–102) · Örnek veri: _ornek/ebmt3.csv · Paketler: mstate (0.3.3), survival (3.8-6)

145.1 Ne işe yarar

Şablon, bir bireyin bir başlangıç durumundan ya doğrudan son duruma (nüks ya da ölüm) ya da önce bir ara durumdan (trombosit iyileşmesi, hastalığın ilerlemesi, taburculuk) geçerek son duruma ulaştığı hastalık-ölüm sürecini modeller (Putter ve ark., 2007; de Wreede ve ark., 2011). İki şey yapar: (i) ortak değişkenlerin her geçişin tehlikesine ayrı ayrı etkisini geçişe özgü Cox modelleriyle kestirir; (ii) ortak değişkensiz modelden zaman içinde her durumda bulunma olasılığını Aalen–Johansen kestiricisiyle verir. Cevapladığı soru: "Kemik iliği nakli sonrası hastaların trombosit sayısı toparlanırsa nüks ya da ölüm riski nasıl değişir, yaş ve vericiyle uyum bu iki geçişi ayrı ayrı nasıl etkiler ve nakilden 1, 5 ve 10 yıl sonra bir hasta hangi durumda olur?"

Tek olaylı bir Cox modeli ya da Kaplan–Meier eğrisi ara olayı yok sayar; bu şablon ara olayın sonraki riski nasıl değiştirdiğini ve bir ortak değişkenin hangi geçiş üzerinden etki ettiğini gösterir. Durum yapısı sabittir: 1 = başlangıç, 2 = ara durum, 3 = son (soğurucu) durum; geçişler 1→2 (geçiş 1), 1→3 (geçiş 2) ve 2→3 (geçiş 3).

Ne zaman kullanılır?

  • Geçiş zamanları sürekli ve kesin biliniyor, ara olay (ya da ona karşılık gelen bir ölçüm) tek ve geri dönüşsüz.
  • Ortak değişkenin etkisinin geçişe göre değişip değişmediği (ör. verici uyuşmazlığının yalnız ara olaydan önceki riski mi, yoksa ara olaydan sonraki riski de mi etkilediği) soruluyor.
  • Bir kohortun belirli bir süre sonra hangi durumda bulunacağının (iyileşmiş, ara durumda, nüks ya da ölüm) ortak değişkensiz tahmini gerekiyor.

Ne zaman kullanılmaz?

  • Durum yalnız düzensiz ziyaretlerde gözleniyorsa (panel veri) ya da ikiden çok geçici durum ve geri dönüş varsa: cok_durumlu_msm (Bölüm 144).
  • Ara durum yoksa ve olay türleri birbirini dışlıyorsa (rekabet riskleri): temel programdaki rekabet riskleri analizi (kümülatif insidans ve Gray testi).
  • Tek olay ve sansür varsa: temel programdaki Kaplan–Meier ve Cox analizleri.
  • Bir bireyde aynı olay yinelenebiliyorsa: yineleyen_olay (Bölüm 154).
  • Ortak değişkene göre durum olasılıkları isteniyorsa: bu şablonun olasılıkları ortak değişkensizdir (145.4.6); ortak değişkenli tahmin için ilgili grupları ayrı çalıştırın.
  • Bireyler kümelenmişse (merkez, aile) ve kümeye özgü rastgele etki isteniyorsa: karma_etkili_cox (Bölüm 148); bu şablonda yalnız küme sağlam SH vardır.

Temel programla ilişki. Temel programdaki rekabet riskleri analizi tek başlangıç durumundan birden çok son olaya geçişi (ve Aalen–Johansen türü kümülatif insidansı) ele alır, ara durum ve ara durumdan sonraki tehlikeyi içermez. Hastalık-ölüm modeli, geçişe özgü Cox katsayıları ve çok durumlu olasılıklar yalnız MerQuR+'tadır.

145.2 Şablonun girdileri

Form on dört [[param]] bloğundan kurulur (cok_durumlu_mstate.R:10–101). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Ara duruma geçiş (ya da sansür) zamanı · ara_zaman sayısal sütun · Değişkenler yok (zorunlu) \ge 0 t_2 (10–14, 118, 120–131, 141)
Ara durum göstergesi (1 = geçildi) · ara_durum sayısal sütun · Değişkenler yok (zorunlu) yalnız 0/1 s_2 (15–19, 119, 120–131, 141)
Son duruma geçiş (ya da sansür) zamanı · son_zaman sayısal sütun · Değişkenler yok (zorunlu) >0 t_3 (20–24, 118, 120–131, 142)
Son durum göstergesi (1 = olay) · son_durum sayısal sütun · Değişkenler yok (zorunlu) yalnız 0/1 s_3 (25–29, 119, 123–130, 142)
Ortak değişkenler (her geçiş için ayrı etki) · x sütunlar · Değişkenler boş (isteğe bağlı) herhangi sütun expand.covs (30–35, 109, 133–140, 159–167)
Taban tehlikeleri · taban seçim · Model ayri ayri (her geçiş ayrı tabaka), markov_ph Formül (36–42, 162–167)
Bağ düzeltmesi · baglar seçim · Model breslow breslow, efron coxph(method =) (43–49, 170)
Ara durumun adı · ara_ad metin · Çıktı boş en çok 2000 karakter Tablo etiketi (50–56, 145)
Son durumun adı · son_ad metin · Çıktı boş en çok 2000 karakter Tablo etiketi (57–63, 146)
Olasılık zamanları (virgülle; boşsa çeyreklikler) · zamanlar metin · Çıktı boş sayılar; virgülle ya da (ondalık virgül için) noktalı virgülle ayrılmış Olasılık satırları (64–69, 198–222)
Bireye göre sağlam (sandviç) SH · saglam_sh onay · Seçenekler kapalı açık/kapalı + cluster(id) (70–76, 164–166, 180)
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 HR güven aralığı (77–85, 175)
Tahmin başlangıç zamanı s · baslangic_zamani ondalık · Çıktı 0 \ge 0 probtrans(predt =) (86–93, 195–196)
Varyans kestiricisi · varyans_turu seçim · Seçenekler aalen aalen, greenwood msfit(vartype =), probtrans(method =) (94–101, 194, 196)

Örnek ayar (ornek_param, satır 9): ara_zaman = prtime, ara_durum = prstat, son_zaman = rfstime, son_durum = rfsstat, x = dissub_all, dissub_cml, age_20_40, age_gt40, drmatch, tcd, ara_ad = Trombosit iyileşmesi, son_ad = Nüks/ölüm, zamanlar = 1, 5, 10.

Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 106
Zaman ve durum sütunları aynı "… birbirinden farklı olmalı." 108
Eksiksiz 20'den az satır "Eksiksiz en az 20 satır gerekli." 114
Zaman ya da durum sütunu sayıya çevrilemiyor "'x' sütunu sayıya çevrilemedi …" (mq_sayisal) 115
Ara zaman negatif ya da son zaman \le 0 "Zamanlar negatif olamaz; son durum zamanı pozitif olmalı." 118
Durum göstergesi 0/1 dışında "'x' yalnız 0/1 içermeli." 119
ara_durum = 1 iken t_2>t_3 olan satır var "N satırda ara duruma geçiş zamanı son durum zamanından sonra (olay sırası olanaksız); zamanları düzeltin." 120–121
Ara olay (t_2<t_3) 2'den az ya da son olay 2'den az "Her geçişte olay yok denecek kadar az …" 131–132
Ortak değişken tek düzeyli ya da sabit "'x' tek düzeyli / sabit; … çıkarın." 135–136
msprep hata verir "Uzun biçime çevrilemedi: …" 152
Bir geçişte 2'den az olay "Bir geçişte 2'den az olay var; model kurulamaz." 157
coxph hata verir "Cox modeli kurulamadı: …" 171
Başlangıç zamanı en uzun izlemden küçük değil "Tahmin başlangıç zamanı en uzun izlemden küçük olmalı." 195
probtrans hata verir "Geçiş olasılıkları hesaplanamadı: …" 197

Notlar (çalıştırmayı durdurmaz): coxph uyarıları toplanıp "Kestirim uyarıları:" satırı olarak yazılır (168–172, 187); ortak değişken seçilmezse "Ortak değişken seçilmedi; yalnız Aalen-Johansen olasılıkları verilir." yazılır ve Cox tablosu atlanır (188–190). Eksik değerli satırlar çıkarılır ve sayıları bildirilir (111–117). Ara ve son olay aynı zamandaysa kural ve etkilenen hasta sayısı yazılır (122–130). Olasılık zamanları için başlangıç zamanından küçüklerin atıldığı, izlemin ötesine düşenlerin uyarıldığı ve virgülle yazımın liste sayıldığı notlar vardır (204–219).

Tohum. Şablon rastgelelik kullanmaz; sonuç belirleyicidir (Bölüm 1.3).

145.3 Örnek veri

ebmt3.csv: mstate paketinin kemik iliği nakli öğretici verisi; Avrupa Kan ve Kemik İliği Nakli Grubu'nda (EBMT) 1985–1998'de nakil yapılan 2204 hasta (Fiocco ve ark., 2008; de Wreede ve ark., 2011). Veri öğretim amacıyla sadeleştirilmiştir ve klinik sonuç çıkarmaya uygun değildir. Zamanlar nakilden başlayarak yıl cinsindendir. Eksik değer yok.

Değişken Rol Tür (veri sekmesi) Özet
id tanımlayıcı (modelde kullanılmaz) sayısal 1–2204
prtime ara zaman sayısal trombosit iyileşmesine ya da (iyileşmeyenlerde) izlemin sonuna dek süre; 0–7,58; ortanca 0,141
prstat ara durum göstergesi ikili 1 = iyileşme: 1169 hasta; 0 = iyileşmeden sansür: 1035
rfstime son zaman sayısal nüks ya da ölüme (olaysızlık sağkalımının sonuna) dek süre; 0–7,73; ortanca 2,23
rfsstat son durum göstergesi ikili 1 = nüks/ölüm: 841 (iyileşmeden önce 458, iyileştikten sonra 383); 0 = sansür: 1363
dissub_all, dissub_cml ortak değişken ikili hastalık alt grubu: ALL %20,3; CML %41,0; başvuru AML (%38,7)
age_20_40, age_gt40 ortak değişken ikili yaş sınıfı: 20–40 %48,0; >40 %33,0; başvuru ≤20 (%19,0)
drmatch ortak değişken ikili verici–alıcı cinsiyet uyuşmazlığı: %25,2
tcd ortak değişken ikili T hücresi tüketimi: %12,5

Ara durumu yaşayan 1169 hastadan 383'ü sonradan nüks/ölüm yaşar, 786'sı yaşamaz; hiç iyileşmeyen 1035 hastadan 458'i nüks/ölüm yaşar, 577'si sansürlüdür. Ortak değişkenler 0/1 sayısal sütundur; şablon bunları olduğu gibi kullanır (model.matrix ikili sütuna tek sütun verir).

Düzey sırası. Bu veride kategorik rol yoktur. Metin ya da kategorik bir ortak değişken kullanılırsa factor() ile etkene çevrilir (134) ve model.matrix ilk düzeyi başvuru yapar: veri sekmesi "kategorik" derse ilk görülme (ya da doğal) sırası, metin olarak aktarılırsa alfabetik ilk düzey (Bölüm 1.3). ms_metin'de dissub (ALL, AML, CML; ilk satırda CML) için başvuru CML, alfabetik yolda ALL olur ve katsayıların işareti değişir.

Bu bölümde kullanılan çalıştırmalar: ms_ornek (örnek ayar); ms_markov (taban = markov_ph); ms_efron (baglar = efron); ms_saglam (saglam_sh = açık); ms_greenwood (varyans_turu = greenwood); ms_s1 (baslangic_zamani = 1); ms_xsiz (ortak değişkensiz); ms_guven90; ms_metin; ayrıca uç veri çalıştırmaları (ms_t2_sonra, ms_esit, ms_eksik, ms_z20, ms_zvirgul).

145.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (i) veri denetlenir, ortak değişkenler sayısal sütunlara açılır; (ii) geniş veri msprep ile uzun (sayım süreci) biçime çevrilir; (iii) geçişlere özgü ortak değişken sütunları kurulur; (iv) tabakalı Cox modeli uydurulur; (v) ortak değişkensiz modelden Nelson–Aalen artışları ve Aalen–Johansen olasılıkları hesaplanır; (vi) olasılıklar yığılmış alan şeklinde çizilir.

145.4.1 Geçiş tehlikeleri

h\to k geçişinin tehlikesi (kümülatif tehlikenin türevi):

\alpha_{hk}(t\mid x)=\alpha_{hk,0}(t)\,\exp(\beta_{hk}'x),\qquad (h,k)\in\{(1{,}2),(1{,}3),(2{,}3)\}.
  • \alpha_{hk}(t\mid x): t anında h durumunda olan, ortak değişkenleri x olan bir bireyin k durumuna geçiş tehlikesi.
  • \alpha_{hk,0}(t): geçişe özgü taban tehlike; biçimi serbesttir (yarı parametrik).
  • \beta_{hk}: geçişe özgü katsayı vektörü; \exp(\beta_{hk,j}), j. ortak değişkenin bir birim artışının o geçişin tehlikesini çarptığı tehlike oranıdır.
  • Zaman ölçeği nakilden (süreç başlangıcından) beri geçen süredir ("saat ileri"): ara durumdaki bir bireyin 2→3 tehlikesi, ara durumda geçen süreye değil takvim zamanına bağlı kalır.

Neden geçişe özgü etki?

Bir ortak değişken ara olayın olasılığını artırıp ara olaydan sonraki ölüm riskini azaltabilir; tek bir tehlike oranı bu ayrımı gizler. Örneklerde T hücresi tüketimi (tcd) iyileşme tehlikesini artırır (1→3 değil, 1→2 yönünde \hat\beta=0{,}429), yaş >40 ise ara olay öncesi ve sonrası nüks/ölüm tehlikesini artırır (\hat\beta=0{,}526 ve 0{,}581) ama iyileşme tehlikesini etkilemez.

145.4.2 Uzun biçim (msprep)

Her birey için (t_2,s_2,t_3,s_3) geniş biçimden sayım süreci satırlarına çevrilir. Başlangıç durumundaki birey, ara durum son zamandan önce gözlendiyse (s_2=1, t_2<t_3) (0,t_2] aralığında 1→2 ve 1→3 geçişleri için riskte olur ve 1→2 olayı yaşar; ardından (t_2,t_3] aralığında 2→3 geçişi için riskte olur ve olay s_3'tür. Ara durum gözlenmediyse (s_2=0) birey yalnız 1→2 ve 1→3 için (0,\min(t_2,t_3)] ve (0,t_3] aralıklarında riskte kalır ve olay (varsa) 1→3'tür. Uzun veride her satırın başlangıcı Tstart, sonu Tstop, olay göstergesi status'tür; 2→3 satırları t_2'de sol kesmelidir: birey t_2'den önce bu geçiş için riskte değildir.

Zaman sırası. Ara zamanı son zamandan sonra olan satır (s_2=1, t_2>t_3) olanaksız bir olay sırasıdır ve çalıştırmayı durdurur (120–121). Ara ve son olay aynı zamanda ise (s_2=s_3=1, t_2=t_3) ara olay önce sayılır: t_3, verideki en küçük zaman aralığının binde biri kadar ileri alınır (123–130), böylece 1→2 olayından sonra 2→3 olayı sıfır uzunluklu olmayan bir aralıkta yer alır ve Cox modelinden düşmez; kaç hastaya uygulandığı ve ilerletme miktarı çıktıya yazılır. Ara zamanı son zamana eşit ve son durum göstergesi 0 olan hastada 2→3 aralığı sıfır uzunlukludur, bu satır olay içermez ve coxph onu bir uyarıyla atar.

  • 1→2 ve 1→3 satırları aynı bireyin aynı sürede iki rekabet eden geçişi için riskte olduğunu gösterir; her ikisinin riskteki sayısı aynıdır (2204).
  • Örnekte satır sayısı: geçiş 1: 2204, geçiş 2: 2204, geçiş 3: 1169, toplam 5577; olay: 1169, 458 ve 383.

145.4.3 Geçişe özgü Cox modeli

Ortak değişkenler expand.covs ile geçişe özgü sütunlara açılır: x_j\to(x_j^{(1)},x_j^{(2)},x_j^{(3)}), x_j^{(k)}=x_j\,\mathbf 1\{\text{geçiş}=k\} (145–146). Varsayılan modelde taban tehlikeler geçiş başına ayrı tabakadır:

\text{coxph}\bigl(\text{Surv}(T_{\text{start}},T_{\text{stop}},\text{status})\sim\textstyle\sum_{j,k}\beta_{k,j}\,x_j^{(k)}+\text{strata}(\text{trans})\bigr).

Tabaka başına ayrı taban ve geçişe ayrı katsayı olduğundan bu model üç ayrı Cox modeliyle aynı kestirimleri verir. Her geçiş için Breslow kısmi olabilirliği (Breslow, 1974; Cox, 1972):

\ell_k(\beta_k)=\sum_{i:\,\delta_i=1}\Bigl[\beta_k'x_i-\log\sum_{l\in R_k(t_i)}\exp(\beta_k'x_l)\Bigr],\qquad R_k(t)=\{l:\ T_{\text{start},l}<t\le T_{\text{stop},l}\}.
  • \delta_i=1: k geçişinin olay gözlemi; R_k(t): t anında bu geçiş için riskte olanlar (sol kesmeyi T_{\text{start}}<t koşulu sağlar).
  • Bağlar (aynı anda birden çok olay) Breslow'da her olay için aynı risk kümesiyle paydaya girer; Efron'da bağdaki olaylar paydadan kademeli çıkarılır (Efron, 1977).
  • Katsayı kestirimi Newton–Raphson ile \partial\ell/\partial\beta=0'ı çözer; SH, gözlenen bilgi matrisinin tersinin köşegeninin karekökü; z=\hat\beta/SE, p=2\{1-\Phi(|z|)\}, HR=\exp(\hat\beta) ve \text{GA}=\exp(\hat\beta\pm z_{1-\alpha/2}SE) (175–182).

Koddaki tercih: Breslow ve Efron yalnız Cox kısmına işler

baglar yalnız coxph(method = P$baglar) çağrısını etkiler (170). Aalen–Johansen kısmı ortak değişkensiz modelde method = "breslow" ile sabittir (193): baglar değişince olasılık tablosu değişmez (ms_efron ve ms_ornek olasılıkları aynıdır).

Cox çıktısında n (risk satırı) uzun veri satır sayısıdır (5577), hasta sayısı (2204) değildir; özet satırı her ikisini de yazar (184–186).

145.4.4 Markov PH taban

taban = markov_ph seçilirse 1→3 ve 2→3 geçişleri aynı tabakaya konur (strata(to)), yani ara durumdan son duruma geçiş tehlikesi doğrudan geçişin tehlikesinin sabit bir katı kabul edilir ve bir pr göstergesi eklenir (162–164):

\alpha_{23{,}0}(t)=\alpha_{13{,}0}(t)\,\exp(\gamma_{pr}),\qquad \text{pr}=\mathbf 1\{\text{geçiş}=3\}.
  • \exp(\gamma_{pr}): ara durumdan gelmenin son duruma geçiş tehlikesini kaç kat değiştirdiği. <1 ise iyileşmiş hastanın nüks/ölüm tehlikesi aynı ortak değişkenli iyileşmemiş hastadan düşüktür.
  • Tablonun gecis sütununda pr satırı "2-3" yazar (179).
  • Ortak değişkenlerin geçişe özgü katsayıları korunur; yalnız taban tehlikeler birleşir (sayısal etkisi: \hat\gamma_{pr}=-0{,}3786, HR 0,685; ms_markov).

145.4.5 Sağlam standart hata

saglam_sh açıksa formüle cluster(id) eklenir (164–166) ve tablo SH sütunu robust se'ye geçer (180). Bu, bireye göre kümelenmiş Lin–Wei sandviç kestiricisidir (Lin ve Wei, 1989): bir bireyin üç geçişine ait skor katkıları birlikte toplanarak \hat V_R=\hat V\bigl(\sum_i\hat U_i\hat U_i'\bigr)\hat V kurulur; aynı bireyin farklı geçiş satırları ilişkili sayılır. Hastaların satırları arasında bağımlılığı hesaba kattığından model-tabanlı SH'den küçük ya da büyük olabilir (örnekte tcd.1: 0,0804 ve 0,0749).

145.4.6 Aalen–Johansen olasılıkları

Ortak değişkensiz modelden (m_0; 193) her geçişin kümülatif tehlikesi Nelson–Aalen artışlarıyla kestirilir: olay zamanı t_j için

d\hat A_{hk}(t_j)=\frac{d_{hk}(t_j)}{Y_h(t_j)},\qquad d\hat A_{hh}(t_j)=-\sum_{k\ne h}d\hat A_{hk}(t_j).
  • d_{hk}(t_j): t_j'de h\to k olay sayısı; Y_h(t_j): t_j'den hemen önce h durumunda riskte olanların sayısı (sol kesmeli).
  • d\hat A matrisinin köşegeni satır toplamlarını sıfırlar.

Aalen–Johansen kestiricisi (Aalen ve Johansen, 1978), s anındaki durumdan t anındaki duruma geçiş olasılığı matrisi:

\hat P(s,t)=\prod_{s<t_j\le t}\bigl(I+d\hat A(t_j)\bigr).

Bildirilen olasılıklar \hat P(s,t)'nin başlangıç durumuna ait satırıdır (\hat P_{11},\hat P_{12},\hat P_{13} = "başlangıç", "ara durum", "son durum" işgal olasılıkları). baslangic_zamani =s>0 ise yalnız s anında hâlâ başlangıç durumunda olan bireylere koşullu olasılıklar verilir (probtrans(predt = s); 196).

Standart hata. \hat P'nin SH'si, d\hat A bileşenlerinin varyansına delta yöntemiyle çarpılır: \widehat{\text{Var}}\{\hat P(s,t)\}=\sum_j J_j\,\widehat{\text{Var}}(d\hat A(t_j))\,J_j', J_j=\partial\hat P/\partial\,d\hat A(t_j). varyans_turu = aalen ile msfit(vartype = "aalen") ve probtrans(method = "aalen"), greenwood ile Greenwood türü varyans kullanılır (194, 196). Greenwood türü varyans (\text{Var}(d\hat A_{hk})=d_{hk}(Y_h-d_{hk})/Y_h^3 ve aynı durumdan çıkan geçişler arasında \text{Cov}=-d_{hk}d_{hl}/Y_h^3) survival::survfit'in çok durumlu SH'siyle ve bağımsız hesapla aynıdır. mstate'in Aalen türü SH'si ise aynı delta yönteminin d/Y^2 varyansından yaklaşık yüzde 1 farklıdır (145.6).

Olasılıklar ortak değişkenli modelden gelmez

Olasılık tablosu ve şekil ortak değişkensiz bir modelden hesaplanır (193); Cox tablosundaki ortak değişkenler, taban ve baglar olasılıkları etkilemez. "Ortak değişkenleri x olan bir hastanın 5 yıl sonra durumu" sorusuna bu tablo cevap vermez (bulgular B6).

145.4.7 Zaman noktaları

zamanlar ayırıcısı şöyle okunur (198–206): metinde noktalı virgül varsa yalnız o ayırıcıdır ve ondalık virgül serbesttir (0,5; 2); yoksa ayırıcı virgüldür ve ondalık nokta kullanılır (0.5, 2). Noktalı virgülsüz, boşluksuz ve virgüllü sayı içeren bir yazım (0,5) liste sayılır ve hangi sayıların okunduğunu söyleyen bir not yazılır (204–205). Negatif ve sayı olmayan girişler atılır (207); başlangıç zamanı s'den küçük zamanlar \hat P(s,t) tanımsız olduğundan atılır ve not düşülür (209–215); en uzun izlemin ötesindeki zamanlar tutulur ama son olay zamanındaki değeri yinelediği için uyarılır (216–219). Hiç zaman kalmazsa s'den büyük izlemlerin çeyreklikleri (3 anlamlı basamak) kullanılır (220). Her zaman t için t'ye kadar olan son olay zamanındaki olasılık alınır (221).

145.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
103–119 Etiket işlevi, paketler; veri, zaman ve durum denetimleri; eksik satır notu; zaman ve durum sütunları mq_sayisal ile t_3>0, t_2\ge 0; çıkarılan satır bildirilir (111–117)
120–130 Zaman sırası denetimi; ara ve son olay aynı zamandaysa ara olayı öne alma Ters sıra durdurur; eşitlikte t_3 binde bir aralık kadar ilerler
131–140 Olay sayısı denetimi; ortak değişken denetimi, faktörlerin model.matrix ile kukla sütunlara açılması İlk düzey başvuru; adlar make.names
141–152 Geniş veri (id, t2, s2, t3, s3, ortak değişkenler); durum adları; trans.illdeath; msprep
153–157 Geçiş sayıları tablosu; 2'den az olay denetimi Satır, hasta sayısı değil
159–167 expand.covs, formül (ayrı tabaka ya da strata(to) + pr), isteğe bağlı cluster(id) terimler sıralaması: değişken ve geçiş
168–187 coxph, uyarı toplama, katsayı tablosu, HR, özet satırı \chi^2=2\,(\ell_1-\ell_0), sd = katsayı sayısı
188–190 Ortak değişken yoksa yalnız olasılıklar Cox tablosu atlanır
192–197 Ortak değişkensiz coxph + msfit + probtrans Breslow sabit
198–225 Zaman ayrıştırma (ayırıcı kuralı), atma ve uyarılar, olasılık tablosu Noktalı virgül ayırıcıysa ondalık virgül serbest
227–236 Yığılmış alan şekli Sıra: başlangıç, ara, son

145.6 Elle hesap: örnek veride bağımsız yeniden hesap

Adım 1 — Geçiş sayıları. Bağımsız Python hastalık-ölüm verisini kendi kuralıyla uzun biçime çevirir: 2204 hastadan geçiş 1 için 2204 satır ve 1169 olay, geçiş 2 için 2204 satır ve 458 olay, geçiş 3 için 1169 satır ve 383 olay; toplam 5577 satır ve 2010 olay (şablon ve R: aynı).

Adım 2 — İlk Nelson–Aalen artışı. En erken olay zamanı t_1=0{,}00273785'te riskteki hasta sayısı Y_1=2202 (iki hasta daha önce, 8{,}3\times10^{-5} yılda sansürlenmiştir), bir 1→2 ve bir 1→3 olayı vardır. d\hat A_{12}=d\hat A_{13}=1/2202=0{,}000454133; \hat P(0,t_1)'in birinci satırı (0{,}999092;\ 0{,}000454;\ 0{,}000454).

Adım 3 — Cox katsayıları. Sol kesmeli Breslow kısmi olabilirliği Newton–Raphson ile en büyütülür (bağımsız Python; \log L=-14109{,}185603; boş model -14168{,}023892, olabilirlik oranı \chi^2=117{,}677, sd = 18). Örneğin tcd.1: \hat\beta=0{,}42907, SH =0{,}08043, z=5{,}335, HR=\exp(0{,}42907)=1{,}5358, %95 GA \exp(0{,}42907\pm1{,}959964\cdot0{,}08043)=(1{,}3118;\ 1{,}7981). Bu 18 katsayı ve SH survival::coxph (elle kurulmuş uzun veride) ve mstate'in yayımlı öğretici değerleriyle 10^{-6} içinde aynıdır (145.6.1).

Adım 4 — Sağlam SH. Bireye göre kümelenmiş skor artıklarından kurulan sandviç, tcd.1 için 0{,}074854, tcd.2 için 0{,}145424 verir (model-tabanlı 0{,}080432 ve 0{,}150066); R coxph(…+cluster(id)) aynıdır.

Adım 5 — Markov PH. Ara durumdan geçişler ve doğrudan geçişler strata(to) ile aynı tabakaya konur; pr katsayısı -0{,}378633, SH 0{,}211523, HR 0{,}684797 (%95 GA 0{,}4524–1{,}0366); \log L=-14647{,}526711. Altı ortak değişkenin 18 geçişe özgü katsayısı yayımlı öğretici değerlerle altı ondalıkta aynıdır.

Adım 6 — Aalen–Johansen. t=1: (0{,}302383;\ 0{,}415068;\ 0{,}282549); t=5: (0{,}237236;\ 0{,}338732;\ 0{,}424032); t=10: (0{,}206600;\ 0{,}257188;\ 0{,}536212). Bağımsız Python Nelson–Aalen artışlarının çarpımıyla bunları 10^{-9} içinde bulur ve R survfit aynıdır. Greenwood türü SH (t=5, ara durum): 0{,}010912 (şablon, bağımsız Python ve survfit: fark en çok 1{,}1\times10^{-6}). Aalen türü SH (t=5): şablon 0{,}010077;\ 0{,}010867;\ 0{,}012136, d/Y^2 varyansıyla delta yöntemi 0{,}010159;\ 0{,}010949;\ 0{,}012177; göreli fark en çok yüzde 1.

Adım 7 — Başlangıç zamanı. s=1 için, 1. yılda hâlâ başlangıç durumunda olan hastaların 2, 5 ve 10. yıl durumları: t=5'te (0{,}784553;\ 0{,}001374;\ 0{,}214073); bağımsız Python ve şablon aynıdır (iyileşme olasılığı, ilk yıldan sonra çok düşük olduğundan 0,0014).

145.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Geçiş 1: riskteki satır 2204 2204 2204 0 ✓
Geçiş 1: olay 1169 1169 1169 0 ✓
Geçiş 2: riskteki satır 2204 2204 2204 0 ✓
Geçiş 2: olay 458 458 458 0 ✓
Geçiş 3: riskteki satır 1169 1169 1169 0 ✓
Geçiş 3: olay 383 383 383 0 ✓
Cox, dissub_all.1: kestirim −0,04359193 −0,04359193 −0,04359193 3,0e−15 ✓
Cox, dissub_all.1: SH 0,07788724 0,07788724 0,07788724 6,9e−17 ✓
Cox, dissub_all.2: kestirim 0,25588704 0,25588704 0,25588704 3,7e−15 ✓
Cox, dissub_all.2: SH 0,13520398 0,13520398 0,13520398 5,6e−17 ✓
Cox, dissub_all.3: kestirim 0,13646348 0,13646348 0,13646348 9,7e−15 ✓
Cox, dissub_all.3: SH 0,14804068 0,14804068 0,14804068 0 ✓
Cox, dissub_cml.1: kestirim −0,2972402 −0,2972402 −0,2972402 7,2e−16 ✓
Cox, dissub_cml.1: SH 0,06799595 0,06799595 0,06799595 1,2e−16 ✓
Cox, dissub_cml.2: kestirim 0,01674892 0,01674892 0,01674892 4,7e−15 ✓
Cox, dissub_cml.2: SH 0,10838242 0,10838242 0,10838242 2,4e−16 ✓
Cox, dissub_cml.3: kestirim 0,24691627 0,24691627 0,24691627 5,4e−15 ✓
Cox, dissub_cml.3: SH 0,11685296 0,11685296 0,11685296 3,3e−16 ✓
Cox, age_20_40,1: kestirim −0,16461268 −0,16461268 −0,16461268 2,3e−14 ✓
Cox, age_20_40,1: SH 0,07905392 0,07905392 0,07905392 6,7e−16 ✓
Cox, age_20_40,2: kestirim 0,25516328 0,25516328 0,25516328 4,4e−15 ✓
Cox, age_20_40,2: SH 0,15103024 0,15103024 0,15103024 4,2e−16 ✓
Cox, age_20_40,3: kestirim 0,06156262 0,06156262 0,06156262 2,1e−14 ✓
Cox, age_20_40,3: SH 0,15342846 0,15342846 0,15342846 2,0e−15 ✓
Cox, age_gt40,1: kestirim −0,08979018 −0,08979018 −0,08979018 2,0e−14 ✓
Cox, age_gt40,1: SH 0,0864682 0,0864682 0,0864682 5,8e−16 ✓
Cox, age_gt40,2: kestirim 0,52648829 0,52648829 0,52648829 2,0e−15 ✓
Cox, age_gt40,2: SH 0,15790258 0,15790258 0,15790258 1,4e−16 ✓
Cox, age_gt40,3: kestirim 0,58074802 0,58074802 0,58074802 1,9e−14 ✓
Cox, age_gt40,3: SH 0,16013999 0,16013999 0,16013999 1,6e−15 ✓
Cox, drmatch.1: kestirim 0,04575115 0,04575115 0,04575115 4,7e−15 ✓
Cox, drmatch.1: SH 0,0666023 0,0666023 0,0666023 4,2e−17 ✓
Cox, drmatch.2: kestirim −0,07525038 −0,07525038 −0,07525038 4,2e−15 ✓
Cox, drmatch.2: SH 0,11027831 0,11027831 0,11027831 9,7e−17 ✓
Cox, drmatch.3: kestirim 0,17280326 0,17280326 0,17280326 2,8e−15 ✓
Cox, drmatch.3: SH 0,11452003 0,11452003 0,11452003 1,5e−16 ✓
Cox, tcd.1: kestirim 0,42907145 0,42907145 0,42907145 2,9e−13 ✓
Cox, tcd.1: SH 0,08043157 0,08043157 0,08043157 7,5e−15 ✓
Cox, tcd.2: kestirim 0,29672851 0,29672851 0,29672851 5,8e−14 ✓
Cox, tcd.2: SH 0,15006637 0,15006637 0,15006637 2,8e−15 ✓
Cox, tcd.3: kestirim 0,20088414 0,20088414 0,20088414 2,2e−16 ✓
Cox, tcd.3: SH 0,12635566 0,12635566 0,12635566 1,4e−16 ✓
Cox: logLik (4 ondalık) −14109,1856 −14109,1856 −14109,1856 0 ✓
Sağlam, dissub_all.1: SH (küme = hasta) 0,07354404 0,07354404 0,07354404 4,6e−16 ✓
Sağlam, dissub_cml.3: SH (küme = hasta) 0,11715232 0,11715232 0,11715232 2,2e−16 ✓
Sağlam, age_gt40,1: SH (küme = hasta) 0,08328465 0,08328465 0,08328465 1,2e−15 ✓
Sağlam, drmatch.3: SH (küme = hasta) 0,11267064 0,11267064 0,11267064 3,7e−16 ✓
Sağlam, tcd.1: SH (küme = hasta) 0,0748538 0,0748538 0,0748538 6,8e−15 ✓
Sağlam, tcd.3: SH (küme = hasta) 0,11999082 0,11999082 0,11999082 8,3e−17 ✓
Markov PH, dissub_all.1: kestirim −0,04359193 −0,04359193 −0,04359193 4,5e−15 ✓
Markov PH, dissub_all.1: SH 0,07788724 0,07788724 0,07788724 1,1e−16 ✓
Markov PH, dissub_cml.2: kestirim 0,00363712 0,00363712 0,00363712 7,7e−14 ✓
Markov PH, dissub_cml.2: SH 0,10836804 0,10836804 0,10836804 1,2e−13 ✓
Markov PH, age_20_40,3: kestirim 0,05555872 0,05555872 0,05555872 6,8e−14 ✓
Markov PH, age_20_40,3: SH 0,15337167 0,15337167 0,15337167 2,2e−13 ✓
Markov PH, drmatch.2: kestirim −0,07206667 −0,07206667 −0,07206667 4,8e−15 ✓
Markov PH, drmatch.2: SH 0,11025972 0,11025972 0,11025972 1,5e−13 ✓
Markov PH, tcd.3: kestirim 0,21102918 0,21102918 0,21102918 1,1e−14 ✓
Markov PH, tcd.3: SH 0,12619821 0,12619821 0,12619821 1,8e−13 ✓
Markov PH, pr: kestirim −0,37863314 −0,37863314 −0,37863314 1,3e−13 ✓
Markov PH, pr: SH 0,21152315 0,21152315 0,21152315 1,5e−13 ✓
Efron, dissub_all.1: kestirim −0,0450579 — −0,0450579 0 ✓
Efron, dissub_all.1: SH 0,07788345 — 0,07788345 0 ✓
Efron, dissub_cml.2: kestirim 0,01648838 — 0,01648838 0 ✓
Efron, dissub_cml.2: SH 0,10838246 — 0,10838246 0 ✓
Efron, age_20_40,3: kestirim 0,06158669 — 0,06158669 0 ✓
Efron, age_20_40,3: SH 0,15342945 — 0,15342945 0 ✓
Efron, drmatch.2: kestirim −0,07536681 — −0,07536681 0 ✓
Efron, drmatch.2: SH 0,1102784 — 0,1102784 0 ✓
Efron, tcd.3: kestirim 0,20092912 — 0,20092912 0 ✓
Efron, tcd.3: SH 0,12635769 — 0,12635769 0 ✓
Efron: logLik (4 ondalık) −14097,7352 — −14097,7352 0 ✓
AJ, t = 1: P(durum 1) 0,30238325 0,30238325 0,30238325 1,0e−15 ✓
AJ, t = 1: P(durum 2) 0,41506764 0,41506764 0,41506764 2,2e−16 ✓
AJ, t = 1: P(durum 3) 0,2825491 0,2825491 0,2825491 1,7e−16 ✓
AJ, t = 5: P(durum 1) 0,23723577 0,23723577 0,23723577 1,0e−15 ✓
AJ, t = 5: P(durum 2) 0,338732 0,338732 0,338732 4,4e−16 ✓
AJ, t = 5: P(durum 3) 0,42403223 0,42403223 0,42403223 1,1e−15 ✓
AJ, t = 10: P(durum 1) 0,20660026 0,20660026 0,20660026 5,3e−16 ✓
AJ, t = 10: P(durum 2) 0,25718822 0,25718822 0,25718822 2,2e−16 ✓
AJ, t = 10: P(durum 3) 0,53621151 0,53621151 0,53621151 1,0e−15 ✓
AJ Greenwood türü, t = 1: SH(durum 1) 0,00987591 0,00987591 0,00987591 1,0e−16 ✓
AJ Greenwood türü, t = 1: SH(durum 2) 0,01061353 0,01061353 0,01061265 8,8e−7 ✓
AJ Greenwood türü, t = 1: SH(durum 3) 0,00976414 0,00976414 0,00976418 4,5e−8 ✓
AJ Greenwood türü, t = 5: SH(durum 1) 0,01011767 0,01011767 0,01011767 1,0e−16 ✓
AJ Greenwood türü, t = 5: SH(durum 2) 0,01091175 0,01091175 0,01091287 1,1e−6 ✓
AJ Greenwood türü, t = 5: SH(durum 3) 0,01216047 0,01216047 0,01216055 7,9e−8 ✓
AJ Greenwood türü, t = 10: SH(durum 1) 0,01483135 0,01483135 0,01483135 9,9e−17 ✓
AJ Greenwood türü, t = 10: SH(durum 2) 0,04287672 0,04287672 0,04287673 5,9e−9 ✓
AJ Greenwood türü, t = 10: SH(durum 3) 0,04483018 0,04483018 0,04483019 6,5e−9 ✓
AJ Aalen türü, t = 1: SH(durum 1); bağımsız sütun d/Y² yöntemi 0,00982247 0,00993021 — 1,1e−4 ✓
AJ Aalen türü, t = 1: SH(durum 2); bağımsız sütun d/Y² yöntemi 0,01055127 0,01066327 — 1,1e−4 ✓
AJ Aalen türü, t = 1: SH(durum 3); bağımsız sütun d/Y² yöntemi 0,00973963 0,00977413 — 3,5e−5 ✓
AJ Aalen türü, t = 5: SH(durum 1); bağımsız sütun d/Y² yöntemi 0,0100773 0,01015862 — 8,1e−5 ✓
AJ Aalen türü, t = 5: SH(durum 2); bağımsız sütun d/Y² yöntemi 0,0108667 0,01094876 — 8,2e−5 ✓
AJ Aalen türü, t = 5: SH(durum 3); bağımsız sütun d/Y² yöntemi 0,01213627 0,01217697 — 4,1e−5 ✓
AJ Aalen türü, t = 10: SH(durum 1); bağımsız sütun d/Y² yöntemi 0,0146796 0,0149858 — 3,1e−4 ✓
AJ Aalen türü, t = 10: SH(durum 2); bağımsız sütun d/Y² yöntemi 0,04007698 0,04591664 — 5,8e−3 ✓
AJ Aalen türü, t = 10: SH(durum 3); bağımsız sütun d/Y² yöntemi 0,0421167 0,04778553 — 5,7e−3 ✓
AJ, s = 1, t = 2: P(durum 1) 0,91177691 0,91177691 — 5,6e−16 ✓
AJ, s = 1, t = 2: P(durum 2) 0,00154327 0,00154327 — 3,1e−17 ✓
AJ, s = 1, t = 2: P(durum 3) 0,08667982 0,08667982 — 5,6e−17 ✓
AJ, s = 1, t = 5: P(durum 1) 0,78455327 0,78455327 — 6,7e−16 ✓
AJ, s = 1, t = 5: P(durum 2) 0,00137392 0,00137392 — 1,1e−16 ✓
AJ, s = 1, t = 5: P(durum 3) 0,21407281 0,21407281 — 1,7e−16 ✓
AJ, s = 1, t = 10: P(durum 1) 0,68323976 0,68323976 — 2,2e−16 ✓
AJ, s = 1, t = 10: P(durum 2) 0,00104317 0,00104317 — 4,1e−17 ✓
AJ, s = 1, t = 10: P(durum 3) 0,31571707 0,31571707 — 2,2e−16 ✓
Yayımlı c1 (5 ondalık), dissub_all.1 −0,04359 −0,04359 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), dissub_all.1 −0,043592 −0,043592 — 0 ✓
Yayımlı c1 (5 ondalık), dissub_all.2 0,25589 0,25589 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), dissub_all.2 0,260968 0,260968 — 0 ✓
Yayımlı c1 (5 ondalık), dissub_all.3 0,13646 0,13646 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), dissub_all.3 0,139811 0,139811 — 0 ✓
Yayımlı c1 (5 ondalık), dissub_cml.1 −0,29724 −0,29724 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), dissub_cml.1 −0,29724 −0,29724 — 0 ✓
Yayımlı c1 (5 ondalık), dissub_cml.2 0,01675 0,01675 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), dissub_cml.2 0,003637 0,003637 — 0 ✓
Yayımlı c1 (5 ondalık), dissub_cml.3 0,24692 0,24692 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), dissub_cml.3 0,250328 0,250328 — 0 ✓
Yayımlı c1 (5 ondalık), age_20_40,1 −0,16461 −0,16461 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), age_20_40,1 −0,164613 −0,164613 — 0 ✓
Yayımlı c1 (5 ondalık), age_20_40,2 0,25516 0,25516 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), age_20_40,2 0,250894 0,250894 — 0 ✓
Yayımlı c1 (5 ondalık), age_20_40,3 0,06156 0,06156 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), age_20_40,3 0,055559 0,055559 — 0 ✓
Yayımlı c1 (5 ondalık), age_gt40,1 −0,08979 −0,08979 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), age_gt40,1 −0,08979 −0,08979 — 0 ✓
Yayımlı c1 (5 ondalık), age_gt40,2 0,52649 0,52649 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), age_gt40,2 0,52579 0,52579 — 0 ✓
Yayımlı c1 (5 ondalık), age_gt40,3 0,58075 0,58075 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), age_gt40,3 0,562484 0,562484 — 0 ✓
Yayımlı c1 (5 ondalık), drmatch.1 0,04575 0,04575 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), drmatch.1 0,045751 0,045751 — 0 ✓
Yayımlı c1 (5 ondalık), drmatch.2 −0,07525 −0,07525 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), drmatch.2 −0,072067 −0,072067 — 0 ✓
Yayımlı c1 (5 ondalık), drmatch.3 0,1728 0,1728 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), drmatch.3 0,169149 0,169149 — 0 ✓
Yayımlı c1 (5 ondalık), tcd.1 0,42907 0,42907 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), tcd.1 0,429071 0,429071 — 0 ✓
Yayımlı c1 (5 ondalık), tcd.2 0,29673 0,29673 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), tcd.2 0,318537 0,318537 — 0 ✓
Yayımlı c1 (5 ondalık), tcd.3 0,20088 0,20088 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), tcd.3 0,211029 0,211029 — 0 ✓
Yayımlı c2 (6 ondalık, Markov PH), pr −0,378633 −0,378633 — 0 ✓

Ölçütü karşılayan: 145/145. Bağımsız Python: hastalık-ölüm verisini kendi kuralıyla uzun biçime çevirir (geçiş 1: 1→2, geçiş 2: 1→3, geçiş 3: 2→3; ara olaydan sonra 1→3 satırı o anda sansürlenir, 2→3 satırı ara zamanda başlar), sol kesmeli Breslow kısmi olabilirliği Newton–Raphson ile en büyütür, küme sandviçini skor artıklarından kurar; Nelson–Aalen artışlarından Aalen–Johansen çarpımını ve delta yöntemiyle SH'yi hesaplar. R sütunu survival::coxph ile aynı uzun veriyi (elle kurulmuş) uydurur ve çok durumlu survfit ile Aalen–Johansen kestirimini ve SH'sini verir; mstate çağrılmaz. Greenwood türü SH, \mathrm{Var}(d\hat A_{hk})=d_{hk}(Y_h-d_{hk})/Y_h^3 ve \mathrm{Cov}(d\hat A_{hk},d\hat A_{hl})=-d_{hk}d_{hl}/Y_h^3 ile survfit'in SH'siyle de aynıdır. Yayımlı değerler mstate öğreticisindedir (de Wreede vd., 2011); MerQuR+ değeri yayımlı ondalık sayısına yuvarlanarak karşılaştırılır. Aalen türü SH'nin bağımsız sütunu \mathrm{Var}(d\hat A)=d/Y^2 ile delta yöntemidir; mstate'in Aalen türü formülü başkadır ve fark tabloda görünür; Greenwood türü SH için ölçüt 2\times10^{-6}'dır (survfit ile en büyük fark 1{,}1\times10^{-6}) (göreli en çok yüzde 1; ölçüt bu satırlar için 0,02).

145.7 Çıktıyı okuma

Örnek ayar (ms_ornek), konsol (Cox çıktısı kısaltılmış):

Call:
coxph(formula = f, data = ms, method = P$baglar)

                 coef exp(coef) se(coef)      z        p
dissub_all.1 -0.04359   0.95734  0.07789 -0.560 0.575698
dissub_all.2  0.25589   1.29161  0.13520  1.893 0.058411
dissub_all.3  0.13646   1.14621  0.14804  0.922 0.356634
dissub_cml.1 -0.29724   0.74287  0.06800 -4.371 1.23e-05
...
tcd.1         0.42907   1.53583  0.08043  5.335 9.57e-08
tcd.2         0.29673   1.34545  0.15007  1.977 0.048006
tcd.3         0.20088   1.22248  0.12636  1.590 0.111873

Likelihood ratio test=117.7  on 18 df, p=< 2.2e-16
n= 5577, number of events= 2010
n (risk satırı) = 5577; olay = 2010; logLik = -14109,1856; olabilirlik oranı χ² = 117,677 (sd = 18)

Geçiş ve olasılık tabloları:

gecis kaynak     hedef                 risk_altindaki  olay
1     Başlangıç  Trombosit iyileşmesi            2204  1169
2     Başlangıç  Nüks/ölüm                       2204   458
3     Trombosit iyileşmesi  Nüks/ölüm            1169   383

zaman  P_Başlangıç  P_Trombosit iyileşmesi  P_Nüks/ölüm  SH_Başlangıç  SH_Trombosit iyileşmesi  SH_Nüks/ölüm
    1      0.30238                 0.41507      0.28255       0.00982                  0.01055       0.00974
    5      0.23724                 0.33873      0.42403       0.01008                  0.01087       0.01214
   10      0.20660                 0.25719      0.53621       0.01468                  0.04008       0.04212

Şekil 145.1. Örnek ayar: durum işgal olasılıkları (Aalen–Johansen), yığılmış alan; koyu mor: başlangıç, orta: trombosit iyileşmesi, açık: nüks/ölüm.

Öğe Ne yazar Nasıl yorumlanır
terim değişken.k: k geçişine özgü katsayı .1 iyileşme (1→2), .2 iyileşmeden önce nüks/ölüm (1→3), .3 iyileşmeden sonra nüks/ölüm (2→3).
kestirim, SH, z, p \hat\beta ve Wald sınaması saglam_sh açıksa SH, z ve p sağlam SH'dendir.
HR, HR_GA_alt, HR_GA_ust \exp(\hat\beta) ve güven aralığı tcd.1 1,536: T hücresi tüketimi iyileşme tehlikesini yaklaşık 1,5 katına çıkarır.
n (risk satırı), olay, logLik Uzun veri özeti n hasta sayısı değildir. \chi^2 tüm katsayıların birlikte sıfır olduğu sınamadır.
Olasılık satırları \hat P_{1k}(0,t) ve SH 5. yılda hastaların %23,7'si başlangıç durumunda, %33,9'u iyileşmiş (nüks/ölümsüz), %42,4'ü nüks/ölüm durumundadır.
Şekil Yığılmış olasılık Alan toplamı her zaman 1; dikey kalınlık o zamanki olasılıktır.

Örnek ayarda zamanlar içindeki t=10, en uzun izlemin (7,73 yıl) ötesindedir: şablon bunu "10 zamanları en uzun izlem süresi 7,73169'nin ötesinde" uyarısıyla bildirir ve satır son olay zamanındaki olasılığı yineler.

Rapor cümlesi: Kemik iliği nakli yapılan 2204 hastada trombosit iyileşmesi (1169 hasta) ve nüks/ölüm (841 hasta) arasındaki geçişler, geçişe özgü Cox modelleriyle (Breslow bağ düzeltmesi, ayrı tabaka) incelendi. T hücresi tüketimi iyileşme tehlikesini artırdı (tehlike oranı 1,54; %95 GA 1,31–1,80), 40 yaşın üstü iyileşmeden sonraki nüks/ölüm tehlikesini artırdı (tehlike oranı 1,79; %95 GA 1,31–2,45). Aalen–Johansen kestirimine göre 5. yılda hastaların %23,7'si başlangıç durumunda, %33,9'u iyileşmiş ve nüks/ölümsüz, %42,4'ü nüks/ölüm durumundaydı.

145.8 Sık hatalar ve tuzaklar

  • Göstergeler yalnız 0 ve 1. prstat ya da rfsstat 1/2 kodluysa "'prstat' yalnız 0/1 içermeli." iletisiyle durur (ms_kod12); metin kodlu (evet/hayır) sütun sayısal rol olmadığından form çalıştırmayı başlatmaz.
  • Sıfır zaman. son_zaman = 0 olan satır "Zamanlar negatif olamaz; son durum zamanı pozitif olmalı." ile durdurur (ms_sifir); ara_zaman = 0 kabul edilir.
  • Zaman sırası denetlenir. ara_durum = 1 iken ara_zaman > son_zaman olan satır (örnekte 40 satır bozulduğunda) "40 satırda ara duruma geçiş zamanı son durum zamanından sonra …" iletisiyle çalıştırmayı durdurur (ms_t2_sonra; 120–121). Bu satırlar veride bulunmamalıdır.
  • Eşit zaman. ara_zaman = son_zaman iken (iki gösterge 1) ara olay önce sayılır ve son zaman çok az ilerletilir; Cox modeli 2→3 olaylarını da kullanır (ms_esit: değiştirilen 40 satırdan 15'i bu durumdadır ve Cox modeli 2010 olayın tümünü kullanır). Not satırı hasta sayısını ve ilerletme miktarını yazar (122–130).
  • Eksik satırlar. Ortak değişkeninde eksik olan hastalar çıkar ve bildirilir (30 satır, 2174 hasta kalır; ms_eksik; 111–117).
  • Ondalık virgül. zamanlar = "0,5" hâlâ iki zaman (0 ve 5) üretir, ancak not hangi sayıların okunduğunu söyler; ondalık virgül için noktalı virgül kullanın: 0,5; 2 (ms_zvirgul; 198–206).
  • İzlem dışı zamanlar. En uzun izlem 7,73 yıl iken zamanlar = 1, 5, 20 20 için uyarı verir ve satır 10'daki değeri yineler (ms_z20); başlangıç zamanı s=1 iken t=0{,}5 satırı atılır ve not düşülür (ms_s1; 209–219).
  • Olasılıklar ortak değişkensizdir. taban ya da baglar değişince olasılık tablosu hiç değişmez (ms_markov, ms_efron); ortak değişkene göre olasılık isteniyorsa grupları ayrı çalıştırın (bulgular B6).
  • n satır sayısıdır. Özet satırı hasta sayısını (2204) ayrıca yazar (184–186); raporda hasta sayısını kullanın.
  • Başvuru düzeyi. Metin ortak değişkende başvuru düzeyi sütun türüne bağlıdır; dissub için CML (kategorik) ya da ALL (metin) olabilir ve işaret değişir (ms_metin; bulgular B8). Tablo başvuruyu yazmaz.
  • Sabit ya da tek düzeyli ortak değişken "'x' sabit; ortak değişkenlerden çıkarın." ile durur (ms_sabit).
  • Az olay. Hiçbir hastada iyileşme ya da nüks/ölüm yoksa "Her geçişte olay yok denecek kadar az; çok durumlu model kurulamaz." (ms_hic_ara, ms_hic_olum).
  • Ortak değişkenli çok düzeyli etken. Her ek düzey her geçişe üç katsayı ekler; küçük örneklemde (300 hasta) ayrışma ve geniş aralıklar görülebilir (ms_kucuk).
  • Aalen ve Greenwood SH'leri aynı değildir. İkisi de geçerli; Aalen türü yaklaşık yüzde 0,4–7 daha küçüktür (t=10'da ara durum: 0,04008 ve 0,04288).

145.9 Uzman soruları

S1. Neden ayrı tabaka yerine "Markov PH" seçilir?

Ara durumdan son duruma geçişin (2→3) tehlikesinin iyileşmemiş hastanın doğrudan geçiş tehlikesiyle orantılı olduğu varsayılırsa (ne olursa olsun nüks/ölüm tehlikesi aynı biçimde zamanla değişir), 3 yerine 2 taban tehlike kestirilir ve pr katsayısı bu orantıyı verir. Örnekte \hat\gamma_{pr}=-0{,}379 (HR 0,685; p=0{,}073): ara durumun nüks/ölüm tehlikesini ortalama yüzde 31 düşürdüğü yönde ama kesin olmayan kanıt. Varsayım denetlenmeden kullanılmamalıdır; ayrı tabakalı model daha esnektir.

S2. Geçişe özgü Cox modeli neden "üç ayrı Cox modeli" ile aynıdır?

Her geçişin ayrı tabakası ve ayrı katsayı vektörü vardır; tabakalı kısmi olabilirlik tabaka başına olabilirliklerin çarpımıdır ve parametreler paylaşılmadığından en büyütme ayrışır. Bağımsız Python üç geçişi aynı Newton–Raphson ile birlikte çözer ve R üç ayrı coxph ile aynı sonuca ulaşır. Fark yalnız (a) Markov PH'te taban paylaşıldığında ve (b) sağlam SH'te bireyin farklı geçiş satırları kümelendiğinde ortaya çıkar.

S3. Aalen–Johansen kestiricisi ile Kaplan–Meier arasındaki fark nedir?

1-\text{KM} olay dışı olayları sansür sayar; birden çok rekabet eden olayda yanlı olur. Aalen–Johansen çok durumlu süreçte olasılıkları matris çarpımıyla verir ve rekabet eden olayları doğru işler. Örnekte iyileşme olasılığı 0{,}415'ten 10. yılda 0{,}257'ye düşer, çünkü iyileşen hastaların bir kısmı sonradan nüks/ölüm durumuna geçer; Kaplan–Meier bunu gösteremez.

S4. Aalen ve Greenwood varyans türleri hangi durumda ayrışır?

Greenwood türü d(Y-d)/Y^3 ve aynı durumdan çıkan geçişler arasında negatif kovaryans içerir; riskteki sayı küçüldükçe ve olay sayısı büyüdükçe (kuyruk) iki tür açılır: t=10'da ara durum için 0,04008 (Aalen) ve 0,04288 (Greenwood), yaklaşık yüzde 7. t=1'de fark yüzde 0,6'dır. Greenwood türü, survival::survfit'in çok durumlu SH'siyle birebir örtüşür.

S5. Sol kesme neden gerekli?

Ara durumdaki bir birey, ara olaya kadar 2→3 için riskte değildir; 2→3 satırı t_2'de başlar. Sol kesmeyi atlayıp satırı (0,t_3] alırsak ara olaydan önce de riskte sayılır ve tehlike aşağı çekilir. Surv(Tstart, Tstop, status) bunu yapar; bağımsız Python'da risk kümesi T_{\text{start}}<t\le T_{\text{stop}} ile tanımlanmıştır.

S6. Zaman ölçeği "saat ileri" mi, "saat sıfırla" mı?

Şablonda zaman nakilden itibarendir (saat ileri): ara durumdaki bir bireyin tehlikesi ara olaydan geçen süreye değil nakilden geçen toplam süreye bağlıdır. "Saat sıfırlama" (ara olaydan itibaren süre) bu şablonda yoktur; bu istenirse 2→3 geçişi için ayrı bir Cox modeli (\text{Tstart}=0, süre = t_3-t_2) kurulmalıdır.

S7. Sağlam SH ne zaman gerekir?

Bir bireyin üç geçiş satırı birbirinden bağımsız sayılmaz (aynı hasta 1→3 için ve 1→2 için riskte, sonra 2→3 için). Örnekte tcd.1 için sağlam SH model-tabanlıdan (0,0804) küçüktür (0,0749); tcd.2 için de (0,1454 ve 0,1501). Model uyumsuzluğu ya da küme bağımlılığı şüphesinde sağlam SH tercih edilir.

S8. Başka bir araçla fark çıkar mı?

Bağımsız Python (kendi uzun veri kuralı, sol kesmeli Breslow, delta yöntemi) ve R (survival::coxph ve çok durumlu survfit, mstate çağrılmadan) örnek veride 145 büyüklüğün tümünde 10^{-6} içinde (Aalen türü SH hariç: yaklaşık yüzde 1) şablonla uyuşur; yayımlı öğretici katsayıları da (altı ondalık) aynıdır. Aalen türü SH'nin mstate'e özgü formülü kapalı biçimde yeniden kurulmamıştır.

145.10 Kaynaklar

  • Aalen, O. O. ve Johansen, S. (1978). An empirical transition matrix for non-homogeneous Markov chains based on censored observations. Scandinavian Journal of Statistics, 5(3), 141–150.
  • Andersen, P. K., Borgan, Ø., Gill, R. D. ve Keiding, N. (1993). Statistical models based on counting processes. Springer. https://doi.org/10.1007/978-1-4612-4348-9
  • Breslow, N. E. (1974). Covariance analysis of censored survival data. Biometrics, 30(1), 89–99. https://doi.org/10.2307/2529620
  • Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B, 34(2), 187–202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
  • de Wreede, L. C., Fiocco, M. ve Putter, H. (2010). The mstate package for estimation and prediction in non- and semi-parametric multi-state and competing risks models. Computer Methods and Programs in Biomedicine, 99(3), 261–274. https://doi.org/10.1016/j.cmpb.2010.01.001
  • de Wreede, L. C., Fiocco, M. ve Putter, H. (2011). mstate: an R package for the analysis of competing risks and multi-state models. Journal of Statistical Software, 38(7), 1–30. https://doi.org/10.18637/jss.v038.i07
  • Efron, B. (1977). The efficiency of Cox's likelihood function for censored data. Journal of the American Statistical Association, 72(359), 557–565. https://doi.org/10.1080/01621459.1977.10480613
  • Fiocco, M., Putter, H. ve van Houwelingen, H. C. (2008). Reduced-rank proportional hazards regression and simulation-based prediction for multi-state models. Statistics in Medicine, 27(21), 4340–4358. https://doi.org/10.1002/sim.3305
  • Lin, D. Y. ve Wei, L. J. (1989). The robust inference for the Cox proportional hazards model. Journal of the American Statistical Association, 84(408), 1074–1078. https://doi.org/10.1080/01621459.1989.10478874
  • Putter, H., Fiocco, M. ve Geskus, R. B. (2007). Tutorial in biostatistics: competing risks and multi-state models. Statistics in Medicine, 26(11), 2389–2430. https://doi.org/10.1002/sim.2712
  • Therneau, T. M. ve Grambsch, P. M. (2000). Modeling survival data: extending the Cox model. Springer. https://doi.org/10.1007/978-1-4757-3294-8
  • Therneau, T. (2026). A package for survival analysis in R (R paketi, sürüm 3.8-6). https://CRAN.R-project.org/package=survival
  • Putter, H., de Wreede, L., Fiocco, M. ve Bonneville, E. (2009). mstate: Data preparation, estimation and prediction in multi-state models (R paketi, sürüm 0.3.3). https://doi.org/10.32614/CRAN.package.mstate