MerQuR+Başvuru Kitabı

131. Rakip Riskler

Analiz kimliği: competing_risks · Menü adı: Rakip Riskler · Panel: gui/panels/analyses/competing_risks.py (form 146–256, execute 261–703, read_options 713–723, _recode_events 812–864) · Motor: stats/competing_risks.py, aalen_johansen_cif (77–119), gray_test (124–211), fine_gray (278–360), cif_ci_loglog (377–389), Breslow neden-özgü Cox (402–520); Efron neden-özgü Cox lifelines CoxPHFitter · Çağıran: stats_panel.py:7406–7480

131.1 Ne işe yarar

Rakip riskler analizi, bir hastanın birbirini dışlayan birden çok olaydan yalnız birini yaşayabildiği durumlarda kullanılır: kanserden ölen hasta artık kalp hastalığından ölemez. Böyle verilerde ilgilenilen olayın olasılığı, rakip olayların varlığına bağlıdır. Cevapladığı iki soru vardır:

  1. "60 ay içinde hastaların yüzde kaçı hastalığa bağlı nedenle ölür?" Bu bir kümülatif insidans (CIF) sorusudur.
  2. "Yaş, kardiyak ölüm hızını değiştiriyor mu?" Bu bir neden-özgü tehlike (etiyoloji) ya da alt dağılım tehlikesi (tahmin) sorusudur.
F_k(t)=P(T\le t,\ \varepsilon=k)=\int_0^tS(u^-)\,\lambda_k(u)\,du,\qquad \sum_kF_k(t)=1-S(t)
  • T: ilk olayın zamanı; \varepsilon\in\{1,\dots,K\}: olayın nedeni.
  • F_k(t): k. nedenin kümülatif insidans fonksiyonu (CIF): t'ye kadar k nedeniyle olay yaşama olasılığı.
  • S(t): hiçbir olay yaşamama olasılığı (tüm nedenler KM'si); S(u^-), u'nun hemen öncesi.
  • \lambda_k(u): neden-özgü tehlike; u'ya kadar olaysız kalanlarda k nedeninin anlık hızı.
  • CIF'lerin toplamı 1-S(t)'dir; hiçbir zaman 1'i aşmaz.

Ne zaman kullanılır? Olay sütunu birden çok olay türü taşır (ölüm nedeni, nüks ile nükssüz ölüm, greft kaybı ile ölüm) ve türlerden biri gerçekleşince öteki gözlenemez.

Ne zaman kullanılmaz?

  • Tek olay türü varsa: Kaplan-Meier Sağkalım Analizi (Bölüm 128) ve Cox Regresyonu (Bölüm 129).
  • Olaylar tekrarlanabiliyorsa (aynı hastada birden çok nüks) ya da bir olaydan sonra başka bir duruma geçiş izleniyorsa (çok durumlu model): MerQur'da yoktur.
  • Rakip olay yalnız bir sansür nedeniyse (çalışmadan çekilme) ve olayla ilişkisizse: standart KM/Cox yeterlidir.
  • Olay zamanı aralıkta biliniyorsa: Aralık Sansürlü Sağkalım (Bölüm 134).

Sık karıştırılan analizler. Rakip olayları sansür sayıp KM kurmak (naif 1-\text{KM}) CIF'i büyütür: rakip olay yaşayanları "hâlâ risk altında ama izlenmedi" kabul eder (131.6, Adım 3). Neden-özgü Cox ile Fine–Gray aynı veriyi farklı sorular için modeller; ikisinin katsayıları farklı olabilir ve bu bir hata değildir (131.8 S1).

131.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Olay kodu 0 sansür, 1…K nedenler; ya da metin kodlar. En az 2 neden gerekir (:345–348); negatif kod hata (:349–352); metin kodda sansür değeri tanınamazsa ya da birden çok aday varsa hata (_recode_events, :799–850).
Bilgisiz sansür Sansür, olay riskinden bağımsız. Denetlenmez. Fine–Gray ağırlıkları ve CIF bu varsayıma dayanır.
Neden-özgü PH Her nedende tehlike oranı zamanla sabit. İsteğe bağlı Schoenfeld (Grambsch–Therneau) testi.
Alt dağılım PH Fine–Gray'de alt dağılım tehlikeleri orantılı. Denetlenmez.
Yeterli olay Her neden için model kurulabilmeli. 10'dan az olaylı nedende neden-özgü Cox ve Fine–Gray kurulmaz, uyarı yazılır (:403–405, :516–518, :646–662).

Eksik değer. Süre ya da olay sütunu eksik satırlar baştan, kovaryatı eksik satırlar kukla kodlamadan sonra çıkar (:327, :384). Olay sayıları ve CIF'ler son kalan örneklemden hesaplanır (:390–394). Grup değişkeni eksik olan satırlar Gray testine girmez (:629).

Uç durumlar.

  • Analize giren gözlem 30'dan azsa hata (:332–333, :385–388).
  • Sansürlü gözlem yoksa uyarı: CIF deneysel kümülatif oran olur, Fine–Gray'de sansür ağırlıkları 1'dir (:664–665).
  • Kovaryat seçilmezse yalnız olay sayıları, sıfır model kısmi log-olabilirliği ve CIF verilir (:962–963 metin).
  • Grup değişkeninde 10'dan az gözlemi olan grubun ayrı CIF satırı yazılmaz ve bu durum uyarıda belirtilir; bu gözlemler Gray testine yine girer (:611–612, :629–635).

131.3 Parametreler

Form competing_risks.py:148–258; seçenekler read_options (:713–723) ve stats_panel.py:7406–7470.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Süre sütunu: ilk sayısal sütun Olay ya da sansür zamanı. —
Olay tipi (0 = sansür): ilk sütun 0 sansür, 1…K neden; metin de olabilir. —
Sansür değeri: boş (otomatik) Sansürü gösteren değer. Boşsa 0, censored, none, sansür, boş metin vb. tanınır (:787–790). Kodlama.
Olay 1 etiketi: / Olay 2 etiketi: "Olay 1" / "Olay 2" Çıktıdaki neden adları; üçüncü ve sonraki nedenler "Olay k" adını alır. Yalnız metin.
Kovaryatlar: seçim yok Sayısal olduğu gibi; metin K-1 kukla. Neden-özgü Cox ve Fine–Gray.
Kategorik (faktör) değişkenler boş Sayıyla kodlanmış kategorikler. Kodlama.
CIF grup değişkeni (isteğe bağlı): (yok) Grup başına CIF ve Gray testi. Ek tablo, test.
Referans düzeyler: boş grp=B biçiminde. Kukla katsayılar.
CIF zaman noktaları (isteğe bağlı): boş Virgülle zamanlar; her neden için CIF (SH). Boşsa yalnız son zaman. Ek sütunlar.
Bağ yöntemi (neden-özgü Cox): Efron Efron ya da Breslow. Fine–Gray her zaman Breslow'dur. Neden-özgü Cox.
Ek çıktılar: CIF güven aralıkları (log-log …) kapalı 131.5.2. Ek tablo, grafik bandı.
Ek çıktılar: Orantılı tehlike testi (…) kapalı Neden-özgü Cox için Grambsch–Therneau. Ek tablo.
Ek çıktılar: Omnibus testler (LR / Wald / skor) kapalı Neden-özgü Cox için. Ek satır.
Ek çıktılar: Riskte olanlar tablosu kapalı CIF zamanlarında (yoksa eksen tiklerinde) n(t), grup başına n ve birikimli olay sayıları. Ek tablo.
Güven Düzeyi: %95 HR, sHR ve CIF GA'ları. GA.

Metin kodlar nasıl sıralanır?

Olay sütunu metinse (ör. kanser, kalp, sansür) sansür değeri dışındaki değerler MerQur'un düzey sırası kuralıyla 1…K'ya eşlenir: sayısal kodlar sayısal sırayla (ör. 9 sansürken 1, 2), sayı içeren etiketler etiketteki sayıya göre, öteki metin kodlar verideki ilk görülme sırasıyla; alfabetik sıra kullanılmaz. Eşleme çıktıda yazılır (:917–923). Etiket kutularındaki varsayılan "Olay 1/2" metinleri, metin kodlu veride özgün değerlerin önüne geçmez (stats_panel.py:7440–7453).

131.4 Tıp örneği

Dosya: english/datasets/Tip/89_competing_risks_3neden.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/89_competing_risks_3neden.xlsx). Değişkenler VIDEO_SCRIPT_TR.txt #89'dan alınmıştır; Gray testini göstermek için CIF grup değişkeni olarak stage eklenmiştir.

Değişken Rol Tür Özet
duration_month Süre sürekli (ay) ort. 14,05; SS 12,78; 0,5–60
death_cause Olay tipi 0–3 0 sansür 63; 1 hastalığa bağlı ölüm 70; 2 kardiyak 49; 3 diğer 38
age Kovaryat sürekli (yıl) ort. 62,24; SS 13,07; 40–84
stage CIF grubu 1–4 62 / 47 / 48 / 63 hasta

n ve eksik değer: 220 hasta, eksik değer yok. Neden adları sunum dosyasından (SUNUMLAR_TR/89_…_TR.pptx) alınmıştır; çalıştırmada "Olay 1 etiketi" Hastalık, "Olay 2 etiketi" Kardiyak yazılmıştır.

Klinik soru: Üç ölüm nedeninin 1, 2 ve 3 yıllık kümülatif insidansı nedir? Yaş, nedenlere özgü ölüm hızını ve nedenlerin insidansını değiştiriyor mu? Evreler arasında CIF'ler farklı mı?

Seçilen ayarlar: Kovaryat age, CIF grup değişkeni stage, CIF zamanları 12, 24, 36; Efron; dört ek çıktı açık; %95. Ek çalıştırmalar: Breslow, kovaryatsız, %90.

131.5 Formüller ve hesap adımları

MerQur'un hesap sırası: olay kodlaması → kukla kodlama → her neden için neden-özgü Cox (öteki nedenler sansür) → her neden için Fine–Gray modeli → her neden için Aalen–Johansen CIF ve Gray varyansı, sıfır model kısmi log-olabilirliği → isteğe bağlı log-log GA ve riskte olanlar tablosu → grup verilmişse grup başına CIF ve Gray testi.

131.5.1 Aalen–Johansen CIF

\hat F_k(t)=\sum_{u\le t}\hat S(u^-)\,\frac{d_k(u)}{n(u)},\qquad \hat S(u)=\hat S(u^-)\Big(1-\frac{d(u)}{n(u)}\Big)
  • u: herhangi bir nedenle olay görülen farklı zamanlar.
  • n(u): u anında risk altındakiler (T_i\ge u); d_k(u): u'da k nedeniyle ölenler; d(u)=\sum_kd_k(u).
  • \hat S: tüm nedenler için Kaplan–Meier; \hat S(u^-) olaydan hemen önceki değer.
  • Her adımda olaysız kalanların d_k(u)/n(u) kadarı k nedeniyle ölür; CIF bu payları biriktirir (aalen_johansen_cif, :77–119).
\widehat{\operatorname{Var}}\big[\hat F_k(t)\big]=\sum_{u\le t}w_k(u)\Big[1+\frac{\hat F_k(u)-\hat F_k(t)}{\hat S(u)}\Big]^2+\sum_{u\le t}w_{\bar k}(u)\Big[\frac{\hat F_k(u)-\hat F_k(t)}{\hat S(u)}\Big]^2
w_j(u)=\frac{\hat S(u^-)^2\,d_j(u)}{n(u)^2}\Big(1-\frac{d_j(u)-1}{n(u)-1}\Big)
  • w_k: k nedeninin, w_{\bar k}: öteki nedenlerin (toplam d_{\bar k}(u)=d(u)-d_k(u)) katkı ağırlığı.
  • Parantezdeki 1-(d_j-1)/(n-1), aynı anda birden çok olay olduğunda (bağ) hipergeometrik düzeltmedir.
  • Bu, Gray (1988) delta yöntemidir; R cmprsk::cuminc ile aynı ifade (kod v1, v2, v3 birikimleriyle yazar: \text{Var}=v_1+F^2v_3-2Fv_2, :99–116).

Neden KM'nin tümleyeni değil?

1-\hat S_k(t) (rakip olaylar sansür) k nedeninin yalnız o neden varken olasılığını kestirir; rakip olay yaşayan hasta ileride k nedeniyle ölebilirmiş gibi davranılır. Gerçekte o hasta artık k olayını yaşayamaz. Aalen–Johansen kestiricisi her adımda yalnız gerçekten olaysız kalanları (\hat S(u^-)) risk altında sayar. Rakip olaylar sıksa fark büyüktür; Tıp örneğinde 60. ayda neden 1 için 1-\text{KM} 0,781, CIF 0,428'dir.

131.5.2 CIF güven aralığı (log-log)

\Big[\hat F^{\exp(+c)},\ \hat F^{\exp(-c)}\Big],\qquad c=\frac{z_{1-\alpha/2}\,\SH(\hat F)}{\lvert\hat F\ln\hat F\rvert}
  • Dönüşüm \ln(-\ln\hat F) üzerinden kurulur; sınırlar [0{,}1] içinde kalır.
  • \hat F=0 ya da 1 ise ya da SH = 0 ise dönüşüm tanımsızdır, sınırlar "—" basılır (cif_ci_loglog, :377–389).
  • R cmprsk GA vermez; doğrulamada formül R'de elle uygulanmıştır.

131.5.3 Gray testi

Grupların CIF'lerini karşılaştırır (H_0: F_k^{(1)}=\dots=F_k^{(G)}). Test, alt dağılım tehlikelerini \gamma_k^{(g)}(u)=dF_k^{(g)}(u)/[1-F_k^{(g)}(u^-)] karşılaştıran bir log-rank türü skordur:

Z_g=\sum_u\Big[d_{kg}(u)-d_k(u)\frac{R_g(u)}{\sum_hR_h(u)}\Big],\qquad R_g(u)=\frac{n_g(u)\big[1-\hat F_k^{(g)}(u^-)\big]}{\hat S_g(u^-)},\qquad \chi^2=\mathbf Z^{\top}\widehat{\mathbf V}^{-1}\mathbf Z\sim\chi^2_{G-1}
  • R_g(u): g grubunun alt dağılım risk kümesi büyüklüğü; k olayını henüz yaşamamış herkesi (rakip olay yaşayanlar dahil) temsil eder.
  • \mathbf Z: ilk G-1 grubun skorları; \widehat{\mathbf V}: Gray (1988) varyansı (gray_test, :124–211; R cmprsk::cuminc(...)$Tests, \rho=0).
  • Gruplar MerQur'un düzey sırası kuralıyla dizilir (tanımlı sıra; sayısal ya da sayı içeren etiketlerde sayısal/doğal sıra; aksi hâlde verideki ilk görülme sırası); son grup dışarıda bırakılır (:130, :205–211). Grup CIF listesi de aynı sırayla yazılır.

131.5.4 Neden-özgü Cox

Her k nedeni için öteki nedenler sansür sayılarak standart Cox modeli kurulur: \lambda_k(t\mid\mathbf x)=\lambda_{k0}(t)\exp(\mathbf x^{\top}\boldsymbol\beta_k). Kısmi olabilirlik, Wald testi, HR GA'sı ve bağ yaklaşımları Bölüm 129'daki gibidir.

Koddaki tercih

Efron yolunda lifelines CoxPHFitter, Cox panelinin sıkı yakınsama ayarlarıyla çalışır (EFRON_FIT_OPTIONS, :429–435); Breslow yolunda kendi Newton–Raphson'u (cox_breslow_fit, :446–472). Harrell C Cox paneliyle aynı concordance_cox tanımıdır (_ct_conc, :746–750). İsteğe bağlı PH testi R cox.zph(transform = "km") tanımıdır: zaman dönüşümü g(t)=1-\hat S_{\text{KM}}(t), olay zamanlarında merkezlenir (breslow_ph_test, :491–520).

"Sıfır model kısmi LL" sütunu, kovaryatsız neden-özgü Cox modelinin Efron log-olabilirliğidir:

\ell_{0,k}=-\sum_u\sum_{j=0}^{d_k(u)-1}\ln\big(n(u)-j\big)
  • \beta=0'da Efron paydası n(u)-j olur (null_partial_loglik, :216–227); bağ yoksa -\sum_u\ln n(u).
  • Kovaryatlı modelin LR testi 2(\ell_k-\ell_{0,k})'dir.

131.5.5 Fine–Gray alt dağılım modeli

\gamma_k(t\mid\mathbf x)=\gamma_{k0}(t)\exp(\mathbf x^{\top}\boldsymbol\beta),\qquad \gamma_k(t)=\frac{dF_k(t)/dt}{1-F_k(t)}
\ell(\boldsymbol\beta)=\sum_{u}\Big[\sum_{i\in D_k(u)}\mathbf x_i^{\top}\boldsymbol\beta-d_k(u)\ln\sum_jw_j(u)e^{\mathbf x_j^{\top}\boldsymbol\beta}\Big],\qquad w_j(u)=\begin{cases}1 & T_j\ge u\\ \hat G(u^-)/\hat G(T_j^-) & T_j<u,\ \varepsilon_j\ne k,\ \varepsilon_j\neq0\\ 0 & \text{öteki}\end{cases}
  • \gamma_k: alt dağılım tehlikesi; e^{\beta} alt dağılım tehlike oranıdır (sHR).
  • u: k olayının görüldüğü zamanlar; D_k(u): o anda k nedeniyle ölenler; bağlarda Breslow yaklaşımı.
  • w_j(u): ters sansür olasılığı ağırlığı (IPCW). Rakip olay yaşamış hasta risk kümesinde kalır; ağırlığı, o hasta olmasaydı u'ya kadar sansürlenmemiş olma olasılığıdır.
  • \hat G: sansür dağılımının KM'si (sansür "olay", her neden "sansür"), sol limit (censoring_km_left, :37–53).
\widehat{\mathbf V}(\hat{\boldsymbol\beta})=\mathbf I^{-1}\Big[\sum_i(\boldsymbol\eta_i+\boldsymbol\psi_i)(\boldsymbol\eta_i+\boldsymbol\psi_i)^{\top}\Big]\mathbf I^{-1}
  • \boldsymbol\eta_i: i. hastanın ağırlıklı skor artığı (martingale integrali).
  • \boldsymbol\psi_i: \hat G'nin kestirilmiş olmasının etkisi; sansürlü hastalar üzerinden gelir (:327–352).
  • \mathbf I: ağırlıklı kısmi olabilirliğin bilgi matrisi. Sandviç, Fine ve Gray (1999) ile R cmprsk::crr tanımıdır; \boldsymbol\psi atlanırsa SH küçük çıkar.

Neden rakip olay yaşayan risk kümesinde kalıyor?

CIF'i doğrudan modellemek için risk kümesi "k olayını henüz yaşamamış herkes" olmalıdır. Rakip olay yaşayan hasta k olayını hiçbir zaman yaşamayacağı için bu kümeden hiç çıkmaz. Ama gerçekte izlenmez; ileride sansürlenebilirdi. IPCW ağırlığı \hat G(u^-)/\hat G(T_j^-), bu hastanın u'da hâlâ "gözlenebilir" olma olasılığını taşır (Fine ve Gray, 1999).

Koddaki tercih

Başlangıç \boldsymbol\beta=\mathbf 0; Newton–Raphson, adım yarılama ile (log-olabilirlik düşerse en çok 30 yarılama), \max\lvert\Delta\beta\rvert<10^{-10} ya da \max\lvert U\rvert<10^{-10} (fine_gray, :292–308). Sansür G(t^-) hesabında t=0'daki gözlemler için sol limit alınamadığından G(0) kullanılır (cmprsk ile aynı, :49–52).

131.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/competing_risks/elle_hesap.py ile, MerQur ve lifelines çağrılmadan numpy ile hesaplanmıştır.

Adım 1 — İlk Aalen–Johansen adımları (neden 1).

u n(u) d_1 d_{\bar 1} \hat S(u^-) \hat F_1(u) Var
0,5 220 2 5 1 0,009091 4,1134·10⁻⁵
0,7 210 1 1 0,968182 0,013701 6,2001·10⁻⁵
1,3 204 1 1 0,949695 0,018357 8,3083·10⁻⁵
1,4 202 1 0 0,940385 0,023012 1,0396·10⁻⁴

Örnek: \hat S(0{,}7^-)=1\times(220-7)/220=0{,}968182; \hat F_1(0{,}7)=0{,}009091+0{,}968182/210=0{,}013701. İlk satırın varyansı: w_1=\frac{1^2\cdot2}{220^2}\big(1-\frac1{219}\big)=4{,}1134\cdot10^{-5}; t=u olduğu için köşeli parantez 1'dir ve rakip olay terimi sıfırdır.

Adım 2 — Seçilen zamanlarda CIF.

Neden CIF(12) (SH) CIF(24) (SH) CIF(36) (SH) CIF (son) %95 GA (son)
1 Hastalık 0,223542 (0,029587) 0,301418 (0,034241) 0,377950 (0,038687) 0,427772 [0,343623; 0,509138]
2 Kardiyak 0,117528 (0,022675) 0,204303 (0,030752) 0,279180 (0,036259) 0,312617 [0,237917; 0,389986]
3 Diğer 0,116651 (0,022493) 0,179118 (0,028351) 0,203769 (0,030888) 0,214469 [0,154812; 0,280667]

Son CIF'lerin toplamı 0,954858'dir; bu, tüm nedenler KM'sinin 60. aydaki tümleyenidir (1-0{,}045141). Log-log GA örneği (neden 1, son): c=1{,}959964\times\SH/\lvert0{,}427772\ln0{,}427772\rvert; sınırlar 0{,}427772^{e^{\pm c}}.

Adım 3 — Naif 1 − KM ile karşılaştırma.

Ay 12 24 36 60
Neden 1: naif 1 − KM 0,2647 0,3899 0,5750 0,7808
Neden 1: CIF 0,2235 0,3014 0,3780 0,4278

Üç nedenin naif değerlerinin 60. aydaki toplamı 0{,}781+0{,}658+0{,}395=1{,}834'tür; olasılık olarak anlamsızdır.

Şekil 131.1. Solda üç nedenin Aalen–Johansen CIF'leri üst üste (toplam 1-\hat S(t)); sağda neden 1 için naif 1 − KM ile CIF (Tıp #89).

Adım 4 — Neden-özgü Cox (Efron). Neden 2 için olay göstergesi death_cause == 2; öteki 171 hasta sansür.

Neden b (age) SH HR %95 GA p LR Skor PH \chi^2_1 (p)
1 0,004673 0,009269 1,004684 [0,986596; 1,023102] 0,614178 0,2535 0,2543 0,0552 (0,8142)
2 0,020935 0,011027 1,021156 [0,999323; 1,043466] 0,057630 3,6182 3,6572 3,7598 (0,0525)
3 −0,007781 0,012759 0,992249 [0,967743; 1,017376] 0,541976 0,3747 0,3726 1,0176 (0,3131)

Neden 2: \ell_{0{,}2}=-212{,}183970, \ell_2=-210{,}374857; \text{LR}=2\times1{,}809113=3{,}618226.

Adım 5 — Fine–Gray Newton (neden 2). Başlangıç \beta=0:

Yineleme \beta Sözde \ell Skor U Bilgi I
0 0 −242,548009 140,6155 7950,8375
1 0,017686 −241,306726 −0,0057 7870,5291
2 0,017685 −241,306726 4,7·10⁻⁹ 7870,5422

\hat\beta=0{,}017685; \text{sHR}=1{,}017842. Model tabanlı SH 1/\sqrt{I}=0{,}011272 olurdu; IPCW etkisini de taşıyan sandviç SH 0,011638'dir. z=1{,}520, p=0{,}128604, %95 GA [0,994889; 1,041325].

Neden Neden-özgü b Fine–Gray b sHR SH (sandviç) p
1 0,004673 −0,002064 0,997938 0,008698 0,812439
2 0,020935 0,017685 1,017842 0,011638 0,128604
3 −0,007781 −0,014292 0,985810 0,012355 0,247364

Neden 3'te Fine–Gray katsayısı neden-özgü katsayıdan daha negatiftir: yaşlı hastalar kardiyak nedenle daha hızlı öldüğü için "diğer" nedenle ölmeye daha az ömürleri kalır; CIF'e etki, hıza etkiden büyük görünür.

Adım 6 — Evrelere göre CIF ve Gray testi.

Neden Evre 1 Evre 2 Evre 3 Evre 4 Gray \chi^2_3 p
1 0,4109 0,3942 0,4733 0,3614 1,9233 0,5885
2 0,4677 0,2734 0,1257 0,3240 9,5237 0,0231
3 0,1214 0,2887 0,3187 0,1899 6,1170 0,1061

Kardiyak ölümün kümülatif insidansı evrelere göre farklıdır; en yüksek evre 1'dedir (bu hastalar hastalığa bağlı ölmeden daha uzun yaşadığı için kardiyak olaya daha çok "zaman" kalır).

131.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan alınmıştır; round ve p_yuvarla yalnız bellekte etkisizleştirilmiştir. R: 4.5.3, cmprsk (cuminc, timepoints, crr), survival (coxph, cox.zph(transform = "km"), concordance); log-log GA R'de 131.5.2 formülüyle. Python başvurusu kendi Aalen–Johansen ve Gray varyansı, kendi Efron/Breslow Cox'u ve kendi Fine–Gray Newton'udur. Gray testi, Fine–Gray sandviç SH'si ve Schoenfeld PH testi Python'da ayrıca yazılmamış, yalnız R ile karşılaştırılmıştır ("—").

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Neden 1: CIF(12) 0,223542 0,223542 0,223542 3,9e−16 ✓
Neden 1: SH CIF(12) 0,029587 0,029587 0,029587 0,0e+00 ✓
Neden 1: CIF(24) 0,301418 0,301418 0,301418 4,4e−16 ✓
Neden 1: SH CIF(24) 0,034241 0,034241 0,034241 2,1e−17 ✓
Neden 1: CIF(36) 0,377950 0,377950 0,377950 4,4e−16 ✓
Neden 1: SH CIF(36) 0,038687 0,038687 0,038687 4,2e−17 ✓
Neden 1: CIF (son) 0,427772 0,427772 0,427772 3,9e−16 ✓
Neden 2: CIF(12) 0,117528 0,117528 0,117528 1,9e−16 ✓
Neden 2: SH CIF(12) 0,022675 0,022675 0,022675 4,5e−17 ✓
Neden 2: CIF(24) 0,204303 0,204303 0,204303 2,8e−17 ✓
Neden 2: SH CIF(24) 0,030752 0,030752 0,030752 4,5e−17 ✓
Neden 2: CIF(36) 0,279180 0,279180 0,279180 5,6e−17 ✓
Neden 2: SH CIF(36) 0,036259 0,036259 0,036259 3,5e−17 ✓
Neden 2: CIF (son) 0,312617 0,312617 0,312617 1,1e−16 ✓
Neden 3: CIF(12) 0,116651 0,116651 0,116651 2,8e−16 ✓
Neden 3: SH CIF(12) 0,022493 0,022493 0,022493 2,8e−17 ✓
Neden 3: CIF(24) 0,179118 0,179118 0,179118 4,7e−16 ✓
Neden 3: SH CIF(24) 0,028351 0,028351 0,028351 2,8e−17 ✓
Neden 3: CIF(36) 0,203769 0,203769 0,203769 8,3e−17 ✓
Neden 3: SH CIF(36) 0,030888 0,030888 0,030888 2,4e−17 ✓
Neden 3: CIF (son) 0,214469 0,214469 0,214469 5,6e−17 ✓
Fine–Gray neden 1: b age −0,002064 −0,002064 −0,002064 1,8e−12 ✓
Fine–Gray neden 1: SH 0,008698 — 0,008698 7,2e−15 ✓
Fine–Gray neden 1: sözde \ell −345,509395 −345,509395 −345,509395 0,0e+00 ✓
Fine–Gray neden 2: b age 0,017685 0,017685 0,017685 6,0e−13 ✓
Fine–Gray neden 2: SH 0,011638 — 0,011638 1,7e−14 ✓
Fine–Gray neden 2: sözde \ell −241,306726 −241,306726 −241,306726 3,7e−13 ✓
Fine–Gray neden 3: b age −0,014292 −0,014292 −0,014292 4,5e−15 ✓
Fine–Gray neden 3: SH 0,012355 — 0,012355 1,2e−17 ✓
Fine–Gray neden 3: sözde \ell −193,232888 −193,232888 −193,232888 5,1e−13 ✓
Gray testi neden 1: \chi^2_3 1,923268 — 1,923268 6,9e−15 ✓
Gray testi neden 1: p 0,588484 — 0,588484 1,0e−15 ✓
Gray testi neden 2: \chi^2_3 9,523659 — 9,523659 7,1e−15 ✓
Gray testi neden 2: p 0,023081 — 0,023081 5,6e−17 ✓
Gray testi neden 3: \chi^2_3 6,117022 — 6,117022 9,8e−15 ✓
Gray testi neden 3: p 0,106054 — 0,106054 3,3e−16 ✓

Ek çalıştırmalar:

Neden-özgü Cox (Efron; R coxph, cox.zph transform = "km")

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Neden 1: b age 0,004673 0,004673 0,004673 7,3e−11 ✓
Neden 1: SH 0,009269 0,009269 0,009269 4,3e−13 ✓
Neden 1: p (Wald) 0,614178 0,614178 0,614178 5,6e−09 ✓
Neden 1: HR GA alt 0,986596 0,986596 0,986596 7,3e−11 ✓
Neden 1: HR GA üst 1,023102 1,023102 1,023102 7,4e−11 ✓
Neden 1: kısmi \ell −313,702560 −313,702560 −313,702560 4,5e−13 ✓
Neden 1: sıfır model \ell_0 −313,829330 −313,829330 −313,829330 1,7e−13 ✓
Neden 1: LR \chi^2 0,253539 0,253539 0,253539 8,0e−13 ✓
Neden 1: Wald \chi^2 0,254136 0,254136 0,254136 8,0e−09 ✓
Neden 1: skor \chi^2 0,254317 0,254317 0,254317 1,7e−16 ✓
Neden 1: Harrell C 0,514302 0,514302 0,514302 3,3e−16 ✓
Neden 1: PH testi \chi^2 (km) 0,055202 — 0,055202 1,4e−11 ✓
Neden 2: b age 0,020935 0,020935 0,020935 1,3e−09 ✓
Neden 2: SH 0,011027 0,011027 0,011027 1,1e−11 ✓
Neden 2: p (Wald) 0,057630 0,057630 0,057630 1,5e−08 ✓
Neden 2: HR GA alt 0,999323 0,999323 0,999323 1,3e−09 ✓
Neden 2: HR GA üst 1,043466 1,043466 1,043466 1,4e−09 ✓
Neden 2: kısmi \ell −210,374857 −210,374857 −210,374857 5,7e−14 ✓
Neden 2: sıfır model \ell_0 −212,183970 −212,183970 −212,183970 1,1e−13 ✓
Neden 2: LR \chi^2 3,618226 3,618226 3,618226 2,3e−13 ✓
Neden 2: Wald \chi^2 3,604320 3,604320 3,604320 4,4e−07 ✓
Neden 2: skor \chi^2 3,657202 3,657202 3,657202 9,3e−15 ✓
Neden 2: Harrell C 0,617208 0,617208 0,617208 1,1e−16 ✓
Neden 2: PH testi \chi^2 (km) 3,759800 — 3,759800 1,7e−09 ✓
Neden 3: b age −0,007781 −0,007781 −0,007781 8,5e−10 ✓
Neden 3: SH 0,012759 0,012759 0,012759 1,8e−11 ✓
Neden 3: p (Wald) 0,541976 0,541976 0,541976 4,4e−08 ✓
Neden 3: HR GA alt 0,967743 0,967743 0,967743 8,6e−10 ✓
Neden 3: HR GA üst 1,017376 1,017376 1,017376 8,3e−10 ✓
Neden 3: kısmi \ell −177,712262 −177,712262 −177,712262 1,4e−13 ✓
Neden 3: sıfır model \ell_0 −177,899599 −177,899599 −177,899599 3,4e−13 ✓
Neden 3: LR \chi^2 0,374674 0,374674 0,374674 1,7e−13 ✓
Neden 3: Wald \chi^2 0,371889 0,371889 0,371889 8,1e−08 ✓
Neden 3: skor \chi^2 0,372606 0,372606 0,372606 1,2e−15 ✓
Neden 3: Harrell C 0,504340 0,504340 0,504340 1,1e−16 ✓
Neden 3: PH testi \chi^2 (km) 1,017556 — 1,017556 3,9e−09 ✓

CIF için log-log güven aralıkları (%95)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Neden 1: CIF(12) GA alt 0,168405 0,168405 0,168405 2,8e−17 ✓
Neden 1: CIF(12) GA üst 0,283665 0,283665 0,283665 0,0e+00 ✓
Neden 1: CIF(24) GA alt 0,236000 0,236000 0,236000 3,9e−16 ✓
Neden 1: CIF(24) GA üst 0,369335 0,369335 0,369335 2,8e−16 ✓
Neden 1: CIF(36) GA alt 0,302463 0,302463 0,302463 4,4e−16 ✓
Neden 1: CIF(36) GA üst 0,453072 0,453072 0,453072 5,0e−16 ✓
Neden 1: CIF (son) GA alt 0,343623 0,343623 0,343623 2,2e−16 ✓
Neden 1: CIF (son) GA üst 0,509138 0,509138 0,509138 1,1e−16 ✓
Neden 2: CIF(12) GA alt 0,077718 0,077718 0,077718 4,2e−17 ✓
Neden 2: CIF(12) GA üst 0,166218 0,166218 0,166218 1,9e−16 ✓
Neden 2: CIF(24) GA alt 0,147733 0,147733 0,147733 3,6e−16 ✓
Neden 2: CIF(24) GA üst 0,267426 0,267426 0,267426 1,7e−16 ✓
Neden 2: CIF(36) GA alt 0,210636 0,210636 0,210636 4,2e−16 ✓
Neden 2: CIF(36) GA üst 0,351646 0,351646 0,351646 3,9e−16 ✓
Neden 2: CIF (son) GA alt 0,237917 0,237917 0,237917 8,3e−17 ✓
Neden 2: CIF (son) GA üst 0,389986 0,389986 0,389986 3,9e−16 ✓
Neden 3: CIF(12) GA alt 0,077167 0,077167 0,077167 4,2e−17 ✓
Neden 3: CIF(12) GA üst 0,164967 0,164967 0,164967 3,1e−16 ✓
Neden 3: CIF(24) GA alt 0,127494 0,127494 0,127494 2,2e−16 ✓
Neden 3: CIF(24) GA üst 0,237912 0,237912 0,237912 1,9e−16 ✓
Neden 3: CIF(36) GA alt 0,146985 0,146985 0,146985 4,2e−16 ✓
Neden 3: CIF(36) GA üst 0,267199 0,267199 0,267199 2,8e−16 ✓
Neden 3: CIF (son) GA alt 0,154812 0,154812 0,154812 4,4e−16 ✓
Neden 3: CIF (son) GA üst 0,280667 0,280667 0,280667 3,9e−16 ✓

Neden-özgü Cox, Breslow bağ yaklaşımı

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Neden 1: b age 0,004668 0,004668 0,004668 2,6e−17 ✓
Neden 1: SH 0,009270 0,009270 0,009270 1,0e−17 ✓
Neden 1: kısmi \ell −313,764364 −313,764364 −313,764364 6,3e−13 ✓
Neden 1: LR \chi^2 0,253018 0,253018 0,253018 4,6e−13 ✓
Neden 1: skor \chi^2 0,253792 0,253792 0,253792 1,0e−15 ✓
Neden 1: PH testi \chi^2 (km) 0,055631 — 0,055631 7,0e−16 ✓
Neden 2: b age 0,020922 0,020922 0,020922 2,4e−15 ✓
Neden 2: SH 0,011033 0,011033 0,011033 2,6e−17 ✓
Neden 2: kısmi \ell −210,444041 −210,444041 −210,444041 2,8e−14 ✓
Neden 2: LR \chi^2 3,609821 3,609821 3,609821 6,1e−14 ✓
Neden 2: skor \chi^2 3,648137 3,648137 3,648137 4,4e−15 ✓
Neden 2: PH testi \chi^2 (km) 3,797919 — 3,797919 1,3e−14 ✓
Neden 3: b age −0,007760 −0,007760 −0,007760 8,8e−17 ✓
Neden 3: SH 0,012756 0,012756 0,012756 1,7e−17 ✓
Neden 3: kısmi \ell −177,745564 −177,745564 −177,745564 4,8e−13 ✓
Neden 3: LR \chi^2 0,372891 0,372891 0,372891 2,3e−13 ✓
Neden 3: skor \chi^2 0,370845 0,370845 0,370845 1,4e−15 ✓
Neden 3: PH testi \chi^2 (km) 1,003707 — 1,003707 3,8e−15 ✓

Evrelere göre CIF (son), riskte olanlar, %90 GA

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Neden 1, evre 1: CIF (son) 0,410932 0,410932 0,410932 2,2e−16 ✓
Neden 1, evre 2: CIF (son) 0,394208 0,394208 0,394208 1,1e−16 ✓
Neden 1, evre 3: CIF (son) 0,473316 0,473316 0,473316 2,2e−16 ✓
Neden 1, evre 4: CIF (son) 0,361398 0,361398 0,361398 2,8e−16 ✓
Neden 2, evre 1: CIF (son) 0,467650 0,467650 0,467650 4,4e−16 ✓
Neden 2, evre 2: CIF (son) 0,273449 0,273449 0,273449 2,2e−16 ✓
Neden 2, evre 3: CIF (son) 0,125718 0,125718 0,125718 1,9e−16 ✓
Neden 2, evre 4: CIF (son) 0,324033 0,324033 0,324033 2,8e−16 ✓
Neden 3, evre 1: CIF (son) 0,121417 0,121417 0,121417 4,3e−16 ✓
Neden 3, evre 2: CIF (son) 0,288728 0,288728 0,288728 5,6e−17 ✓
Neden 3, evre 3: CIF (son) 0,318676 0,318676 0,318676 3,3e−16 ✓
Neden 3, evre 4: CIF (son) 0,189893 0,189893 0,189893 3,6e−16 ✓
Riskte n(12) 96 96 96 0,0e+00 ✓
Riskte n(24) 42 42 42 0,0e+00 ✓
Riskte n(36) 14 14 14 0,0e+00 ✓
%90 HR GA alt (neden 1) 0,989482 0,989482 0,989482 7,3e−11 ✓
%90 HR GA üst (neden 1) 1,020118 1,020118 1,020118 7,4e−11 ✓

131 değerin tamamı 10^{-6} ölçütüyle eşleşir.

131.7 Çıktıyı okuma

Sonuç metni (ana çalıştırma; kısaltılmış, olduğu gibi):

══ RAKİP RİSKLER ══
── OLAY DAĞILIMI ──
Toplam            : 220
Sansürlü (0)      : 63
Olay 1 (Hastalık            ): 70
Olay 2 (Kardiyak            ): 49
Olay 3 (Olay 3              ): 38

── NEDEN ÖZETİ (Aalen-Johansen CIF) ──
Neden            Olay n Sıfır model kısmi LL   CIF (son)    CIF(12) (SE)   CIF(24) (SE)  CIF(36) (SE)
1: Hastalık          70            -313.8293      0.4278  0.2235 (0.0296) 0.3014 (0.0342) 0.3780 (0.0387)
2: Kardiyak          49            -212.1840      0.3126  0.1175 (0.0227) 0.2043 (0.0308) 0.2792 (0.0363)
3: Olay 3            38            -177.8996      0.2145  0.1167 (0.0225) 0.1791 (0.0284) 0.2038 (0.0309)

=== Olay 2: Kardiyak (olay sayısı = 49) ===
Kovaryat                 Katsayı        HR        SE         p             %95 GA HR
age                       0.0209    1.0212    0.0110    0.0576        (0.999, 1.044)
Log-olabilirlik: -210.3749, Uyum indeksi (C): 0.6172, AIC: 422.75
Omnibus (H₀: tüm β = 0): LR χ²(1) = 3.6182, p = 0.0571; Wald χ²(1) = 3.6043, ...
Orantılı tehlike testi (Grambsch-Therneau, g(t) = 1 − KM):
  age                       3.7598    1    0.0525

── FINE-GRAY ALT-DAĞILIM TEHLİKE MODELLERİ (sHR) ──
=== Olay 2: Kardiyak (olay sayısı = 49) ===
Kovaryat                 Katsayı       sHR        SE        z         p            %95 GA sHR
age                       0.0177    1.0178    0.0116    1.520    0.1286        (0.995, 1.041)
Sözde log-olabilirlik: -241.3067 (β = 0: -242.5480); SE = Fine-Gray sandviç kestiricisi ...

=== Olay 2: Kardiyak ===
Son zaman noktasındaki CIF değerleri:
  1                   : 0.4677
  2                   : 0.2734
  3                   : 0.1257
  4                   : 0.3240
  Gray testi (grupların CIF eşitliği): χ²(3) = 9.5237, p = 0.0231
Satır/Öğe Ne yazar Nasıl yorumlanır
Olay dağılımı Sansür ve nedenlere göre sayılar; metin kodlarda eşleme. Her nedenin en az 10 olayı olmalı.
Sıfır model kısmi LL Kovaryatsız neden-özgü Efron log-olabilirliği. Kovaryatlı modelle LR testi için.
CIF (son), CIF(t) (SE) Aalen–Johansen kestirimi ve Gray SH'si. "t'ye kadar bu nedenle ölme olasılığı".
CIF %95 GA bloğu Log-log sınırlar. Asimetriktir; 0'a yakın CIF'te alt sınır sıfırın üstünde kalır.
Riskte olanlar n(t), grup başına n, birikimli olaylar. Kuyruktaki CIF'in kaç hastaya dayandığı.
Neden-özgü Cox tablosu HR, SH, p, GA, LL, C, AIC. Etiyoloji: "olaysız kalanlarda bu nedenin hızı".
Omnibus ve PH testi LR/Wald/skor; Grambsch–Therneau. PH reddedilirse HR zaman ortalamasıdır.
Fine–Gray tablosu sHR, sandviç SH, z, p. Tahmin: "bu nedenin kümülatif insidansına etki".
Grup CIF'leri ve Gray testi Grupların son CIF'i; \chi^2_{G-1}. Satırlar Gray testiyle aynı grup sırasındadır ve grup adlarıyla yazılır.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

220 hastanın 157'si izlem süresince öldü (70 hastalığa bağlı, 49 kardiyak, 38 diğer neden). Aalen–Johansen kestiricisine göre 36 aylık kümülatif insidans hastalığa bağlı ölüm için %37,8 (%95 GA %30,2–45,3), kardiyak ölüm için %27,9 (%21,1–35,2) ve diğer nedenler için %20,4 (%14,7–26,7) idi. Kardiyak ölümün kümülatif insidansı evreler arasında farklıydı (Gray testi \chi^2(3) = 9,52, p = 0,023). Yaştaki bir yıllık artış kardiyak ölümün neden-özgü tehlikesini %2,1 artırma eğilimindeydi (HR = 1,021; %95 GA [0,999; 1,043]; p = 0,058); Fine–Gray modelinde kardiyak ölümün kümülatif insidansına etkisi anlamlı değildi (sHR = 1,018; %95 GA [0,995; 1,041]; p = 0,13).

131.8 Uzman soruları

S1. Neden-özgü HR ile sHR neden farklı? Hangisi doğru?

İkisi de doğrudur; farklı soruları cevaplar. Neden-özgü HR, olaysız kalan hastalarda o nedenin hızını karşılaştırır ve etiyolojik sorular içindir. sHR ise kümülatif insidansı (olasılığı) hedefler ve tahmin ile risk iletişimi içindir; rakip nedenlerin hızlarından da etkilenir. Tıp örneğinde neden 3 için neden-özgü b=-0{,}0078, Fine–Gray b=-0{,}0143'tür: yaş kardiyak ölümü hızlandırdığı için "diğer" nedenin insidansını dolaylı olarak düşürür (Austin ve ark., 2016; Lau ve ark., 2009). Raporda ikisi birlikte verilmelidir.

S2. CIF varyansı hangi tanım? R'deki başka paketler farklı SH veriyor.

MerQur Gray (1988) delta yöntemini kullanır; R cmprsk::cuminc ile aynıdır (131.5.1). survival::survfit(Surv(t, factor(neden)) ~ 1) aynı Aalen–Johansen kestirimini verir ama SH'yi başka bir tanımla (sonsuz küçük jackknife) hesaplar; SH'ler küçük farklılık gösterir. Kestirimin kendisi her iki pakette aynıdır.

S3. Fine–Gray bağları nasıl işliyor? Neden-özgü modeldeki Efron seçeneği burada var mı?

Fine–Gray her zaman Breslow yaklaşımıyla kurulur (_fg_pieces, :268–270); R cmprsk::crr de böyledir. "Bağ yöntemi" seçimi yalnız neden-özgü Cox'u etkiler. Bağ oranı yüksek veride crr ile survival::finegray + coxph(ties = "efron") farklı sHR verebilir.

S4. Fine–Gray SH'si neden model tabanlı SH'den büyük?

Ağırlıklar \hat G kestiriminden gelir; aynı hasta birden çok risk kümesinde farklı ağırlıklarla yer alır. Sandviç, hem bu bağımlılığı hem \hat G'nin örnekleme değişkenliğini (\boldsymbol\psi terimi) taşır. Tıp örneğinde neden 2 için model tabanlı 0,011272, sandviç 0,011638'dir. \boldsymbol\psi terimini atlayan uygulamalar (bazı ağırlıklı Cox kurulumları) SH'yi küçültür.

S5. Gray testi grup sırasına bağlı mı?

Hayır. Gruplar MerQur'un düzey sırası kuralıyla sıralanır ve son grup dışarıda bırakılır (:130); \chi^2 istatistiği hangi grubun dışarıda kaldığından bağımsızdır. Grup CIF listesi aynı sırayla ve grup adlarıyla yazılır.

S6. Sansürsüz veride ne olur?

Aalen–Johansen CIF deneysel kümülatif orana eşit olur; Fine–Gray'de \hat G\equiv1, tüm ağırlıklar 1'dir ve model rakip olay yaşayanları sonsuza dek risk kümesinde tutan sıradan bir Cox modeline iner. MerQur bu durumu bir notla bildirir (:664–665).

S7. Bir nedende 10'dan az olay varsa ne olur?

O neden için neden-özgü Cox ve Fine–Gray modeli kurulmaz; uyarı satırı olay sayısını yazar ve "Sadece m/K olay tipi için Cox modeli kuruldu" notu eklenir (:403–405, :516–518, :646–662). CIF ve sıfır model LL yine verilir. Az olaylı nedenleri anlamlı bir "diğer" kategorisinde birleştirmek çoğunlukla daha iyidir.

S8. Naif Cox (rakip olay = sansür) neden-özgü Cox ile aynı mı?

Evet; neden-özgü Cox tam olarak budur. Fark yorumdadır: bu model hızı doğru kestirir, ama 1-\exp[-\hat\Lambda_k(t)] ile CIF'e çevrilemez. Olasılık için CIF ya da Fine–Gray kullanılır.

131.9 Sık hatalar ve tuzaklar

  • Rakip olayları sansür sayıp KM eğrisini olasılık diye raporlamak. Tıp örneğinde neden 1 için 60 ayda %78 yerine %43 doğrudur.
  • sHR'yi neden-özgü HR gibi yorumlamak. sHR "hız" değil, kümülatif insidansa etkidir; rakip nedenlerin etkisini de içerir.
  • Yalnız bir modeli raporlamak. Etiyoloji ve tahmin sorularının ikisi de varsa iki model birlikte verilmelidir.
  • Etiket kutularının yalnız ilk iki nedeni adlandırdığını unutmak. Üçüncü ve sonraki nedenler "Olay k" adını alır.
  • Az olaylı nedeni ayrı tutmak. 10'dan az olaylı neden için model kurulmaz; neden birleştirmesi önceden planlanmalıdır.
  • CIF zaman noktalarını izlem süresinin ötesinde istemek. Son olaydan sonra CIF sabit kalır ve bu "olasılık durdu" anlamına gelmez; riskte olanlar tablosu birlikte okunmalıdır.

131.10 Kaynaklar

  • Aalen, O. O., & Johansen, S. (1978). An empirical transition matrix for non-homogeneous Markov chains based on censored observations. Scandinavian Journal of Statistics, 5(3), 141–150.
  • Austin, P. C., Lee, D. S., & Fine, J. P. (2016). Introduction to the analysis of survival data in the presence of competing risks. Circulation, 133(6), 601–609. https://doi.org/10.1161/CIRCULATIONAHA.115.017719
  • Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496–509. https://doi.org/10.1080/01621459.1999.10474144
  • Grambsch, P. M., & Therneau, T. M. (1994). Proportional hazards tests and diagnostics based on weighted residuals. Biometrika, 81(3), 515–526. https://doi.org/10.1093/biomet/81.3.515
  • Gray, R. J. (1988). A class of K-sample tests for comparing the cumulative incidence of a competing risk. The Annals of Statistics, 16(3), 1141–1154. https://doi.org/10.1214/aos/1176350951
  • Kalbfleisch, J. D., & Prentice, R. L. (2002). The statistical analysis of failure time data (2nd ed.). Wiley. https://doi.org/10.1002/9781118032985
  • Lau, B., Cole, S. R., & Gange, S. J. (2009). Competing risk regression models for epidemiologic data. American Journal of Epidemiology, 170(2), 244–256. https://doi.org/10.1093/aje/kwp107
  • Putter, H., Fiocco, M., & 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