MerQuR+Başvuru Kitabı

146. Esnek parametrik sağkalım modeli

Şablon kimliği: esnek_parametrik · Kategori: sağkalım · Dil: R · Dosya: pro/sablonlar/sagkalim/esnek_parametrik.R (satır 1–201; üstbilgi 1–104) · Örnek veri: _ornek/bc.csv · Paketler: flexsurv, survival

146.1 Ne işe yarar

Şablon, taban birikimli tehlikenin (ya da birikimli odds'un, probit ölçeğinin) log zamanın kısıtlı kübik spline'ı olarak yazıldığı Royston–Parmar modelini uydurur (Royston ve Parmar, 2002; flexsurv::flexsurvspline). Cevapladığı soru: "Tehlike ve sağkalım eğrisinin kendisi, yani yalnız göreli etkiler değil mutlak risk, zamanla nasıl değişiyor; ortak değişkenlerin etkisi bu eğriyi nasıl kaydırıyor; etki zamanla değişiyor mu?" Cox modeli taban tehlikeyi belirtmez, düzgün bir tehlike eğrisi vermez; Weibull gibi klasik parametrik modeller ise tepeli ya da karmaşık biçimli tehlikeyi yakalayamaz. Spline, bu iki yaklaşım arasında esnek bir seçenektir.

Ne zaman kullanılır?

  • Mutlak sağkalım ve tehlike eğrisi (izlem sonrası dışdeğerleme, sağlık ekonomisi modelleri, mutlak risk kestirimi) gerektiğinde.
  • Tehlikenin biçimi (artan, azalan, tepeli) önemliyse ve tek bir parametrik aile yetmiyorsa.
  • Orantılı tehlikeler varsayımı kuşkuluysa: seçilen bir ortak değişkenin etkisini log zamanla doğrusal değiştirmek (zamana_bagli, \gamma_1 terimi) ya da orantılı odds / probit ölçeğine geçmek.

Ne zaman kullanılmaz?

  • Yalnız göreli etkiler (tehlike oranı) isteniyorsa ve taban eğrisi gerekmiyorsa: cezali_cox (Bölüm 143) ya da temel programdaki Cox modeli.
  • Olay zamanı aralık sansürlüyse: aralik_sansur_regresyon (Bölüm 142); zaman kesikli ve aralık sayısı azsa: kesikli_zaman_sagkalim (Bölüm 149).
  • Birden çok olay türü, yineleyen olay ya da kümelenmiş gözlem varsa: cok_durumlu_mstate (Bölüm 145), yineleyen_olay (Bölüm 154), karma_etkili_cox (Bölüm 148).
  • Ortalama kalan yaşam süresi (kısıtlı ortalama) hedefleniyorsa: rmst_regresyon (Bölüm 153).
  • Çok az olay varsa (spline parametre sayısı olaydan büyük olamaz; 146.2): k=0 (Weibull) ya da daha az düğüm.

Temel programla ilişki. Temel programda sağkalım analizi Kaplan–Meier, log-rank ve Cox regresyonudur; spline tabanlı parametrik model yoktur. Bu şablon yalnız MerQuR+'tadır.

146.2 Şablonun girdileri

Form on üç [[param]] bloğundan kurulur (esnek_parametrik.R:10–104). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Sağkalım zamanı · zaman sayısal sütun · Değişkenler yok (zorunlu) sayısal sütun, değerler >0 t (10–14, 124).
Olay göstergesi · durum sayısal sütun · Değişkenler yok (zorunlu) yalnız 0 ve 1 (1 = olay) \delta (15–19, 125).
Ortak değişkenler · x sütunlar · Değişkenler boş herhangi sütun Formül (20–25, 110, 136).
Etkisi zamanla değişen ortak değişkenler · zamana_bagli sütunlar · Değişkenler boş x içinden gamma1(x) terimi (26–31, 111–113, 136).
Gözlem ağırlığı · agirlik sayısal sütun · Değişkenler boş negatif olmayan sayılar weights (47–53, 114–117, 139).
İç düğüm sayısı k · k tamsayı · Model 2 0–6 k = (32–39, 126, 138).
Model ölçeği · olcek seçim · Model hazard hazard, odds, normal scale = (40–46, 138).
Spline zaman ölçeği · zaman_olcegi seçim · Model log log, identity timescale = (54–61, 140).
Spline tabanı · spline_turu seçim · Model rp rp, splines2ns spline = (62–69, 141).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 cl = (70–77, 142).
Optimizasyon algoritması · optimizer seçim · Gelişmiş BFGS BFGS, Nelder-Mead method = (78–85, 143).
En çok yineleme · maks_yineleme tamsayı · Gelişmiş 100 10–100000 control$maxit (86–94, 144).
Göreli yakınsama toleransı · goreli_tol ondalık · Gelişmiş 1{,}490116\times10^{-8} (\sqrt\varepsilon) 10^{-16}–0,01 control$reltol (95–104, 144).

Örnek ayar (ornek_param, satır 9): zaman = recyrs, durum = censrec, x = group, k = 1, olcek = hazard (varsayılan k=2'den farklıdır).

Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 108
Zaman ve durum aynı sütun "Zaman ve durum sütunları farklı olmalı." 109
zamana_bagli içinde x'te olmayan değişken "Zamana bağlı etkili değişkenler ortak değişkenler arasında da seçilmeli." 112–113
Ağırlık sütunu zaman ya da durum "Ağırlık sütunu zaman ya da durum olamaz." 115
Eksiksiz 10'dan az satır "Eksiksiz en az 10 satır gerekli." 121
Ağırlık sayısal değil, negatif ya da hepsi sıfır "Ağırlıklar negatif olmayan sayılar olmalı…" 123
Zaman sayısal değil ya da \le0 "Sağkalım zamanı pozitif sayı olmalı." 124
Durum 0/1 dışında "Olay göstergesi yalnız 0/1 içermeli." 125
Olay sayısı <k+3 "Olay sayısı (%d) %d iç düğüm için yetersiz; k'yi azaltın." 127
Farklı olay zamanı sayısı <k+2 "Farklı olay zamanı sayısı düğümler için yetersiz." 128
Faktör tek düzeyli "'x' tek düzeyli; ortak değişkenlerden çıkarın." 131
Sayısal ortak değişken sabit "'x' sabit; ortak değişkenlerden çıkarın." 132
flexsurvspline hata verir "Model kurulamadı: …" 149

Eksik değerli satırlar atılır ve sayıları "Not: N eksik değerli satır çıkarıldı" iletisiyle yazılır (118–120). Zaman ve durum x içinde seçilse de setdiff ile ortak değişkenlerden çıkarılır (110). Metin ve mantıksal sütunlar factor() yapılır (130). Standart hata hesaplanamazsa uyarı "Bazı standart hatalar hesaplanamadı (Hessian tekil)." eklenir (157).

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

146.3 Örnek veri

bc.csv: flexsurv paketinin bc verisi; erken evre, düğüm pozitif birincil meme kanserli 686 hastada nüksüz sağkalım (German Breast Cancer Study Group; prognostik gruplar Sauerbrei ve Royston, 1999'daki bir regresyon modelinden). Eksik değer yok.

Değişken Rol Tür (veri sekmesi) Özet
recyrs zaman sayısal 0,0219–7,2849 yıl (ortalama 3,081)
censrec durum ikili (0/1) 299 olay, 387 sansür
group ortak değişken kategorik Good 229 (51 olay), Medium 229 (103), Poor 228 (147)

Düzey sırası. group üç düzeyli kategorik sütundur; düzeyler verideki ilk görülme sırasıyla (Good, Medium, Poor) aktarılır (Bölüm 1.3). Başvuru Good'dur; katsayılar groupMedium ve groupPoor. Verinin ilk satırı başka bir düzeyse başvuru değişir: 40 satırlık rastgele bir altkümede Poor ilk göründüğü için katsayılar groupGood ve groupMedium çıkar (es_kucuk).

Bu bölümde kullanılan çalıştırmalar: es_ornek (örnek ayar), es_h_k0, es_h_k2, es_h_k3 (k=0{,}2{,}3), es_o_k1 (odds), es_n_k1 (probit), es_tv (zamana bağlı etki), es_idt (zaman ölçeği), es_s2 (splines2ns), es_g90 (%90 GA), es_nm (Nelder–Mead), es_maxit (maks_yineleme = 10), es_k6 (k=6), es_xyok (ortak değişkensiz), es_agirlik (ağırlık), es_ek ve es_ek_kat (yas, kod), ve sınır durumları: es_kod12, es_sifir, es_eksik, es_sabit, es_kucuk, es_bagli, es_metin_durum, es_virgul, es_az_olay, es_zb_yok, es_dur_x. Ek veriler veri_uret.py ile bc.csv'den türetilmiştir (tohum 3).

146.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (i) olay zamanlarının logaritmasından düğümler seçilir; (ii) spline tabanı kurulur; (iii) olaylar için \log f, sansürlüler için \log S katkısıyla sağdan sansürlü olabilirlik optim ile (BFGS, analitik türev) en büyütülür; (iv) Hessian'dan SH, Wald aralığı, z, p ve oran yazılır; (v) AIC/BIC ve düğümler yazılır; (vi) kestirilen ve Kaplan–Meier eğrileri çizilir.

146.4.1 Model

S(t\mid x) sağkalım fonksiyonu ve u=\log t olmak üzere (Royston ve Parmar, 2002)

g\{S(t\mid x)\}=s(u;\boldsymbol\gamma)+x'\beta,\qquad s(u;\boldsymbol\gamma)=\gamma_0+\gamma_1u+\sum_{j=1}^{k}\gamma_{j+1}\,v_j(u).
Ölçek (olcek) g(S) \exp(\beta) Tablodaki ad
Orantılı tehlikeler (hazard) \log\{-\log S\}=\log H(t) tehlike oranı HR
Orantılı odds (odds) \log\{(1-S)/S\} olay (başarısızlık) odds oranı OR
Probit (normal) -\Phi^{-1}(S) (yok; \beta probit ölçeğinde) —
  • H(t)=-\log S(t): birikimli tehlike. Tehlike ölçeğinde H(t\mid x)=\exp\{s(u)+x'\beta\}.
  • \gamma_0,\dots,\gamma_{k+1}: spline katsayıları; \beta: ortak değişken etkileri.
  • Odds ölçeğinde \exp(\beta)>1 olayın odds'unun büyüdüğü, yani sağkalımın kısaldığı anlamına gelir (146.8); aralık sansürlü şablondaki PO'nun tersidir.

Taban fonksiyonları. Düğümler \kappa_{\min}<\kappa_1<\dots<\kappa_k<\kappa_{\max} ve \lambda_j=(\kappa_{\max}-\kappa_j)/(\kappa_{\max}-\kappa_{\min}) olmak üzere (spline_turu = rp)

v_j(u)=(u-\kappa_j)_+^3-\lambda_j\,(u-\kappa_{\min})_+^3-(1-\lambda_j)\,(u-\kappa_{\max})_+^3,\qquad (z)_+=\max(z,0).

Bu kısıt, spline'ı sınır düğümlerinin dışında log zamanda doğrusal yapar (doğal kübik spline). k=0'da model tehlike ölçeğinde Weibull, odds ölçeğinde log-lojistik, probit ölçeğinde log-normal modele iner; k=0, \gamma_1 Weibull şekli, \exp(-\gamma_0/\gamma_1) Weibull ölçeğidir (örnekte \gamma_1=1{,}3797, ölçek 11{,}4 yıl).

Neden log zamanda ve neden doğal (kısıtlı) spline?

Log zaman, tehlike ve sağkalım eğrilerinin kuyruğunu geniş bir aralıkta düzgünleştirir; kısıtlı spline son düğümün ötesinde ekstrapolasyonu doğrusal (Weibull benzeri) tutar, aksi hâlde kübik kuyruk kararsız olur. Örnek verinin sansürlü uzantısı en büyük olay zamanını (6,73 yıl) aşar (en büyük zaman 7,28 yıl); bu aralıkta eğri doğrusal uzatılır.

Düğümler. Sınır düğümleri olay zamanlarının logaritmasının en küçüğü ve en büyüğüne, iç düğümler bu logaritmaların j/(k+1) yüzdeliklerine yerleştirilir (k=1 ortanca, k=3 çeyrekler; yüzdelik türü 7). Örnekte olay zamanları 0,19726–6,72877 yıldır: k=1 için düğümler \log t=-1{,}62323;\ 0{,}570902;\ 1{,}90639 (1,770 yıl ortanca olay zamanı); k=3 için iç düğümler 1,167, 1,770 ve 3,012 yıldır. Düğümler yalnız olay zamanlarına bağlıdır; sansürlü zamanlar düğümü değiştirmez. Ağırlık verilirse düğümler ağırlıkla kayar (es_agirlik: ortanca düğüm 0,5168 yerine 0,5709).

Koddaki tercih

flexsurvspline(f, data = d, k = k, scale = P$olcek) (138). Paket varsayılanıyla farklı olan seçenekler yalnız seçildiğinde eklenir: timescale (log dışında), spline (rp dışında), cl, method, control (139–145). zaman_olcegi = identity spline'ı log zamanda değil zamanın kendisinde kurar (düğümler 0,197; 1,770; 6,729 yıl; es_idt), kuyruğu doğrusal uzatmak yerine zaman ekseninde doğrusal uzatır. spline_turu = splines2ns aynı doğal kübik uzayı splines2 tabanıyla temsil eder; olabilirlik aynıdır (-792{,}8638), katsayılar farklı parametrelendiğinden \beta 10^{-5} düzeyinde oynar (es_s2).

146.4.2 Olabilirlik ve eniyileme

Olay satırı için \log f(t)=\log h(t)+\log S(t), sansürlü satır için \log S(t) katkı verir. Tehlike ölçeğinde h(t\mid x)=\dfrac1t\dfrac{ds}{du}\exp\{s(u)+x'\beta\}, sağkalım S=\exp(-e^{s+x'\beta}); odds ve probit için karşılıklar kapalıdır. Ağırlıklı çalışmada her katkı w_i ile çarpılır.

Eniyileyicinin durması ve yakınsama

optim ya maks_yineleme'ye ya da göreli ölçüt goreli_tol'a ulaşınca durur. Şablon durma nedenini (opt$convergence) okur (152–155): sıfırdan farklıysa "Eniyileyici yakınsamadı" uyarısı çıktıdaki "Kestirim uyarıları" satırına yazılır; kestirimler yine de tabloda görünür ve güvenilmez sayılmalıdır (146.8). Örnekte k=3, maks_yineleme = 10: \log L=-790{,}312, groupMedium 0{,}8327; yakınsak değer -790{,}006 ve 0{,}8361'dir. Varsayılan goreli_tol (\sqrt\varepsilon\approx1{,}49\times10^{-8}) de eniyileyiciyi erken durdurabilir: k=0{,}2{,}3'te \beta yakınsak değerden 2{,}4\times10^{-4}–6{,}6\times10^{-4} ayrılır (\log L farkı 2\times10^{-5}); SH ve çıkarım bundan etkilenmez; convergence = 0 döndüğünden bu durum için uyarı yazılmaz.

146.4.3 Zamana bağlı etki (\gamma_1 terimi)

zamana_bagli ile seçilen bir x için \gamma_1, x'e bağlı olur: \gamma_1(x)=\gamma_1+\delta x. Böylece x'in etkisi log zamanla doğrusal değişir ve x için orantılı tehlikeler varsayımı kalkar:

\log H(t\mid x)=\gamma_0+(\gamma_1+\delta x)\log t+\sum_j\gamma_{j+1}v_j(\log t)+\beta x.

\beta artık t=1 (log zaman 0) için etkidir; t anındaki log tehlike oranı \beta+\delta\log t'dir. Örnekte (es_tv): groupMedium \beta=1{,}4667, \delta=-0{,}4234; t=1 yılda HR =e^{1{,}4667}=4{,}33, 5 yılda \exp(1{,}4667-0{,}4234\log5)=2{,}19. Zamanla azalan etki, kötü prognoz grubunun avantajının ilk yıllarda en büyük olduğunu gösterir.

146.4.4 Tablolar ve model uyumu

Ortak değişken tablosunda z=\hat\beta/SH, p=2\Phi(-|z|) ve Wald aralığı yazılır (164–165); tehlike ve odds ölçeğinde \exp(\hat\beta) ve aralığı eklenir (166–169). gamma… adlı satırlar ayrı "Spline parametreleri" tablosuna gider (161–162, 180). Aralık sütunlarının adı GA_alt/GA_ust kalır; düzey guven'e göre değişir.

Model uyumu (182–187): n, olay sayısı, \log L, -2\log L, AIC =-2\ell+2p, BIC ve parametre sayısı. BIC, sansürlü veride önerildiği gibi olay sayısıyla hesaplanır (Volinsky ve Raftery, 2000):

\mathrm{BIC}=-2\ell+\log(\text{olay sayısı})\cdot p.

Düğümler "Düğümler (log zaman)" satırında 6 anlamlı basamakla metin olarak yazılır (186); zaman_olcegi = identity seçildiğinde bunlar zaman biriminde olur.

146.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
105–133 flexsurv ve survival yüklenir; girdi denetimi; zaman ve durumdan sonra ortak değişkenler; eksik satırlar atılır; n\ge10, t>0, durum 0/1, olay sayısı ve düğüm koşulları Eksik satır sayısı not olarak yazılır.
134–145 Formül Surv(.zaman, .durum) ~ x1 + … + gamma1(x); çağrı quote ile kurulur; ağırlık, zaman ölçeği, spline türü, cl, method, control yalnız varsayılandan farklıysa eklenir x boşsa terim 1.
146–151 Çalıştırma; uyarılar toplanır; print(m) konsola flexsurv çıktısını basar opt$convergence okunmaz.
156–162 m$res'ten \hat\beta, SH, GA; spline satırları ayrılır; SH sonlu değilse uyarı gamma1(x) terimleri gamma\d+ kalıbına uymadığından ortak değişken tablosuna girer; HR/OR sütunları bu satırlarda boş bırakılır (167–169).
163–180 z, p, \exp(\beta) ve aralıkları; iki tablo Probit ölçeğinde oran yok.
181–190 "Model uyumu" (BIC olay sayısıyla); not; uyarı metni
192–200 İki şekil: sağkalım (uydurulmuş + Kaplan–Meier) ve tehlike (uydurulmuş + çekirdek) Tüm eğriler aynı renk (146.8).

146.6 Elle hesap: örnek veride bağımsız yeniden hesap

Adım 1 — Düğümler. 299 olay zamanının logaritmasından \kappa_{\min}=-1{,}623231 (0,19726 yıl), \kappa_{\max}=1{,}906392 (6,72877 yıl) ve k=1 için ortanca \kappa_1=0{,}570902 (1,76986 yıl) bulunur; \lambda_1=(1{,}906392-0{,}570902)/(1{,}906392+1{,}623231)=0{,}378366.

Adım 2 — Taban değeri. t=5 yıl: u=\log5=1{,}609438; v_1=(u-\kappa_1)^3-\lambda_1(u-\kappa_{\min})^3-0=1{,}0385^3-0{,}378366\cdot3{,}2327^3=-11{,}6618. Bağımsız hesabın (dogrulama/esnek_parametrik/elle_hesap.py) \hat\gamma=(-3{,}090630;\ 2{,}774104;\ 0{,}218473) ile s=-3{,}090630+2{,}774104\cdot1{,}609438+0{,}218473\cdot(-11{,}6618)=-1{,}17367; Good grubunda S(5)=\exp(-e^{-1{,}17367})=0{,}73401 ve tehlike h(5)=e^{s}\,s'(u)/5=0{,}0550 yıl^{-1}. Aynı yolla S(1)=0{,}96857, S(10)=0{,}57078 (10 yıl, doğrusal uzantıdadır).

Adım 3 — Olabilirlik. \ell=\sum_{\delta=1}\{\eta_i+\log s'(u_i)-\log t_i-e^{\eta_i}\}+\sum_{\delta=0}(-e^{\eta_i}); \eta_i=s(u_i)+x_i'\beta. Kendi Nelder–Mead ve BFGS yinelememle \ell=-792{,}863798; kendi merkezî farklı Hessian'ımla SH(groupMedium) =0{,}171276, SH(groupPoor) =0{,}164175. R'de rstpm2::stpm2(df = 2) (\texttt{ns}(\log t) tabanıyla aynı model uzayı) \ell=-792{,}863798, SH 0{,}171276 ve 0{,}164175 verir; \beta 0{,}834498 ve 1{,}612090. Şablon: -792{,}863798; 0{,}834503; 1{,}612099; SH 0{,}171276 ve 0{,}164175 (fark 5\times10^{-6}, eniyileyici toleransından).

Adım 4 — Wald çıktıları. groupPoor: z=1{,}6121/0{,}164175=9{,}819, p=9{,}3\times10^{-23}, \mathrm{HR}=e^{1{,}612099}=5{,}0133, GA \exp(1{,}612099\pm1{,}959964\cdot0{,}164175)=(3{,}6340;\ 6{,}9163). AIC =-2(-792{,}8638)+2\cdot5=1595{,}73, BIC =1585{,}73+5\log299=1614{,}23.

Adım 5 — Öteki ölçekler ve k. k=0: \ell=-811{,}9419 (şablon -811{,}941925); k=2: -791{,}4957; k=3: -790{,}0060. Odds (k=1): \ell=-788{,}9819; \beta=1{,}052285 ve 2{,}170996. Probit: \ell=-785{,}6233; 0{,}649298 ve 1{,}309696. Hepsi bağımsız Python ve rstpm2 ile aynıdır. Zamana bağlı etkili model: \ell=-786{,}9792 (bağımsız Python; stpm2 varsayılan eniyileyicisi -787{,}08'de durduğundan R sütunu verilmemiştir).

Adım 6 — Yayımlı değerler. flexsurv vinyetinde (Jackson, 2016) k=1, tehlike ölçeği: groupMedium 0{,}8345026, groupPoor 1{,}6120990, SH 0{,}1712764, 0{,}1641750; Tablo 3'te -2\log L=1585{,}8, AIC =1595{,}7 ve odds ölçeği için 1578{,}0, 1588{,}0. MerQuR+: 0{,}834503; 1{,}612099; 0{,}171276; 0{,}164175; 1585{,}73; 1595{,}73; 1577{,}96; 1587{,}96.

146.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
hazard, k = 1 (örnek ayar): β groupMedium 0,83450264 0,83449805 0,83449805 4,6e−6 ✓
hazard, k = 1 (örnek ayar): SH(groupMedium) 0,17127639 0,17127584 0,17127583 5,7e−7 ✓
hazard, k = 1 (örnek ayar): β groupPoor 1,61209897 1,61208993 1,61208994 5,6e−6 ✓
hazard, k = 1 (örnek ayar): SH(groupPoor) 0,16417501 0,16417454 0,16417451 4,9e−7 ✓
hazard, k = 1 (örnek ayar): log olabilirlik −792,86379781 −792,86379781 −792,8637978 1,3e−11 ✓
hazard, k = 1 (örnek ayar): AIC 1595,72759563 1595,72759561 1595,72759561 1,2e−11 ✓
hazard, k = 1 (örnek ayar): BIC (olay sayısıyla) 1614,22981349 1614,22981348 1614,22981347 1,2e−11 ✓
hazard, k = 0: β groupMedium 0,84587561 0,84653938 0,84653952 6,6e−4 ✓
hazard, k = 0: SH(groupMedium) 0,17126971 0,17127802 0,171278 8,3e−6 ✓
hazard, k = 0: β groupPoor 1,67176715 1,67243279 1,67243297 4,0e−4 ✓
hazard, k = 0: SH(groupPoor) 0,16423135 0,16424395 0,16424393 1,3e−5 ✓
hazard, k = 0: log olabilirlik −811,94192543 −811,94190653 −811,94190653 2,3e−8 ✓
hazard, k = 0: AIC 1631,88385087 1631,88381306 1631,88381305 2,3e−8 ✓
hazard, k = 0: BIC (olay sayısıyla) 1646,68562516 1646,68558735 1646,68558735 2,3e−8 ✓
hazard, k = 2: β groupMedium 0,83453065 0,83423931 0,834239 2,9e−4 ✓
hazard, k = 2: SH(groupMedium) 0,17129998 0,17128262 0,17128261 1,7e−5 ✓
hazard, k = 2: β groupPoor 1,61216906 1,61174592 1,61174553 2,6e−4 ✓
hazard, k = 2: SH(groupPoor) 0,16430903 0,16429323 0,1642932 1,6e−5 ✓
hazard, k = 2: log olabilirlik −791,49567296 −791,49565534 −791,49565534 2,2e−8 ✓
hazard, k = 2: AIC 1594,99134591 1594,99131069 1594,99131068 2,2e−8 ✓
hazard, k = 2: BIC (olay sayısıyla) 1617,19400735 1617,19397213 1617,19397213 2,2e−8 ✓
hazard, k = 3: β groupMedium 0,83608112 0,83584025 0,83583968 2,4e−4 ✓
hazard, k = 3: SH(groupMedium) 0,17129411 0,17128917 0,1712888 5,3e−6 ✓
hazard, k = 3: β groupPoor 1,61338997 1,61326204 1,61326147 8,0e−5 ✓
hazard, k = 3: SH(groupPoor) 0,16436037 0,16435253 0,16435164 8,7e−6 ✓
hazard, k = 3: log olabilirlik −790,00604345 −790,00604233 −790,00604232 1,4e−9 ✓
hazard, k = 3: AIC 1594,0120869 1594,01208466 1594,01208465 1,4e−9 ✓
hazard, k = 3: BIC (olay sayısıyla) 1619,91519191 1619,91518967 1619,91518966 1,4e−9 ✓
odds, k = 1: β groupMedium 1,05228576 1,05228531 1,05228547 4,2e−7 ✓
odds, k = 1: SH(groupMedium) 0,20617607 0,20617599 0,206176 8,1e−8 ✓
odds, k = 1: β groupPoor 2,17099831 2,17099594 2,17099605 1,1e−6 ✓
odds, k = 1: SH(groupPoor) 0,20932117 0,20932109 0,20932111 8,0e−8 ✓
odds, k = 1: log olabilirlik −788,9819018 −788,9819018 −788,9819018 4,2e−12 ✓
odds, k = 1: AIC 1587,9638036 1587,9638036 1587,96380359 4,1e−12 ✓
odds, k = 1: BIC (olay sayısıyla) 1606,46602146 1606,46602146 1606,46602146 4,1e−12 ✓
probit, k = 1: β groupMedium 0,64929322 0,64929768 0,64929766 4,5e−6 ✓
probit, k = 1: SH(groupMedium) 0,11896387 0,11896381 0,11896381 6,6e−8 ✓
probit, k = 1: β groupPoor 1,30970169 1,30969578 1,30969576 4,5e−6 ✓
probit, k = 1: SH(groupPoor) 0,11934581 0,11934571 0,11934572 9,7e−8 ✓
probit, k = 1: log olabilirlik −785,62325683 −785,62325676 −785,62325675 9,4e−11 ✓
probit, k = 1: AIC 1581,24651366 1581,24651351 1581,24651351 9,4e−11 ✓
probit, k = 1: BIC (olay sayısıyla) 1599,74873152 1599,74873138 1599,74873138 9,3e−11 ✓
hazard, k = 1, \gamma_1(\text{grup}): β groupMedium 1,46671627 1,46670509 — 7,6e−6 ✓
hazard, k = 1, \gamma_1(\text{grup}): SH(groupMedium) 0,39184233 0,3918446 — 2,3e−6 ✓
hazard, k = 1, \gamma_1(\text{grup}): β groupPoor 2,57335478 2,57336669 — 4,6e−6 ✓
hazard, k = 1, \gamma_1(\text{grup}): SH(groupPoor) 0,36688927 0,36689158 — 2,3e−6 ✓
hazard, k = 1, \gamma_1(\text{grup}): log olabilirlik −786,97917564 −786,97917557 — 8,6e−11 ✓
hazard, k = 1, \gamma_1(\text{grup}): AIC 1587,95835128 1587,95835115 — 8,6e−11 ✓
hazard, k = 1, \gamma_1(\text{grup}): BIC (olay sayısıyla) 1613,8614563 1613,86145616 — 8,4e−11 ✓
Örnek ayar: γ0 −3,0906458 −3,0906302 — 5,0e−6 ✓
Örnek ayar: SH(γ0) 0,17138638 0,17138572 — 6,5e−7 ✓
Örnek ayar: γ1 2,77411769 2,77410374 — 5,0e−6 ✓
Örnek ayar: SH(γ1) 0,26808392 0,26808755 — 3,6e−6 ✓
Örnek ayar: γ2 0,21847444 0,21847324 — 1,2e−6 ✓
Örnek ayar: SH(γ2) 0,03779996 0,03780049 — 5,3e−7 ✓
Düğüm 1 (k = 3, log zaman) −1,62323 −1,62323123 — 7,6e−7 ✓
Düğüm 2 (k = 3, log zaman) 0,154542 0,15454199 — 7,3e−9 ✓
Düğüm 3 (k = 3, log zaman) 0,570902 0,57090215 — 1,5e−7 ✓
Düğüm 4 (k = 3, log zaman) 1,1027 1,10270094 — 8,6e−7 ✓
Düğüm 5 (k = 3, log zaman) 1,90639 1,90639194 — 1,0e−6 ✓
Örnek ayar: z (groupPoor) 9,81939333 9,81936647 — 2,7e−6 ✓
Örnek ayar: p (groupPoor) 9,290093·10−23 9,292569·10−23 — 2,5e−26 ✓
Örnek ayar: HR (groupPoor) 5,01332302 5,01327768 — 9,0e−6 ✓
Örnek ayar: HR GA alt (groupPoor) 3,63395603 3,63392653 — 8,1e−6 ✓
Örnek ayar: HR GA üst (groupPoor) 6,91626632 6,91619736 — 1,0e−5 ✓
Gözlem sayısı 686 686 — 0 ✓
Olay sayısı 299 299 — 0 ✓

Ölçütü karşılayan: 67/67. Ölçüt satır başına yazılıdır: β için 10^{-3} (flexsurv'in optim BFGS'i varsayılan reltol = √ε ile yakınsamadan erken durur; k=0{,}2{,}3'te yakınsak değerden 2{,}4\times10^{-4}–6{,}6\times10^{-4} ayrılır), γ için 2\times10^{-4}, standart hatalar için 10^{-3} göreli, log olabilirlik ve AIC/BIC için 10^{-6} göreli. Bağımsız Python, olabilirliği doğrudan yazar (kısıtlı kübik spline tabanı, kendi düğüm yüzdelikleri) ve kendi Hessian'ını kullanır; flexsurv çağrılmaz. R sütunu rstpm2::stpm2 ile hesaplanmıştır (aynı model uzayı, doğal kübik spline ns(log t); γ'lar farklı parametrelendiğinden yalnız β, SH ve olabilirlik karşılaştırılır). Zamana bağlı etki satırlarında R sütunu yoktur: stpm2 varsayılan eniyileyicisi bu modelde 0,1 birim daha düşük bir olabilirlikte durur.

146.7 Çıktıyı okuma

Örnek ayar (es_ornek), konsol (kısaltılmış):

Call:
flexsurvspline(formula = f, data = d, k = k, scale = P$olcek)

Estimates: 
             data mean  est      L95%     U95%     se       exp(est)  L95%   
gamma0            NA     -3.0906  -3.4266  -2.7547   0.1714       NA        NA
gamma1            NA      2.7741   2.2487   3.2996   0.2681       NA        NA
gamma2            NA      0.2185   0.1444   0.2926   0.0378       NA        NA
groupMedium   0.3338      0.8345   0.4988   1.1702   0.1713   2.3037    1.6468
groupPoor     0.3324      1.6121   1.2903   1.9339   0.1642   5.0133    3.6340

N = 686,  Events: 299,  Censored: 387
Total time at risk: 2113.425
Log-likelihood = -792.8638, df = 5
AIC = 1595.728

Tablolar (kısaltılmış):

parametre    kestirim       SH     GA_alt   GA_ust        z           p       HR  HR_GA_alt  HR_GA_ust
groupMedium  0.834503  0.171276  0.498807  1.170198   4.8723  1.1e-06   2.3037     1.6468     3.2226
groupPoor    1.612099  0.164175  1.290322  1.933876   9.8194  9.3e-23   5.0133     3.6340     6.9163

olcut                  deger        aciklama
n                      686
Olay                   299
logLik                 -792.863798
-2logLik               1585.727596
AIC                    1595.727596
BIC                    1614.229813
Parametre sayısı       5
Düğümler (log zaman)               -1,62323; 0,570902; 1,90639

Şekil 146.1. Örnek ayar: kestirilen (mor) ve Kaplan–Meier (gri) sağkalım eğrileri; üç prognostik grup (üstten alta `Good`, `Medium`, `Poor`).

Şekil 146.2. Örnek ayar: kestirilen tehlike (mor) ve çekirdek kestirimi (gri). Eğriler aynı renkte çizilir.

Öğe Ne yazar Nasıl yorumlanır
gamma0 … gamma(k+1) Spline katsayıları Tek tek yorumlanmaz; birlikte taban eğrisini belirler. k=0'da \gamma_1 Weibull şeklidir.
groupMedium, groupPoor \hat\beta başvuru gruba göre Tehlike ölçeğinde log tehlike oranı; probit ölçeğinde probit birimi.
HR / OR \exp(\hat\beta) ve GA HR: tehlike oranı; OR: olay odds'u oranı. gamma1(…) satırlarında sütun boştur (oran değildir); odds ölçeğinde tablo başlığı "log olay odds oranı"dır (146.8).
logLik, AIC, BIC Uyum k ve ölçek karşılaştırması: aynı veride AIC ya da BIC küçük olan; BIC olay sayısıyla.
Düğümler \kappa (log zaman) identity zaman ölçeğinde zaman biriminde.
Şekil 1 Uydurulmuş S(t) ve Kaplan–Meier Uydurulmuş eğri KM'den belirgin sapıyorsa k'yi artırın ya da etkileşim ekleyin.

Rapor cümlesi: Erken evre meme kanserli 686 hastada (299 olay) nüksüz sağkalım, bir iç düğümlü (k = 1) Royston–Parmar orantılı tehlikeler modeliyle incelendi. Orta prognoz grubunda tehlike oranı 2,30 (%95 GA 1,65–3,22), kötü prognoz grubunda 5,01 (%95 GA 3,63–6,92) bulundu (iyi prognoz başvuru; AIC = 1595,7). İyi prognoz grubunda tahmin edilen 5 yıllık nüksüz sağkalım %73,4'tür.

146.8 Sık hatalar ve tuzaklar

  • Yineleme sınırı uyarılır, göreli ölçütle erken durma uyarılmaz. maks_yineleme = 10 ile \log L=-790{,}312 (-790{,}006 yerine) yazılır ve "Eniyileyici yakınsamadı" uyarısı eşlik eder (es_maxit); goreli_tol ile durma convergence = 0 sayıldığından uyarı vermez, gerekirse küçük goreli_tol kullanın.
  • gamma1(x) satırları oran değildir. \delta log zamandaki eğimdir (\exp(\delta) 0,6548 ve 0,4960 olurdu; es_tv); HR/OR sütunu bu satırlarda boştur ve çıktıya not düşülür. Ana etkinin HR'si t=1 içindir (4,33 ve 13,11).
  • Odds ölçeğinde OR olay odds'una göredir. Kötü prognozda OR =8{,}77>1: olayın odds'u büyüktür. Aralık sansürlü şablondaki PO'da (Bölüm 142) \exp(\beta)>1 uzun sağkalımdır; iki sonuç karşılaştırılırken yön çevrilmelidir. Teknik notun "sağkalım odds oranı" ifadesi koda uymaz.
  • Ağırlıklarla tablo kendi içinde tutarsızdır. n ve olay sayısı ağırlıksız satır sayısıdır, \log L ve SH ağırlıklıdır, BIC ağırlıksız olay sayısıyla hesaplanır (es_agirlik: n=686, \log L=-1576{,}59, SH(groupPoor) 0,1159).
  • Eksik satırlar atılır ve bildirilir (es_eksik: n=682, olay 298; "4 satır çıkarıldı" notu).
  • Başvuru düzeyi verinin ilk satırına bağlıdır (es_kucuk: groupGood, groupMedium).
  • Şekillerde grup eğrileri aynı renkte ve açıklamasızdır; tehlike şeklinin ekseni çekirdek kestiriminin uç değerine göre ölçeklenir (Şekil 146.2).
  • Sayısal kodlu sınıf değişkeni sayısal sayılır. kod (1, 2, 3) sayısal ortak değişken olarak tek katsayı verir (-0{,}0411); veri sekmesinde kategorik yapılırsa kod2, kod3 düzeyleri gelir (es_ek, es_ek_kat).
  • Metin ya da virgüllü ondalıklı zaman ve durum sayısal sütun olmadığından form çalıştırmayı başlatmaz (es_metin_durum, es_virgul); durum 1/2 kodluysa "yalnız 0/1" iletisiyle durur (es_kod12); zaman 0 ya da negatifse "pozitif olmalı" (es_sifir).
  • Çok az olay. 10 olayla k=1 denetimi geçer ama uydurma "initial value in 'vmmin' is not finite" iletisiyle düşer (es_az_olay).
  • Çok fazla düğüm. k=6 log olabilirliği -787{,}93'e çıkarır, ancak 10 parametreyle AIC 1595{,}86 olur (k=1: 1595{,}73) ve BIC 1632{,}87'ye yükselir (es_k6); düğümler olay zamanlarının yüzdeliklerinde olduğundan küçük örnekte kararsızlaşır.
  • Bağlı zamanlar. Zamanlar yıla yuvarlanınca (bc_bagli.csv) düğümler log 1, 2 ve 7 yıl (0; 0,693; 1,946) olur; bağlı olaylar çok olduğunda düğüm yüzdelikleri birkaç değere çöker (es_bagli).

146.9 Uzman soruları

S1. k nasıl seçilir?

k=0{,}1{,}2{,}3 için (parametre sayısı 4, 5, 6, 7) AIC 1631{,}88; 1595{,}73; 1594{,}99; 1594{,}01 ve BIC (olay sayısıyla) 1646{,}7; 1614{,}2; 1617{,}2; 1619{,}9'dur. AIC en küçük k=3'tedir ama k=1'e göre fark 1,7'dir; BIC k=1'i seçer. Pratikte k=1–2 çoğu veride yeter; seçim AIC/BIC ile ve eğrinin Kaplan–Meier'e uyumuyla yapılır. groupMedium katsayısı k'ye dayanıklıdır (0,8465; 0,8345; 0,8342; 0,8358).

S2. Tehlike mi, odds mu, probit mi?

Veri üç ölçekte de uydurulabilir; ölçek seçimi \log L (aynı parametre sayısı) ile yapılır: örnekte tehlike -792{,}86, odds -788{,}98, probit -785{,}62 (k=1, 5 parametre); probit en iyi uyar; bu, gruplar arası farkın tehlike ölçeğindeki orantılılıktan saptığına işaret edebilir (S3). Yorum kolaylığı için tehlike ölçeği (HR) tercih edilir; odds ölçeği sağlık ekonomisinde yaygındır.

S3. `gamma1` ile orantılı tehlikeler nasıl sınanır?

gamma1(x) katsayısı sıfırdan farklıysa x'in etkisi zamanla değişiyordur. Örnekte groupPoor için \delta=-0{,}7013 (z=-3{,}08, p=0{,}002) ve groupMedium için -0{,}4234 (p=0{,}075): kötü prognozun tehlike oranı zamanla düşer. Olabilirlik oranı da bunu doğrular: etkileşimli model -786{,}98, etkileşimsiz -792{,}86; fark 2\cdot5{,}88=11{,}77 (sd=2, p=0{,}003).

S4. `rstpm2` ve `flexsurv` aynı modeli mi uydurur?

Aynı model uzayını (log zamanda doğal kübik spline) ve aynı olabilirliği; \log L 10^{-6} içinde eşleşir (146.6.1). Farklar parametrelendirmededir (flexsurv'in v_j tabanı ile ns() tabanı) ve eniyileyicidedir: flexsurv'in BFGS'i varsayılan reltol ile \beta'yı 10^{-3}'e kadar yakınsamadan bırakabilir, rstpm2 ve bağımsız Python daha sıkı yakınsar.

S5. `identity` zaman ölçeği ne zaman anlamlıdır?

Spline'ı zamanın kendisinde kurar; tehlike zaman ekseninde yavaş ve sınırlı değişiyorsa, log dönüşümünün kuyruğu çok genişlettiği kısa izlemelerde seçilir. Örnekte log olabilirliği -845{,}60'tır (log ölçeği -792{,}86); bu veride log zaman çok daha iyidir.

S6. Kaplan–Meier'e uyumsuzluk nasıl yorumlanır?

Kuyrukta (son düğümün ötesi) uydurulmuş eğri KM'den ayrılırsa doğrusal ekstrapolasyon sınırdır: son düğüm yalnız olay zamanlarının en büyüğüne bağlıdır; sansürlü gözlemler onun ötesindedir. k'yi artırmak yardımcı olmaz; izlemenin son bölümüne yorum yapılmaz.

S7. Ağırlık ne işe yarar, sınırı nedir?

weights sıklık ağırlığıdır: aynı kayıt w kez gözlenmiş gibi işlem görür ve SH küçülür (SH(groupPoor) 0,1642 yerine 0,1159). Örnekleme ağırlığı (tasarım ağırlığı) olarak kullanılacaksa SH sağlam (sandwich) olmadığından aşırı iyimserdir; bu şablon sağlam SH vermez.

S8. SH hesaplanamazsa?

Hessian tekilse şablon "Bazı standart hatalar hesaplanamadı (Hessian tekil)." uyarısını ekler; çoğunlukla düğüm sayısı olay sayısına göre büyük ya da kategorik ortak değişkenin bir düzeyinde olay yoktur. k'yi azaltın ya da düzeyleri birleştirin.

146.10 Kaynaklar

  • Jackson, C. (2016). flexsurv: A platform for parametric survival modeling in R. Journal of Statistical Software, 70(8). https://doi.org/10.18637/jss.v070.i08
  • Lambert, P. C. ve Royston, P. (2009). Further development of flexible parametric models for survival analysis. The Stata Journal, 9(2), 265–290. https://doi.org/10.1177/1536867X0900900206
  • Liu, X.-R., Pawitan, Y. ve Clements, M. (2018). Parametric and penalized generalized survival models. Statistical Methods in Medical Research, 27(5), 1531–1546. https://doi.org/10.1177/0962280216664760
  • Royston, P. ve Parmar, M. K. B. (2002). Flexible parametric proportional-hazards and proportional-odds models for censored survival data, with application to prognostic modelling and estimation of treatment effects. Statistics in Medicine, 21(15), 2175–2197. https://doi.org/10.1002/sim.1203
  • Sauerbrei, W. ve Royston, P. (1999). Building multivariable prognostic and diagnostic models: Transformation of the predictors by using fractional polynomials. Journal of the Royal Statistical Society: Series A, 162(1), 71–94. https://doi.org/10.1111/1467-985X.00122
  • Volinsky, C. T. ve Raftery, A. E. (2000). Bayesian information criterion for censored survival models. Biometrics, 56(1), 256–262. https://doi.org/10.1111/j.0006-341X.2000.00256.x
  • Therneau, T. (2026). A package for survival analysis in R (R paketi, sürüm 3.8-6). https://CRAN.R-project.org/package=survival
  • R Core Team (2026). R: a language and environment for statistical computing. R Foundation for Statistical Computing.