151. Kür (iyileşme oranlı) modeller
Şablon kimliği: kur_modeli · Kategori: sağkalım · Dil: R · Dosya: pro/sablonlar/sagkalim/kur_modeli.R (satır 1–261; üstbilgi 1–103) · Örnek veri: _ornek/bc_kur.csv · Paketler: flexsurvcure (1.3.3), flexsurv (2.3.2), survival (3.8-6)
151.1 Ne işe yarar
Bazı hastalıklarda (ör. erken evre kanserlerde) hastaların bir kesri tedaviyle iyileşir ve olayı hiçbir zaman yaşamaz; Kaplan–Meier eğrisi uzun izlemde sıfıra inmek yerine bir platoya ulaşır. Şablon, iyileşmiş kesri (kür oranı, \pi) ve iyileşmemişlerin sağkalım dağılımını birlikte kestiren parametrik kür modellerini kurar (Boag, 1949; Berkson ve Gage, 1952; Farewell, 1982; Amico ve Van Keilegom, 2018). Cevapladığı soru: "Lenf düğümü pozitif meme kanserli hastalarda prognostik grup (iyi, orta, kötü) hastaların hangi kesrinin hiç nüks/ölüm yaşamayacağını belirliyor ve iyileşmemişlerin sağkalımı nasıl bir dağılım izliyor?" Kür oranının ortak değişkenlere nasıl bağlandığını sınamak, uzun dönem sağkalımı kestirmek ve klasik sağkalım modellerinin "herkes sonunda olayı yaşar" kabulünü gevşetmek için kullanılır.
İki model türü vardır. Karışım (mixture) modelinde nüfus iki gruptan oluşur: \pi oranında iyileşmişler (sağkalımı 1) ve 1-\pi oranında iyileşmemişler. Karışım olmayan (non-mixture, sınırlı birikimli tehlike) modelde kümülatif tehlike sınırlıdır ve t\to\infty iken S(t)\to\pi olur.
Ne zaman kullanılır?
- İzlem yeterince uzun, Kaplan–Meier eğrisi son olaydan sonra açıkça düzleşiyor ve platonun varlığı klinik olarak akla yatkın (iyileşme biyolojik olarak mümkün).
- Kür oranının bir ortak değişkenle (grup, evre, tedavi) nasıl değiştiğini ayrıca iyileşmemişlerin sağkalımından ayırmak isteniyor.
- Uzun dönem sağkalım (ör. 5 ve 10 yıl) kestirimi gerekiyor ve sıradan parametrik modelin sıfıra inen kuyruğu yanıltıcı.
Ne zaman kullanılmaz?
- İzlem kısa ya da son olaydan sonra az sansürlü gözlem var: plato "yok"tur ve kür oranı tanımlanamaz; kür oranı yerine
esnek_parametrik(Bölüm 146) ya darmst_regresyon(Bölüm 153) ile kısıtlı ortalama sağkalım. - Orantılı tehlike varsayımıyla ortak değişken etkisi isteniyorsa ve plato yoksa: temel programdaki Cox modeli ya da
cezali_cox(Bölüm 143). - Olay türleri birden çoksa: temel programdaki rekabet riskleri analizi ya da
cok_durumlu_mstate(Bölüm 145). - Zaman aralıklara gruplanmışsa:
kesikli_zaman_sagkalim(Bölüm 149). - Kür oranı için yarı parametrik (Cox) iyileşmemiş sağkalımı isteniyorsa (Sy ve Taylor, 2000; Peng ve Dear, 2000): bu şablonda yalnız parametrik dağılımlar vardır.
Temel programla ilişki. Temel programda kür (iyileşme oranlı) model yoktur; Kaplan–Meier ve Cox analizleri herkesin sonunda olayı yaşayacağı varsayımıyla çalışır. Kür oranı, iyileşmemişlerin dağılımı ve kestirilen uzun dönem sağkalım yalnız MerQuR+'tadır.
151.2 Şablonun girdileri
Form on üç [[param]] bloğundan kurulur (kur_modeli.R:10–102). 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) | >0 | T (10–14, 120–122) |
Olay göstergesi (1 = olay, 0 = sansür) · durum |
sayısal sütun · Değişkenler | yok (zorunlu) | yalnız 0/1 | \delta (15–19, 120, 123) |
Kür oranının ortak değişkenleri · x |
sütunlar · Değişkenler | boş | herhangi sütun | \theta için formül (20–25, 109, 135) |
İyileşmemişlerin ölçek parametresinin ortak değişkenleri (isteğe bağlı) · x_gecikme |
sütunlar · Değişkenler | boş | herhangi sütun | anc = (26–31, 110, 137) |
İyileşmemişlerin dağılımı · dagilim |
seçim · Model | weibullPH |
weibullPH, weibull, lnorm, llogis, exp |
dist = (32–38, 136, 140) |
Kür modeli türü · model |
seçim · Model | karisim |
karisim, karisim_olmayan |
mixture = (39–45, 138) |
Kür oranı bağlantısı · baglanti |
seçim · Model | logistic |
logistic, loglog, probit, identity |
link = (46–52, 111–112, 140) |
Sağkalım tahmini zamanları (virgülle; boşsa çeyreklikler) · tahmin_zamanlari |
metin · Çıktı | boş | sayılar; virgülle ya da (ondalık virgül için) noktalı virgülle ayrılmış | Tahmin satırları (53–59, 213–226) |
Güven düzeyi · guven |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | cl = (60–68, 142, 227) |
Sağkalım GA'sı için benzetim sayısı · B |
tamsayı · Seçenekler | 1000 | 0–100 000 | summary(…, B =); 0 = aralık yok (69–77, 227–228) |
Nelder-Mead ile inceltme · nm_inceltme |
onay · Gelişmiş | açık | açık/kapalı | İkinci en iyileme (78–84, 172–177) |
Göreli yakınsama toleransı (BFGS) · goreli_tol |
ondalık · Gelişmiş | 10^{-12} | 10^{-16}–0{,}01 | reltol (85–93, 141) |
En çok yineleme (BFGS) · maks_yineleme |
tamsayı · Gelişmiş | 5000 | 10–1 000 000 | maxit (94–102, 141) |
Örnek ayar (ornek_param, satır 9): zaman = rectime, durum = censrec, x = group, dagilim = weibullPH, model = karisim, baglanti = logistic, tahmin_zamanlari = 1000, 2000, 3000.
Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 107 |
| Zaman ve durum aynı sütun | "Zaman ve durum sütunları farklı olmalı." | 108 |
| Özdeşlik bağlantısı ve kür oranında ortak değişken | "Özdeşlik bağlantısı yalnız ortak değişkensiz kür oranıyla kullanılabilir …" | 111–112 |
| Eksiksiz 20'den az satır | "Eksiksiz en az 20 satır gerekli." | 117 |
| Zaman ya da durum sütunu sayıya çevrilemiyor | "'x' sütunu sayıya çevrilemedi …" (mq_sayisal) |
120 |
| Zaman pozitif sayı değil | "Sağkalım zamanı pozitif sayı olmalı." | 122 |
| Olay 0/1 dışında | "Olay göstergesi yalnız 0/1 içermeli." | 123 |
| 10'dan az olay | "En az 10 olay gerekli." | 124 |
| 5'ten az sansürlü gözlem | "Kür modeli sansürlü gözlem gerektirir (en az 5)." | 125 |
| Ortak değişken sabit ya da tek düzeyli | "'x' sabit (tek düzeyli); ortak değişkenlerden çıkarın." | 130 |
flexsurvcure hata verir |
"Model kurulamadı: …" (ayrışma ya da tanımsız modelde ipucuyla) | 146–148 |
| Tahmin zamanları negatif ya da sayı değil | "Tahmin zamanları virgülle ayrılmış negatif olmayan sayılar olmalı." | 225 |
Notlar (çalıştırmayı durdurmaz): BFGS ve Nelder–Mead uyarıları toplanıp en sonda "Kestirim uyarıları:" olarak yazılır (143–149, 253); Hessian pozitif tanımlı değilse ya da bir SH sonlu değilse ayrı bir uyarı yazılır (250–252). Eksik değerli satırlar çıkarılır ve sayıları bildirilir (114–119). Son olaydan sonra sansürlü gözlem yoksa ya da 5'ten azsa (241–246), model birkaç başlangıçtan yeniden en iyilendiyse (247–248) ve bir katsayı sınıra gittiyse (249) not ya da uyarı yazılır; tahmin zamanları virgülle ayrılmış liste sayıldıysa hangi sayıların okunduğu söylenir (219–220).
Tohum. Kestirim belirleyicidir. Tahmin edilen sağkalımın güven aralığı parametrik benzetimle (varsayılan 1000 çekiliş) üretilir; R'nin üreteci panelin tohumuyla kurulur (Bölüm 1.3), bu nedenle aralık uçları tohuma göre değişir, tahminler değişmez (bulgular B9).
151.3 Örnek veri
bc_kur.csv: flexsurv paketinin bc verisi; Alman Meme Kanseri Çalışma Grubu'nun (1984–1989) primer lenf düğümü pozitif meme kanserli 686 hastası; prognostik grup Sauerbrei ve Royston (1999) regresyon modelinden türetilmiştir (Royston ve Parmar, 2002). Eksik değer yok.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
rectime |
sağkalım zamanı | sayısal | gün; 8–2659; ortanca 1084; son olay 2456. günde |
censrec |
olay göstergesi | ikili | 1 = ölüm/nüks: 299; 0 = sansür: 387 |
group |
kür oranının ortak değişkeni | kategorik | Good 229 (51 olay), Medium 229 (103 olay), Poor 228 (145 olay) |
Kaplan–Meier sağkalımı izlemin sonunda Good için 0,656, Medium için 0,323 ve Poor için 0,072'dir; son olaydan sonra 8 sansürlü gözlem vardır (Good 40, Medium 28 ve Poor 7 hasta 2000. günü aşmıştır). Bu platolar kür oranına işaret eder.
Düzey sırası. group üç düzeyli metin sütunudur; veri sekmesi onu kategorik sayar ve düzeyleri ilk görülme sırasıyla (Good, Medium, Poor; bu veride alfabetik sıra da aynıdır) aktarır. Başvuru Good'dur; groupMedium ve groupPoor katsayıları Good'a göre kür oranının log odds'u farklarıdır (Bölüm 1.3). Aynı sütun 10, 2, 7 gibi sayısal kodlanıp sayısal ortak değişken seçilirse tek doğrusal katsayı alır (bulgular B10).
Bu bölümde kullanılan çalıştırmalar: km_ornek (örnek ayar; tohum 123); km_tohum7; km_b0 (B=0); km_karisimdegil (karışım olmayan); km_probit, km_loglog (bağlantı); km_aft, km_lnorm, km_llogis, km_exp (dağılım); km_bagsiz, km_identity (ortak değişkensiz); km_gecikme (x_gecikme = group); km_nm_kapali; km_guven90; km_yin10 (maks_yineleme = 10, Nelder–Mead kapalı); uç veri çalıştırmaları km_eksik, km_son_olay, km_tek_sansur, km_sayisal, km_ayrisma, km_zvirgul, km_zuzak.
151.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (i) veri denetlenir; (ii) kür oranı ve (isteğe bağlı) ölçek ortak değişkenleri için formüller kurulur; (iii) flexsurvcure olabilirliği en büyütür (BFGS); (iv) isteğe bağlı olarak aynı noktadan Nelder–Mead ile inceltilir; (v) parametre, kür oranı, kestirilen sağkalım ve uyum tabloları yazılır; (vi) Kaplan–Meier ve kür modeli eğrisi çizilir.
151.4.1 Karışım modeli
Popülasyonun sağkalım fonksiyonu, iyileşmiş kesir \pi ve iyileşmemişlerin sağkalım fonksiyonu S_u cinsinden:
- \pi\in(0{,}1): iyileşmiş (olayı hiç yaşamayacak) kesir. Şablonun tablolarında
theta(bağlantı ölçeğinde) vekur_orani(doğal ölçekte) olarak görünür. - S_u(t), f_u(t): iyileşmemişlerin sağkalım ve olasılık yoğunluk fonksiyonu.
- Olaylı gözlemin olabilirlik katkısı f(t_i)=(1-\pi_i)f_u(t_i), sansürlü gözlemin katkısı S(t_i)=\pi_i+(1-\pi_i)S_u(t_i)'dir; \pi_i bireyin ortak değişkenlerinden gelir.
Neden sansürlü gözlemde \pi de görünür?
Sansürlü bir hasta ya iyileşmiştir (olay hiç gelmeyecek) ya iyileşmemiştir ama olay henüz gelmemiştir. Bu iki durumu ayırt edemeyiz; ikisinin olasılığı toplanır. Bu nedenle kür oranı yalnız son olaydan sonra yeterince uzun izlenen sansürlü gözlemler varsa tanımlanabilir (Maller ve Zhou, 1992).
151.4.2 Karışım olmayan model
Sınırlı birikimli tehlike modelinde (Tsodikov, 1998; Chen ve ark., 1999) F_u=1-S_u olmak üzere
- Birikimli tehlike -\log S(t)=-\log(\pi)\,F_u(t) olduğundan sınırlıdır; t\to\infty'da F_u\to1 ve S\to\pi.
- Tedavinin etkisi iyileşmemişlerin dağılımını değil kür oranını (kuyruğu) değiştirir; karışım modelindeki \pi+(1-\pi)S_u biçiminden farklı bir ortak değişken yorumu verir.
Üç düzeyli tek etkenin kür oranına girdiği örnek veride iki model aynı veriyi farklı uydurur: karışım logLik -2580{,}012, karışım olmayan -2567{,}800 (aynı parametre sayısı; AIC 5170,02 ve 5145,60). Karışım olmayan modelde ortak değişken katsayıları da farklıdır.
151.4.3 İyileşmemişlerin dağılımları
dagilim S_u'yu seçer (flexsurv tanımlarıyla):
dagilim |
Parametreler | S_u(t) | Konum parametresi (x_gecikme) |
|---|---|---|---|
weibullPH |
şekil k, ölçek \lambda | \exp(-\lambda t^{k}) (tehlike \lambda k t^{k-1}) | \lambda (log bağlantı) |
weibull |
şekil k, ölçek s | \exp\{-(t/s)^{k}\} (hızlandırılmış zaman) | s (log) |
lnorm |
meanlog \mu, sdlog \sigma |
1-\Phi\{(\log t-\mu)/\sigma\} | \mu (özdeşlik) |
llogis |
şekil a, ölçek b | 1/\{1+(t/b)^{a}\} | b (log) |
exp |
hız r | \exp(-rt) | r (log) |
Pozitif parametreler log ölçekte kestirilir. İki Weibull parametrelemesi aynı olabilirliği verir (\lambda=s^{-k}); örnekte weibullPH ve weibull için logLik, parametre sayısı ve kür oranları aynıdır. x_gecikme seçilirse ilgili konum parametresi ortak değişkenlerin doğrusal bileşimine bağlanır (137; örnekte scale(groupMedium), scale(groupPoor) satırları).
151.4.4 Kür oranı bağlantısı
Kür oranı ortak değişkenlere g(\pi)=\eta=\beta_0+x'\beta ile bağlanır:
baglanti |
\pi | Not |
|---|---|---|
logistic |
1/\{1+\exp(-\eta)\} | \exp(\beta) kür oranının odds oranı |
loglog |
\exp\{-\exp(\eta)\} | azalan: \eta arttıkça \pi azalır |
probit |
\Phi(\eta) | |
identity |
\pi=\eta | yalnız ortak değişkensiz (111–112) |
Neden bağlantı sonucu çoğu zaman değiştirmez?
Örnekte kür oranına yalnız üç düzeyli bir etken girer; kür oranı her grup için serbest parametredir ve bağlantı bu üç sayıyı yalnız yeniden parametreler. Bu nedenle lojistik, probit ve log-log bağlantılar (doğru en iyilendiğinde) aynı logLik'i verir (-2580{,}012; Python ve R). Bağlantı seçimi sürekli ya da çok sayıda ortak değişkende önem kazanır.
151.4.5 Kestirim
flexsurvcure(Surv(.zaman, .durum) ~ x, dist =, link =, mixture =, anc =, control = list(reltol =, maxit =)) olabilirliği BFGS ile en büyütür (140–142). guven 0,95'ten farklıysa cl ayarlanır (142).
Koddaki tercih: Nelder–Mead inceltmesi
BFGS, kötü ölçeklenmiş log ölçek parametresinde (örnekte \log\lambda\approx-11) erken durabilir. nm_inceltme açıkken aynı noktadan Nelder-Mead (reltol = 10^{-14}, maxit = 20 000) ile ikinci bir uydurma yapılır (172–176) ve yalnız (i) logLik daha büyükse ve (ii) Nelder–Mead çözümünde her SH sonluysa (BFGS çözümünde sonlu olmayan SH için bu koşul aranmaz) kabul edilir (177). Aksi hâlde ilk çözüm korunur. Bu kural örnekte BFGS çözümünü korur (Nelder–Mead kapalı ya da açık aynı sonucu verir; km_nm_kapali).
Koddaki tercih: log-log bağlantıda çoklu başlangıç
Tek başlangıçlı BFGS ve ardından Nelder–Mead log-log bağlantıda kötü bir yerel noktada durabilir: örnek veride bu yolla logLik -2598{,}750 olur (Medium ve Poor kür oranı sıfıra çöker, theta Hessian'ı tanımsız), oysa bağımsız Python ve R -2580{,}012 bulur. Bu nedenle baglanti = loglog iken (ve bir SH sonlu değilse ya da Hessian uyarısı varsa) şablon kür oranının üç başlangıç değerinden (\pi_0=0{,}2;\ 0{,}5;\ 0{,}8; ortak değişken katsayıları 0, iyileşmemişlerin dağılım parametreleri ortak değişkensiz flexsurvreg uyumundan) modeli yeniden kurar ve en yüksek logLik'i alır (150–169). Örnekte -2580{,}012 bulunur (AIC 5170,03; kür oranları 0,673, 0,377 ve 0,060) ve bu bir notla bildirilir (247–248). Lojistik ve probit bağlantıda ek başlangıç kullanılmaz.
Standart hata ve sınamalar. Bağlantı ölçeğinde Hessian'ın tersinden SH (SE_{\text{bağlantı}}); doğal ölçekte (şekil, ölçek) delta yöntemiyle SH. Ortak değişken katsayıları için z=\hat\beta/SE ve p=2\{1-\Phi(|z|)\} (193–194); theta ve dağılım parametreleri için z ve p boştur (196–198). flexsurvcure theta için doğal ölçek SH'sini yalnız özdeşlik bağlantıda verir; diğer bağlantılarda şablon onu delta yöntemiyle tamamlar (185–192): lojistikte \widehat{SE}(\hat\pi)=\hat\pi(1-\hat\pi)\,\widehat{SE}(\hat\eta), probitte \varphi(\hat\eta)\,\widehat{SE}(\hat\eta), log-logda \hat\pi\,e^{\hat\eta}\,\widehat{SE}(\hat\eta); örnekte 0{,}673277\cdot0{,}326723\cdot0{,}196684=0{,}043266. Log-log gibi azalan bağlantıda doğal ölçekteki güven aralığı uçları sıralanır (GA_alt \le GA_ust; 181–184).
Sınıra giden katsayı. Bir katsayı bağlantı ölçeğinde |\hat\beta|>10 ya da SH'si 10'dan büyükse kür oranı 0 ya da 1'e gitmiştir ve olabilirlik o yönde düzleşmiştir; Wald z ve p böyle bir noktada anlamsızdır (etki yokluğu kanıtı değildir). Şablon bu katsayıların z ve p değerini boş bırakır ve uyarı yazar (199–202, 249).
Kür oranı tablosu. Her ortak değişken örüntüsü için \pi=\lim_{t\to\infty}S(t); kod bunu t=\max(T)\cdot10^{6} anında kestirilen sağkalım olarak hesaplar (206).
Kestirilen sağkalım. tahmin_zamanlari (t_1,t_2,\dots) için \hat S(t_j\mid\text{örüntü}) ve parametrik benzetimle (summary(…, B =)) güven aralığı: parametre vektörü asimptotik normal dağılımdan B kez çekilir, her çekilişte sağkalım hesaplanır ve niteliklerden aralık alınır (227–228). Zamanlar boşsa T'nin çeyreklikleri (4 anlamlı basamak) kullanılır (226). Zaman listesinde noktalı virgül varsa yalnız o ayırıcıdır ve ondalık virgül serbesttir (1000,5; 2000); yoksa ayırıcı virgüldür (213–221). B=0 ise aralık yoktur.
Uyum. \text{AIC}=-2\ell+2p; \text{BIC}=-2\ell+p\log n (n: gözlem sayısı; 236).
151.4.6 Şekil
Kaplan–Meier (gri) ve kür modelinin uydurulmuş eğrisi (mor) çizilir (255–260). Kür modeli eğrisi \hat\pi'ye yatay bir platoyla yaklaşır; eğrinin gözlenen platodan uzaklığı uyumun görsel denetimidir.
151.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 104–131 | Paketler, veri ve sütun denetimleri (mq_sayisal), x ve x_gecikme için sabit/tek düzey denetimi |
Eksik satırlar çıkarılır ve bildirilir (114–119) |
| 132–138 | Adlar, formül kurucu işlevler, konum parametresi, anc |
Konum, flexsurv.dists[[dagilim]]$location |
| 140–149 | BFGS ile flexsurvcure; uyarı toplama; hata iletisi |
eval(bquote(…)): reltol, maxit sayı olarak yerleştirilir; ayrışma ipucu |
| 150–169 | Log-log bağlantıda (ya da Hessian sorununda) üç başlangıçtan yeniden en iyileme | En yüksek logLik alınır |
| 170–178 | Nelder–Mead inceltmesi ve kabul kuralı; print(m) |
logLik artışı ve sonlu SH koşulu |
| 180–203 | Parametre tablosu; theta SH'sinin delta ile tamamlanması; z, p ve sınır katsayısı |
Doğal ölçek SH delta ile |
| 206–211 | Kür oranı tablosu | t=\max(T)\cdot10^6 |
| 213–232 | Tahmin zamanları (ayırıcı kuralı), kestirilen sağkalım ve GA | B>0 ise benzetim; hata olursa aralıksız |
| 234–240 | Uyum tablosu, özet satırı | BIC n= gözlem sayısı |
| 241–253 | Plato uyarısı, çoklu başlangıç notu, sınır katsayı uyarısı, Hessian uyarısı, toplu uyarılar | Plato uyarısı son olaydan sonra 5'ten az sansür için |
| 255–261 | Kaplan–Meier ve model eğrisi | plot(m, type = "survival") |
151.6 Elle hesap: örnek veride bağımsız yeniden hesap
Adım 1 — Veri ve parametreler. 686 hasta, 299 olay, 387 sansür; beş parametre: kür oranının bağlantı ölçeğinde kesişimi \eta_0 ve iki grup katsayısı, Weibull şekli \log k ve ölçeği \log\lambda.
Adım 2 — En büyük olabilirlik. Bağımsız Python karışım olabilirliğini kendi yazdığı S_u, f_u ile kurar ve Nelder–Mead ile BFGS'i yeniden başlatarak en büyütür; R, aynı olabilirliği temel R'nin optim ve optimHess işleviyle kurar (flexsurv çağrılmaz). Kestirimler: \hat\eta_0=0{,}723043, \widehat{\text{grup}}_{Medium}=-1{,}225962, \widehat{\text{grup}}_{Poor}=-3{,}478583, \log\hat k=0{,}438014, \log\hat\lambda=-11{,}034792; logLik =-2580{,}012428.
Adım 3 — Kür oranları. \hat\pi_{Good}=1/(1+e^{-0{,}723043})=0{,}673277; \hat\pi_{Medium}=1/(1+e^{-(0{,}723043-1{,}225962)})=0{,}376855; \hat\pi_{Poor}=1/(1+e^{-(0{,}723043-3{,}478583)})=0{,}059775. Good'a göre kür oranının odds oranı: Medium \exp(-1{,}225962)=0{,}2935 (%95 GA 0,175–0,492), Poor 0{,}0309 (0,0039–0,247).
Adım 4 — Tek gözlemin olabilirliği. \hat k=e^{0{,}438014}=1{,}549627, \hat\lambda=1{,}613055\times10^{-5}. İlk hasta (Good, t=1342, sansür): S_u=\exp(-\hat\lambda\,1342^{\hat k})=\exp(-1{,}613055\times10^{-5}\cdot70\,282{,}72)=0{,}321841; S=\pi+(1-\pi)S_u=0{,}673277+0{,}326723\cdot0{,}321841=0{,}778429, \log S=-0{,}250477. İlk olaylı hasta (Good, t=991): f_u=\hat\lambda\hat k\,t^{\hat k-1}e^{-\hat\lambda t^{\hat k}}=0{,}000545539; f=(1-\pi)f_u=0{,}000178240, \log f=-8{,}632377. 686 katkının toplamı -2580{,}012428'dir.
Adım 5 — Standart hatalar. Sayısal Hessian'ın tersinden bağlantı ölçeği SH: 0{,}196683 (\eta_0), 0{,}263698, 1{,}060549, 0{,}058549 (\log k), 0{,}588295 (\log\lambda). Doğal ölçekte şekil için delta yöntemi: \widehat{SE}(\hat k)=\hat k\cdot0{,}058549=0{,}090729; ölçek: \hat\lambda\cdot0{,}588295=9{,}49\times10^{-6}. z_{Medium}=-1{,}225962/0{,}263698=-4{,}6491, p=3{,}3\times10^{-6}; z_{Poor}=-3{,}28, p=0{,}0010 (şablon: SH 1,060738; fark sayısal Hessian'dandır).
Adım 6 — Kestirilen sağkalım. S_u(1000)=\exp(-\hat\lambda\,1000^{\hat k})=0{,}487400, S_u(2000)=0{,}121987, S_u(3000)=0{,}019379. Good: \hat S(1000)=0{,}673277+0{,}326723\cdot0{,}487400=0{,}832522; \hat S(2000)=0{,}713133; \hat S(3000)=0{,}679608. Medium (\pi=0{,}376855): 0{,}680576; 0{,}452870; 0{,}388931. Poor (\pi=0{,}059775): 0{,}518041; 0{,}174470; 0{,}077995. Bu dokuz değer flexsurvcure vinyetinin 8 ondalıkla yayımladığı değerlerle 5\times10^{-5} içinde aynıdır.
Adım 7 — Karışım olmayan model. S=\pi^{F_u} ve f=-\log(\pi)f_uS olabilirliğiyle logLik =-2567{,}799785 (vinyet: -2567{,}8), AIC 5145,60; kür oranları 0{,}6345, 0{,}3504 ve 0{,}0988.
Adım 8 — Diğer dağılımlar. Aynı kür modelinde: lnorm logLik -2568{,}308 (AIC 5146,62), llogis -2573{,}187 (AIC 5156,37), exp -2608{,}354 (AIC 5224,71). Karışım modelinde Weibull-PH'nin AIC'si (5170,02) log-normal ve log-lojistikinkinden yüksektir; en düşük AIC karışım olmayan Weibull-PH'dedir (5145,60), onu log-normal karışım izler (5146,62).
151.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| Yayımlı logLik (3 ondalık) | −2580,012 | −2580,012 | — | 0 | ✓ |
| Ortak: theta (bağlantı ölçeği): kestirim (bağlantı ölçeği) | 0,7230432 | 0,72304258 | 0,72304322 | 6,2e−7 | ✓ |
| Ortak: theta (bağlantı ölçeği): SH (bağlantı ölçeği) | 0,196684 | 0,19668334 | 0,19668308 | 9,2e−7 | ✓ |
| Ortak: log şekil: kestirim (bağlantı ölçeği) | 0,43801375 | 0,43801401 | 0,43801429 | 5,4e−7 | ✓ |
| Ortak: log şekil: SH (bağlantı ölçeği) | 0,05854879 | 0,05854923 | 0,05854931 | 5,2e−7 | ✓ |
| Ortak: log ölçek: kestirim (bağlantı ölçeği) | −11,03479234 | −11,03479554 | −11,03479791 | 5,1e−7 | ✓ |
| Ortak: log ölçek: SH (bağlantı ölçeği) | 0,58826844 | 0,58829489 | 0,58829601 | 2,8e−5 | ✓ |
| Ortak: group Medium: kestirim (bağlantı ölçeği) | −1,22596204 | −1,22596196 | −1,22596193 | 8,8e−8 | ✓ |
| Ortak: group Medium: SH (bağlantı ölçeği) | 0,2636982 | 0,2636982 | 0,26369838 | 1,8e−7 | ✓ |
| Ortak: group Poor: kestirim (bağlantı ölçeği) | −3,47858305 | −3,47858189 | −3,47857493 | 2,3e−6 | ✓ |
| Ortak: group Poor: SH (bağlantı ölçeği) | 1,06073786 | 1,06054927 | 1,06054361 | 1,8e−4 | ✓ |
| Ortak: theta (kür oranı, doğal ölçek) | 0,6732768 | 0,67327666 | — | 1,4e−7 | ✓ |
| Ortak: şekil (doğal ölçek) | 1,54962622 | 1,54962662 | — | 2,6e−7 | ✓ |
| Ortak: şekil SH (delta) | 0,09072875 | 0,09072944 | — | 6,9e−7 | ✓ |
| Ortak: ölçek (doğal ölçek; \times10^{5}) | 1,61306021 | 1,61305505 | — | 3,2e−6 | ✓ |
| Ortak: ölçek SH (delta; \times10^{5}) | 0,94891242 | 0,94895203 | — | 4,0e−5 | ✓ |
| Ortak: logLik | −2580,01242782 | −2580,01242782 | −2580,01242782 | 1,4e−14 | ✓ |
| Ortak: AIC | 5170,02485564 | 5170,02485564 | 5170,02485564 | 1,4e−14 | ✓ |
| Ortak: BIC (n = 686) | 5192,67924378 | 5192,67924378 | — | 1,4e−14 | ✓ |
| Kür oranı π, Good | 0,6732768 | 0,67327666 | — | 1,4e−7 | ✓ |
| Kür oranı π, Medium | 0,37685498 | 0,37685485 | — | 1,3e−7 | ✓ |
| Kür oranı π, Poor | 0,05977454 | 0,05977457 | — | 3,0e−8 | ✓ |
| Sağkalım, Good, t = 1000 | 0,83252178 | 0,83252176 | — | 2,4e−8 | ✓ |
| Sağkalım, Good, t = 1000 (yayımlı, 8 ondalık) | 0,83252178 | 0,83251996 | — | 1,8e−6 | ✓ |
| Sağkalım, Good, t = 2000 | 0,71313272 | 0,71313261 | — | 1,1e−7 | ✓ |
| Sağkalım, Good, t = 2000 (yayımlı, 8 ondalık) | 0,71313272 | 0,71313032 | — | 2,4e−6 | ✓ |
| Sağkalım, Good, t = 3000 | 0,67960838 | 0,67960824 | — | 1,3e−7 | ✓ |
| Sağkalım, Good, t = 3000 (yayımlı, 8 ondalık) | 0,67960838 | 0,67959584 | — | 1,3e−5 | ✓ |
| Sağkalım, Medium, t = 1000 | 0,68057605 | 0,68057607 | — | 2,2e−8 | ✓ |
| Sağkalım, Medium, t = 1000 (yayımlı, 8 ondalık) | 0,68057605 | 0,68057306 | — | 3,0e−6 | ✓ |
| Sağkalım, Medium, t = 2000 | 0,45287045 | 0,45287035 | — | 9,4e−8 | ✓ |
| Sağkalım, Medium, t = 2000 (yayımlı, 8 ondalık) | 0,45287045 | 0,45286672 | — | 3,7e−6 | ✓ |
| Sağkalım, Medium, t = 3000 | 0,38893093 | 0,3889308 | — | 1,3e−7 | ✓ |
| Sağkalım, Medium, t = 3000 (yayımlı, 8 ondalık) | 0,38893093 | 0,38890796 | — | 2,3e−5 | ✓ |
| Sağkalım, Poor, t = 1000 | 0,51804071 | 0,51804086 | — | 1,5e−7 | ✓ |
| Sağkalım, Poor, t = 1000 (yayımlı, 8 ondalık) | 0,51804071 | 0,51803653 | — | 4,2e−6 | ✓ |
| Sağkalım, Poor, t = 2000 | 0,17446964 | 0,1744697 | — | 5,5e−8 | ✓ |
| Sağkalım, Poor, t = 2000 (yayımlı, 8 ondalık) | 0,17446964 | 0,17446456 | — | 5,1e−6 | ✓ |
| Sağkalım, Poor, t = 3000 | 0,0779952 | 0,07799523 | — | 2,7e−8 | ✓ |
| Sağkalım, Poor, t = 3000 (yayımlı, 8 ondalık) | 0,0779952 | 0,07796116 | — | 3,4e−5 | ✓ |
| Karışım olmayan, lojistik: logLik | −2567,79978485 | −2567,79978485 | −2567,79978485 | 3,3e−14 | ✓ |
| Karışım olmayan, lojistik: AIC | 5145,5995697 | 5145,5995697 | 5145,5995697 | 3,3e−14 | ✓ |
| Karışım, probit: logLik | −2580,01242782 | −2580,01242782 | −2580,01242782 | 2,9e−14 | ✓ |
| Karışım, probit: AIC | 5170,02485564 | 5170,02485564 | 5170,02485564 | 2,9e−14 | ✓ |
| Karışım, Weibull (hızlandırılmış zaman): logLik | −2580,01242782 | −2580,01242782 | −2580,01242782 | 7,8e−15 | ✓ |
| Karışım, Weibull (hızlandırılmış zaman): AIC | 5170,02485564 | 5170,02485564 | 5170,02485564 | 7,7e−15 | ✓ |
| Karışım, log-normal: logLik | −2568,30828468 | −2568,30826405 | −2568,30826405 | 8,0e−9 | ✓ |
| Karışım, log-normal: AIC | 5146,61656937 | 5146,6165281 | 5146,6165281 | 8,0e−9 | ✓ |
| Karışım, log-lojistik: logLik | −2573,18714233 | −2573,18714233 | −2573,18714233 | 3,9e−13 | ✓ |
| Karışım, log-lojistik: AIC | 5156,37428466 | 5156,37428466 | 5156,37428466 | 3,9e−13 | ✓ |
| Karışım, üstel: logLik | −2608,35401882 | −2608,3539771 | −2608,3539771 | 1,6e−8 | ✓ |
| Karışım, üstel: AIC | 5224,70803764 | 5224,7079542 | 5224,7079542 | 1,6e−8 | ✓ |
| Ortak değişkensiz kür oranı (lojistik): logLik | −2628,23509844 | −2628,23509844 | — | 2,2e−15 | ✓ |
| Ortak değişkensiz kür oranı (özdeşlik): logLik | −2628,23509887 | −2628,23509844 | — | 1,6e−10 | ✓ |
| Ölçeğe ortak değişken (x_gecikme = group): logLik | −2569,65006606 | −2569,65006606 | — | 1,7e−13 | ✓ |
| Ölçeğe ortak değişken: AIC | 5153,30013213 | 5153,30013213 | — | 1,6e−13 | ✓ |
| Log-log bağlantı, varsayılan en iyileme: logLik (bkz. bulgular B1) | −2598,74963684 | −2580,01242782 | −2580,01242782 | 7,2e−3 | ✗ |
Ölçütü karşılayan: 56/57. Bağımsız Python, karışım ve karışım olmayan olabilirlikleri kendisi yazar (Weibull, log-normal, log-lojistik, üstel dağılım işlevleri scipy.stats/elle), scipy.optimize ile (Nelder–Mead ve BFGS yeniden başlatmalı, çok başlangıçlı) en büyütür ve sayısal Hessian'dan SH üretir; R sütunu aynı olabilirliği temel R dağılım işlevleriyle (pweibull, plnorm …) kurar ve optim + optimHess kullanır; flexsurv ve flexsurvcure çağrılmaz. Ölçüt satır başına yazılıdır: kestirim 10^{-5}, logLik ve AIC 10^{-6} (göreli), SH 2\times10^{-4} (sayısal Hessian farkı); yayımlı sağkalım için 5\times10^{-5}. Örnek veride tek üç düzeyli etkenin kür oranına girdiği modelde bağlantı (lojistik, probit, log-log) ve Weibull parametrelemesi (orantılı tehlike ya da hızlandırılmış zaman) üç grup kür oranını serbestçe uydurur: bu yüzden bu modellerin logLik'i aynıdır (-2580{,}012). Son satır, log-log bağlantıda şablonun varsayılan en iyilemesinin bu en büyük değere ulaşmadığını gösterir (bulgular/kur_modeli.md B1); bu satır ölçütü karşılamaz.
151.7 Çıktıyı okuma
Örnek ayar (km_ornek, tohum 123), konsol (kısaltılmış):
Call:
flexsurvcure(formula = f, data = d, dist = P$dagilim, link = P$baglanti,
mixture = karisim, anc = anc, inits = m$res[, "est"], method = "Nelder-Mead", ...)
Estimates:
data mean est L95% U95% se exp(est)
theta NA 6.73e-01 5.84e-01 7.52e-01 NA NA
shape NA 1.55e+00 1.38e+00 1.74e+00 9.07e-02 NA
scale NA 1.61e-05 5.09e-06 5.11e-05 9.49e-06 NA
groupMedium 3.34e-01 -1.23e+00 -1.74e+00 -7.09e-01 2.64e-01 2.93e-01
groupPoor 3.32e-01 -3.48e+00 -5.56e+00 -1.40e+00 1.06e+00 3.09e-02
N = 686, Events: 299, Censored: 387
Log-likelihood = -2580.012, df = 5
AIC = 5170.025
Model: karışım; iyileşmemişlerin dağılımı: weibullPH; kür bağlantısı: logistic.
Tablolar (kısaltılmış):
parametre kestirim_baglanti SH_baglanti kestirim SH GA_alt GA_ust z p
theta 0.723043 0.196684 0.673277 0.043266 0.583595 0.751856 NaN NaN
shape 0.438014 0.058549 1.549626 0.090729 1.381625 1.738056 NaN NaN
scale -11.034792 0.588268 0.000016 0.000009 0.000005 0.000051 NaN NaN
groupMedium -1.225962 0.263698 -1.225962 0.263698 -1.742801 -0.709123 -4.649110 0.000003
groupPoor -3.478583 1.060738 -3.478583 1.060738 -5.557591 -1.399575 -3.279399 0.001040
kur_orani group zaman sagkalim GA_alt GA_ust group
0.673277 Good 1000 0.832522 0.788320 0.869500 Good
0.376855 Medium 2000 0.713133 0.642707 0.779275 Good
0.059775 Poor 3000 0.679608 0.594703 0.757976 Good
1000 0.680576 0.630858 0.728669 Medium
...
3000 0.077995 0.038521 0.357139 Poor
olcut deger
n 686
Olay 299
Sansürlü 387
logLik -2580.012428
AIC 5170.024856
BIC 5192.679244
Parametre sayısı 5
Şekil 151.1. Örnek ayar: üç prognostik grup için Kaplan–Meier (gri) ve kür modeli (mor) eğrileri; en üstteki (Good) eğri \hat\pi=0{,}673 platosuna yaklaşır, Poor grupta eğri izlemin sonunda 0,095'tedir ve henüz platoya ulaşmamıştır.

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
theta |
Kür oranı (bağlantı ve doğal ölçek) | Good grubunda hastaların %67,3'ü iyileşmiştir (%95 GA 58,4–75,2). |
shape, scale |
İyileşmemişlerin Weibull-PH parametreleri | Şekil 1,55 > 1: iyileşmemişlerde tehlike zamanla artar. |
groupMedium, groupPoor |
Kür oranının log odds'u (Good'a göre) |
\exp(\beta) odds oranıdır: Medium 0,293, Poor 0,031. |
z, p |
Wald sınaması | Yalnız ortak değişken katsayılarında dolu; theta ve dağılım parametrelerinde boş. |
kur_orani |
Örüntü başına \pi | 0,673, 0,377 ve 0,060: prognostik grup arttıkça kür oranı düşer. |
sagkalim, GA_* |
Kestirilen sağkalım ve benzetim GA | Good, 3000. günde 0,680 (0,595–0,758); aralık tohuma göre değişir. |
logLik, AIC, BIC |
Uyum | Aynı veride dağılımlar ve model türleri karşılaştırılır; BIC n=686 ile. |
| Şekil | Her ortak değişken örüntüsü için Kaplan–Meier ve model eğrisi | Eğri platoya yatay yaklaşır; Good grubunda gözlenen plato (0,656) model platosundan (0,673) biraz aşağıdadır. |
Rapor cümlesi: Primer lenf düğümü pozitif meme kanserli 686 hastada (299 olay) sağkalım, iyileşmemişlerin dağılımı Weibull (orantılı tehlike) alınarak karışım kür modeliyle incelendi. Kür oranı iyi prognostik grupta %67,3 (%95 GA 58,4–75,2), orta grupta %37,7 ve kötü grupta %6,0 bulundu; iyi gruba göre kür oranının odds oranı orta grup için 0,29 (%95 GA 0,18–0,49; p<0{,}001), kötü grup için 0,031 (%95 GA 0,004–0,25; p=0{,}001). İyi grupta 3000. günde kestirilen sağkalım 0,680'dir (%95 GA 0,595–0,758).
151.8 Sık hatalar ve tuzaklar
- Plato olmadan kür oranı. Kaplan–Meier eğrisi platoya ulaşmadıysa ya da son olaydan sonra az sansürlü gözlem varsa kür oranı tanımlanamaz. Şablon son olaydan sonra hiç ya da 5'ten az sansürlü gözlem varsa uyarır (241–246): son olaydan sonra tek sansürlü gözlem bırakılan veride "yalnız 1 sansürlü gözlem var" uyarısı çıkar (
km_tek_sansur). Son olaydan sonraki 8 sansürlü gözlem olaya çevrildiğinde (km_son_olay) hiç sansür kalmaz ve kür oranı yine de 0,605 kestirilir; bu durumda uyarı "son olaydan sonra sansürlü gözlem yok" der. - Log-log bağlantıda başlangıç değerine duyarlılık.
baglanti = loglogiçin şablon üç başlangıçtan çalışır ve -2580{,}012'ye ulaşır (km_loglog; 150–169); farklı bağlantılar doymuş modelde aynı logLik'i vermelidir. Çoklu başlangıca rağmen Hessian uyarısı sürerse sonuçları kullanmayın. - Sınıra giden kür katsayısı. Log-normal, log-lojistik ve üstel dağılımla
groupPoor-14 ile -23'e gider (SE 155–2966); bu bir "etki yok" kanıtı değil, kür oranının sıfıra yaklaşmasıdır. Şablon bu katsayının z ve p değerini boş bırakır ve "katsayısı sınırda" uyarısı yazar (km_lnorm,km_llogis,km_exp; 199–202, 249). Güven aralığı yine de yazılır ve güvenilir değildir. - Düşük yineleme.
maks_yineleme = 10ve Nelder–Mead kapalıyken logLik -2604{,}140 çıkar ve "Hessian pozitif tanımlı değil" uyarısı yazılır (km_yin10); uyarı varsa sonuçlar kullanılmamalıdır. - Özdeşlik bağlantısı yalnız ortak değişkensiz.
identityvex = groupbirlikte durur (km_identity_x). Ortak değişkensiz modeldeidentityvelogisticaynı logLik'i verir (-2628{,}235;km_identity,km_bagsiz). - Gösterge ve zaman. 1/2 kodlu gösterge "Olay göstergesi yalnız 0/1 içermeli." ile, sıfır zaman "Sağkalım zamanı pozitif sayı olmalı." ile durur (
km_kod12,km_sifir). Hiç sansürsüz veri "Kür modeli sansürlü gözlem gerektirir (en az 5)." ile durur (km_sansursuz). - Ayrışma. Ortak değişken olayı kusursuz ayırırsa "Model kurulamadı: non-finite value supplied by optim" iletisi çıkar ve ileti ortak değişkenin olayı kusursuz ayırıyor olabileceğini söyler (
km_ayrisma; 146–148). - Eksik satırlar.
groupdeğişkeninde 20 eksik değer varsa n 686'dan 666'ya düşer ve çıkarılan satır sayısı bildirilir (km_eksik; 114–119). - Ondalık virgül.
tahmin_zamanlari = "1000,5"iki zaman (1000 ve 5) üretir ve not hangi sayıların okunduğunu söyler; ondalık virgül için noktalı virgül kullanın:1000,5; 2000(km_zvirgul; 213–221). İzlem dışı zaman (50 000 gün) hata vermez; platodaki sağkalım yazılır (km_zuzak). - Sayısal kodlu etken.
group10/2/7 sayısal olarak seçilirse tek doğrusal katsayı kullanılır ve optimum bozulur (\hat\theta=-88{,}8;km_sayisal; bulgular B10). - Aralık tohuma bağlıdır. Aynı veri, aynı model:
Good, 3000. gün için %95 GA tohum 123'te (0{,}5947;\ 0{,}7580), tohum 7'de (0{,}6001;\ 0{,}7553) (km_ornek,km_tohum7; bulgular B9). thetaiçin doğal ölçek SH delta yöntemiyle tamamlanır. Lojistik, probit ve log-log bağlantılardaflexsurvcurebu SH'yi vermez; şablon \hat\pi için delta SH'sini hesaplar (örnekte 0,0433; 185–192).- Model seçimi. Uyum ölçüleri aynı veride karşılaştırılır; plato yokken iki model de iyi görünebilir. Karışım ve karışım olmayan modelin AIC'si (5170,02 ve 5145,60) karşılaştırılabilir, ama farklı kür tanımlarını ölçtüğünü unutmayın.
151.9 Uzman soruları
S1. Kür oranı verilerden gerçekten kestirilebilir mi?
Yalnız izlem, son olaydan sonra plato oluşturacak kadar uzunsa. Sansürlü gözlemler iyileşmişlerle henüz olayı yaşamamışları ayırt etmeyi sağlayamaz; bu ayrım model varsayımına (dağılım biçimine) dayanır. Örnekte son olaydan sonra 8 sansürlü gözlem vardır ve kür oranları bağıl olarak iyi belirlenir (SH 0,197 bağlantı ölçeğinde), ama kötü grupta 7 hasta 2000. günü aşar ve \hat\pi_{Poor} dağılım seçimine duyarlıdır (Weibull 0,060; log-normal ve üstelde sıfıra çöker).
S2. Karışım ve karışım olmayan model arasında nasıl seçilir?
Karışım modelinde ortak değişken yalnız kür oranını ve (isteğe bağlı) iyileşmemişlerin ölçeğini değiştirir; karışım olmayan modelde tedavi doğrudan kümülatif tehlikeyi ölçekler ve orantılı tehlike yapısını korur. İstatistiksel olarak aynı parametre sayısında AIC karşılaştırılabilir (5170,02 ve 5145,60). Klinik gerekçe (iyileşmiş alt popülasyon var mı, yoksa tek bir sınırlı tehlike mi) belirleyicidir.
S3. Neden bağlantı değişince sonuç aynı kalıyor?
Kür oranına yalnız üç düzeyli bir etken girdiğinde üç grup oranı serbesttir; logit, probit ve log-log yalnız aynı üç sayıyı farklı ölçekte yazar. Örnekte logLik üç bağlantıda aynıdır (-2580{,}012; Python ve R). Log-log bağlantıda tek başlangıçlı en iyileme bu eşdeğerliği bozabildiğinden şablon üç başlangıçtan çalışır ve aynı -2580{,}012'ye ulaşır.
S4. Weibull-PH ve Weibull-AFT parametrelemesi arasında fark var mı?
Aynı dağılımdır: \lambda=s^{-k}. Olabilirlik, kür oranları ve kestirilen sağkalım aynıdır; yalnız scale parametresinin değeri ve anlamı değişir (1,61×10⁻⁵ ve 1237,6) ve x_gecikme katsayısının yorumu: PH'de tehlikeyi çarpar, AFT'de zaman ölçeğini. Şablonda iki seçenek ayrıdır; örnekte logLik aynıdır (-2580{,}012).
S5. İyileşmemişlerin dağılımı nasıl seçilir?
Karışım modelinde AIC: lnorm 5146,62 < llogis 5156,37 < weibullPH 5170,02 < exp 5224,71. Üstel dağılım sabit tehlike dayattığı için kötü uyar. Ancak log-normal ve log-lojistikte kötü grup kür oranının sıfıra çökmesi (Wald aralığı anlamsız) AIC'nin tek başına yeterli olmadığını gösterir; kestirilen sağkalım eğrileri ve Kaplan–Meier ile görsel uyum da bakılmalıdır.
S6. `x_gecikme` ne için kullanılır?
İyileşmemişlerin ölçek (konum) parametresinin ortak değişkenle değişmesine izin verir; böylece grup hem kür oranını hem iyileşmemişlerin zamanlamasını etkileyebilir. Örnekte scale(groupPoor) =1{,}429 (SH 0,569; p=0{,}012), AIC 5153,30; ortak değişkensiz ölçekli modelden (5170,02) belirgin düşüktür. Parametre sayısı kür oranı için 3 + dağılım 2 + ölçek 2 olur.
S7. Benzetim güven aralığı ile Wald aralığı arasındaki fark nedir?
Parametre ve kür oranı aralıkları Wald (\hat\theta\pm z\,SE bağlantı ölçeğinde, sonra geri dönüştürülmüş); kestirilen sağkalım aralığı ise parametre dağılımından çekilen B vektörle benzetimle üretilir. İkincisi rastgeledir: tahminler sabit, aralık uçları tohuma ve B'ye bağlıdır. B'yi artırmak Monte Carlo hatasını azaltır; panelin tohumu künyede kayıtlıdır.
S8. Başka bir araçla fark çıkar mı?
Bağımsız Python (kendi olabilirlik ve scipy.optimize) ve R (temel R dağılım işlevleri ve optim) örnek ayarda parametreleri 10^{-5} içinde, logLik ve AIC'yi 10^{-6} içinde ve yayımlı vinyet değerlerini (parametreler 3 anlamlı basamakla, kestirilen sağkalım 8 ondalıkla) bulur (151.6.1). Log-log bağlantıda da şablonun çoklu başlangıçlı en iyilemesi aynı en büyük değere ulaşır (150–169).
151.10 Kaynaklar
- Amico, M. ve Van Keilegom, I. (2018). Cure models in survival analysis. Annual Review of Statistics and Its Application, 5, 311–342. https://doi.org/10.1146/annurev-statistics-031017-100101
- Berkson, J. ve Gage, R. P. (1952). Survival curve for cancer patients following treatment. Journal of the American Statistical Association, 47(259), 501–515. https://doi.org/10.1080/01621459.1952.10501187
- Boag, J. W. (1949). Maximum likelihood estimates of the proportion of patients cured by cancer therapy. Journal of the Royal Statistical Society: Series B, 11(1), 15–44. https://doi.org/10.1111/j.2517-6161.1949.tb00020.x
- Chen, M.-H., Ibrahim, J. G. ve Sinha, D. (1999). A new Bayesian model for survival data with a surviving fraction. Journal of the American Statistical Association, 94(447), 909–919. https://doi.org/10.1080/01621459.1999.10474196
- Farewell, V. T. (1982). The use of mixture models for the analysis of survival data with long-term survivors. Biometrics, 38(4), 1041–1046. https://doi.org/10.2307/2529885
- Jackson, C. H. (2016). flexsurv: a platform for parametric survival modeling in R. Journal of Statistical Software, 70(8), 1–33. https://doi.org/10.18637/jss.v070.i08
- Maller, R. A. ve Zhou, X. (1992). Estimating the proportion of immunes in a censored sample. Biometrika, 79(4), 731–739. https://doi.org/10.1093/biomet/79.4.731
- Peng, Y. ve Dear, K. B. G. (2000). A nonparametric mixture model for cure rate estimation. Biometrics, 56(1), 237–243. https://doi.org/10.1111/j.0006-341X.2000.00237.x
- 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
- Sy, J. P. ve Taylor, J. M. G. (2000). Estimation in a Cox proportional hazards cure model. Biometrics, 56(1), 227–236. https://doi.org/10.1111/j.0006-341X.2000.00227.x
- Tsodikov, A. (1998). A proportional hazards model taking account of long-term survivors. Biometrics, 54(4), 1508–1516. https://doi.org/10.2307/2533675
- Amdahl, J. (2017). flexsurvcure: Flexible parametric cure models (R paketi, sürüm 1.3.3). https://doi.org/10.32614/CRAN.package.flexsurvcure
- Therneau, T. (2026). A package for survival analysis in R (R paketi, sürüm 3.8-6). https://CRAN.R-project.org/package=survival