MerQuR+Başvuru Kitabı

132. Zamana Bağlı Cox Regresyonu

Analiz kimliği: tdcox · Menü adı: Zamana Bağlı Cox Regresyonu · Panel: gui/panels/analyses/time_dependent_cox_panel.py (form add_form_rows 48–153, execute 158–190, read_options 193–208) · Motor: stats/time_dependent_cox.py, run_tdcox (satır 92–455), _fit_tv 458–473, _OwnTVFit 476–509, _interval_checks 512–537, _split_at_event_times 540–568, format_tdcox_text 581–728 · Ortak araçlar: stats/cox_tools.py (Bölüm 129) · Dış motor: lifelines CoxTimeVaryingFitter (Efron) · Çağıran: stats_panel.py:9588–9650

132.1 Ne işe yarar

Zamana bağlı Cox modeli, değeri izlem sırasında değişen açıklayıcıların (her vizitte ölçülen HbA1c, tedaviye geçiş, değişen doz) olay tehlikesine etkisini kestirir. Her an, o anki değeri kullanır. Cevapladığı soru: "Bir hastanın o anki HbA1c düzeyi bir birim yüksekse, o anki ölüm tehlikesi kaç kat artar?"

h\big(t\mid\mathbf x_i(t)\big)=h_0(t)\,\exp\!\big(\mathbf x_i(t)^{\top}\boldsymbol\beta\big)
  • \mathbf x_i(t): i. kişinin t anındaki açıklayıcı değerleri; bazı bileşenler sabit (cinsiyet), bazıları zamanla değişir.
  • h_0(t): belirtilmemiş temel tehlike (Bölüm 129'daki gibi).
  • e^{\beta_k}: aynı anda, x_k(t)'si bir birim farklı iki kişinin tehlike oranı. Katsayı yine sabittir; değişen, açıklayıcının değeridir.

Bu modülde ayrıca açıklayıcının etkisi zamanla değiştirilebilir: "Zamanla etkileşim (x·g(t))" seçilirse \beta_k(t)=\beta_k+\gamma_k\,g(t) modellenir ve \gamma_k=0 testi orantılı tehlike varsayımını sınar.

Sayma süreci (start, stop] biçimi. Veri uzun biçimdedir: her satır bir kişinin bir zaman aralığıdır ve o aralıkta açıklayıcılar sabittir.

patient_id start end HbA1c event
1 0 3 7,49 0
1 3 6 7,71 0
… … … … …
1 15 18 6,99 0
1 18 19,44 7,39 1

1 numaralı hasta 19,44. ayda ölmüştür; 18. aydan ölüm anına kadar HbA1c değeri 7,39'dur. Olay göstergesi yalnız son satırda 1'dir. Aralık solda açık, sağda kapalıdır: (18,\ 19{,}44]; kişi t anında bu satırla riskte sayılır ancak 18<t\le19{,}44 ise.

Ne zaman kullanılır?

  • Açıklayıcı izlem boyunca yeniden ölçülüyorsa ve olay anındaki güncel değerin etkisi isteniyorsa.
  • Tedaviye geçiş, nakil, hastaneye yatış gibi izlem sırasında gerçekleşen bir durum açıklayıcıysa (başlangıçta "tedavi gören" diye sınıflamak ölümsüz zaman yanlılığı doğurur).
  • Bir sabit açıklayıcının etkisinin zamanla değiştiği (PH ihlali) sınanacak ya da modellenecekse.
  • Sola kesilmiş (geç giriş) veri varsa: başlangıç zamanı > 0 olan satırlar aynı biçimle işlenir.

Ne zaman kullanılmaz?

  • Tüm açıklayıcılar başlangıçta ölçülüp sabit kalıyorsa: Cox Regresyon (Bölüm 129); aynı sonucu daha basit veriyle verir.
  • Açıklayıcı olayın kendisinden etkileniyorsa (iç/endojen değişken, ör. ölümden hemen önce düşen kan basıncı): model nedensel yorum vermez; ortak modelleme gerekir (bu modülde yok).
  • Kişi içi tekrarlayan olaylar ve kişi düzeyinde rastgele etki isteniyorsa: Küme-sağlam (marjinal) Cox (Bölüm 135) ya da bu modülde kişi içi sağlam SH.
  • Rakip olaylar varsa: Rakip Riskler (Bölüm 131).

Sık karıştırılan analizler. Klasik Cox'a "son ölçülen değeri" ya da "izlem ortalamasını" sabit açıklayıcı olarak koymak, geleceğe ait bilgiyi geçmişe taşır ve ağır yanlılık yaratır (132.6, Adım 7). Karma etkili modeller (LMM) açıklayıcının kendisinin zaman içindeki seyrini modeller, olay tehlikesini değil.

132.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Doğru sayma süreci yapısı Kişi içinde aralıklar örtüşmez; olay en çok son aralıkta. "Veri yapısı denetimi (survcheck)": örtüşme, boşluk, birden çok olay, olaydan sonra izlem uyarıları (_interval_checks, :512–537).
\text{start}<\text{stop} Aralık pozitif uzunlukta. start = stop satırlar uyarıyla atılır; start > stop hata (:182–201).
Dış (exogenous) açıklayıcı Açıklayıcının yolu olaydan etkilenmez. Denetlenmez; tasarım sorusudur.
Aralık içinde sabit değer Değer bir sonraki ölçüme kadar geçerli (son gözlenen ileri taşınır). Veri hazırlama; denetlenmez.
Orantılı tehlike \beta zamanla sabit. İsteğe bağlı PH skor testi (varsayılan kapalı) ya da x\cdot g(t) terimi.
Bilgi vermeyen sansür Sansür olay riskiyle ilişkisiz. Denetlenmez.
Yeterli olay Parametre başına ≥ 10 olay. EPV < 10 ise uyarı (:235–238).

Eksik değer. Kimlik, start, stop, olay ve seçilen açıklayıcıların herhangi birinde eksik olan satır (aralık) çıkarılır (:162). Bir kişinin tek bir aralığı düşerse o aralıkta kişi riskte sayılmaz; denetim bunu "boşluk" olarak bildirir.

Uç durumlar (koddan):

  • Toplam satır < 20 ya da olay < 5: hata (:187–189, :204–206). Bu eşikler MerQur'a özgüdür; R coxph'ta yoktur.
  • Olay sütununda 0/1 dışında değer: hata (:192–193).
  • "Zamanla etkileşim" için seçilen sütun kovaryat listesinde değilse terim kurulmaz ve uyarı yazılır (:213–214, :230–232).
  • Cezasız uyum yakınsamazsa ya da |\hat\beta|>15 ise uyarı ve küçük bir L2 cezası önerisi (:261–270); kestirim hiç kurulamazsa hata.
  • x\cdot g(t) terimi varken PH testi ve artıklar hesaplanmaz; not yazılır (:300–302, :410–415).

132.3 Parametreler

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
ID sütunu ilk sütun Kişi kimliği. Kişi sayısı, survcheck denetimi, kişi içi sağlam SH.
Start sütunu ilk sayısal Aralık başı (açık uç). Risk kümeleri.
Stop sütunu ilk sayısal Aralık sonu (kapalı uç); olay/sansür zamanı. Risk kümeleri.
Olay sütunu (0/1) ilk sütun Aralık sonunda olay. Tüm kestirimler.
Ceza katsayısı (L2) 0 \lambda>0 ise cezalı kısmi olabilirlik. Katsayılar sıfıra büzülür; log-olabilirlik ve AIC cezalı.
Kovaryat(lar) ≥ 1 sayısal Sabit ya da zamana bağlı sayısal açıklayıcılar. Tasarım.
Kategorik kovaryatlar boş Gösterge/sapma kodlanır (Bölüm 129 ile aynı). Tasarım.
Zamanla etkileşim (x·g(t)) Yok Seçilen kovaryat için x\cdot g(t) terimi; veri olay zamanlarında bölünür. Yeni katsayı; PH testi ve artıklar kapanır.
g(t) fonksiyonu log(t) \ln t ya da t. x\cdot g(t) teriminin biçimi.
Orantılı tehlike testi (Schoenfeld) kapalı Grambsch–Therneau skor testi, sayma süreci risk kümeleriyle. Ek tablo.
PH testi zaman dönüşümü Kaplan-Meier (km) km, sıra, süre, log(süre). Yalnız PH testi.
Tabaka değişkeni (STRATA) Yok Tabakaya özgü h_{0s}(t). Ortak \boldsymbol\beta.
Kişi içi sağlam SE — küme (kişi kimliği) kapalı Kişiye göre Lin–Wei sandviç. SH, z, p, GA; naif SH ayrıca.
Bağ yöntemi Efron Efron, Breslow, Kesin (ayrık). Bağlı olay zamanlarında olabilirlik.
Kategorik kodlama Gösterge — referans ilk kategori Bölüm 129. Kategorik katsayılar.
Ek çıktılar: Artık tanıları / kaydet kapalı Martingale, sapma, Cox–Snell, dfbeta (satır = aralık). Ek bölüm; veri setine sütun.
Güven Düzeyi %95 HR GA'ları. GA genişliği.

Bağımlı seçenekler ve varsayılan farkları (koddan)

"g(t) fonksiyonu" yalnız bir zamanla etkileşim kovaryatı seçiliyken, "PH testi zaman dönüşümü" yalnız PH testi açıkken etkindir (time_dependent_cox_panel.py:124–133). PH testi bu modülde kapalı başlar (Cox panelinde açıktır). Etkileşim, adımsal seçim ve kovaryat listesinden küme seçimi bu panelde yoktur; küme yalnız kişi kimliğidir (add_model_option_rows(..., interactions=False, stepwise=False, cluster=False), :139–141).

132.4 Tıp örneği

Dosya: english/datasets/Tip/90_tvcox_HbA1c_death.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/90_tvcox_HbA1c_olum.xlsx: hasta_id, baslangic, bitis, HbA1c, olay). Değişkenler VIDEO_SCRIPT_TR.txt #90'a göredir.

Değişken Rol Tür Özet
patient_id ID tamsayı 80 hasta; hasta başına 1–20 satır (ortanca 10)
start, end Aralık ay çoğu 3 aylık vizit aralığı; 0–60 ay
HbA1c Kovaryat (zamana bağlı) % 4,5–10,32; ort. 6,98
event Olay 0/1 48 ölüm (her hastada en çok 1), 32 hasta sansürlü

n ve eksik değer: 871 aralık satırı, 80 hasta, eksik değer yok. Veri yapısı denetimi uyarı vermez (örtüşme, boşluk, çoklu olay yok). HbA1c'nin hasta içi SS'si ortalama 0,61, hastalar arası (hasta ortalamalarının) SS'si 0,96'dır: değişkenliğin önemli bölümü zaman içindedir. 48 ölümün 10'u tam 60. ayda gerçekleşmiştir (o anda riskte 17 hasta); bu büyük bağ, bağ yöntemleri arasındaki farkı belirginleştirir.

Klinik soru: Diyabetli hastalarda güncel HbA1c düzeyi ölüm tehlikesiyle ilişkili mi? HbA1c'nin etkisi izlem boyunca değişiyor mu?

Seçilen ayarlar: Varsayılanlar (Efron, ceza 0, %95). Ek çalıştırmalar: PH testi (km, sıra, süre), artık tanıları, Breslow ve kesin bağ, HbA1c × log(t) ve HbA1c × t, kişi içi sağlam SH, ceza 0,01, %90 GA.

132.5 Formüller ve hesap adımları

MerQur'un hesap sırası: (1) sütunları sayıya çevir, eksik satırları at, kategorikleri kodla; (2) start = stop satırlarını at, start > stop'ta dur; (3) x\cdot g(t) istenmişse veriyi tüm olay zamanlarında böl ve terimi kur; (4) aralık denetimi ve EPV; (5) Efron'da lifelines CoxTimeVaryingFitter, Breslow/kesin'de cox_tools.cox_fit ile kısmi olabilirliği en büyükle; (6) yakınsama ve ayrışma denetimi; (7) seçildiyse artıklar ve kişi içi sağlam varyans; (8) C (terim yoksa); (9) omnibus testler ve seçildiyse PH testi.

132.5.1 Sayma süreci risk kümesi ve kısmi olabilirlik

Kişi i'nin satırları (a_{ir},\,b_{ir}] aralıkları ve \mathbf x_{ir} değerleridir. Satır düzeyinde yazılınca:

R(t)=\{\text{satır } r:\ a_r<t\le b_r\},\qquad \ell(\boldsymbol\beta)=\sum_{j=1}^{m}\Big[\sum_{r\in D_j}\eta_r-\sum_{k=0}^{d_j-1}\ln\!\Big(\sum_{r\in R(t_{(j)})}e^{\eta_r}-\frac{k}{d_j}\sum_{r\in D_j}e^{\eta_r}\Big)\Big]
  • R(t): t anını kapsayan satırlar. Bir kişinin satırları örtüşmediği için her kişi en çok bir satırla riskte olur ve o satırın değeri (\mathbf x_i(t)) kullanılır.
  • D_j: b_r=t_{(j)} ve olay göstergesi 1 olan satırlar; d_j=|D_j|.
  • \eta_r=\mathbf x_r^{\top}\boldsymbol\beta.
  • Efron biçimi gösterilmiştir; Breslow ve kesin yöntem Bölüm 129.5.2'deki gibidir (yalnız risk kümesi tanımı değişir).

Neden (start, stop] ve neden sol açık?

Kısmi olabilirlik her olay anında "riskte olanlar ve o andaki değerleri" ister. Sayma süreci gösterimi (Andersen ve Gill 1982) bunu satırlara bölerek sağlar: değer değiştiğinde yeni bir satır başlar. Aralığın solda açık olması, t anında başlayan satırın o anda riskte sayılmamasını sağlar; böylece ölüm anında hem eski hem yeni satırın sayılması (çift sayım) ve olay anında ölçülen değerin olaya "yetişmesi" önlenir. Değer, ölçüldüğü andan sonra geçerlidir. a_r=0 ve tek satırlı veride model klasik Cox'a indirgenir.

Koddaki tercih: kestirici

Efron'da lifelines CoxTimeVaryingFitter (Newton–Raphson, adım çarpanı 0,95) çağrılır (_fit_tv, :458–473); lifelines kovaryatları içte standartlaştırır ve sonucu geri çevirir. Breslow ve kesin yöntemde cox_tools.cox_fit aynı sayma süreci risk kümesiyle çalışır (_OwnTVFit, :476–509; risk kümesi start < t ≤ stop, cox_tools.py:70). Standart hatalar, yakınsanan \hat{\boldsymbol\beta}'da hesaplanan bilgi matrisinin tersinden alınır (R coxph ile aynı); Efron yolunda yakınsama ölçütü Cox panelindekiyle aynı sıkı ölçüttür (EFRON_FIT_OPTIONS, precision = 1e-12; :468–470): iki panel aynı kestirim için aynı ölçütü kullanır ve sonuç R survival ile 10^{-8} düzeyinde eşleşir.

132.5.2 Skor, bilgi ve testler

Bölüm 129.5.3–129.5.4 ile aynı formüller, R(t) risk kümesiyle:

\mathbf U(\boldsymbol\beta)=\sum_j\Big[\sum_{r\in D_j}\mathbf x_r-\sum_{k}\bar{\mathbf x}_{jk}(\boldsymbol\beta)\Big],\qquad \bar{\mathbf x}_{jk}=\frac{\sum_{R}e^{\eta_r}\mathbf x_r-\frac kd\sum_{D}e^{\eta_r}\mathbf x_r}{\sum_{R}e^{\eta_r}-\frac kd\sum_{D}e^{\eta_r}}
  • \bar{\mathbf x}_{jk}: t_{(j)} anında riskteki kişilerin o anki değerlerinin risk skoruyla ağırlıklı ortalaması.
  • LR, Wald ve skor testleri, \ell(\mathbf 0), AIC: Bölüm 129.5.4 (omnibus_tests, start verilerek; time_dependent_cox.py:398–401).
  • Ceza > 0 iken testler cezasız olabilirlikle, cezalı \hat{\boldsymbol\beta}'da hesaplanır ve yaklaşık oldukları not edilir.

132.5.3 Uyum indeksi (sayma süreci tanımı)

Her olay i (satır r, zaman t_i) için, t_i'yi kapsayan öteki satırlarla (a_l<t_i\le b_l) çift kurulur; uyumlu, uyumsuz ve eşit çiftler Bölüm 129.5.5'teki gibi sayılır (concordance_cox(start = )). Böylece her karşılaştırma o anki değerlerle yapılır; R concordance(coxph(Surv(start, stop, event) ~ ...)) ile aynıdır. x\cdot g(t) terimi varken C hesaplanmaz (bölünmüş satırlarda \eta zamana bağlıdır).

132.5.4 Zamanla etkileşim: x\cdot g(t)

h(t\mid x_i)=h_0(t)\exp\big[\beta\,x_i(t)+\gamma\,x_i(t)\,g(t)\big],\qquad \beta(t)=\beta+\gamma\,g(t)
  • g(t)=\ln t (varsayılan) ya da t.
  • \gamma: etkinin zamanla değişim hızı; \gamma=0 ise orantılı tehlike.
  • Kısmi olabilirlikte g yalnız olay zamanlarında değerlendirilir. MerQur bunu, her satırı tüm olay zamanlarında bölerek sağlar (R survSplit eşdeğeri; _split_at_event_times, :540–570): bölünmüş satırın sonu ya bir olay zamanıdır ya da kişinin özgün satır sonudur, ve g satır sonunda değerlendirilir. Olay göstergesi yalnız son parçada kalır.
  • Bu, R coxph(..., tt = function(x, t, ...) x * log(t)) ile aynı kısmi olabilirliktir (132.6.1).

Neden bölmek gerekiyor?

x\,g(t) terimi her olay anında farklı bir değer alır; uzun aralıklı bir satır birden çok olay anını kapsadığında tek bir değer taşıyamaz. Olay zamanlarında bölünce her parça yalnız bir olay anını (kendi sonunu) kapsayan risk kümelerine girer; g'nin o andaki değeri doğru kullanılır. Bölme olabilirliği değiştirmez; yalnız terimi temsil edilebilir kılar. Bu veride 871 satır 2604 parçaya bölünür.

132.5.5 Orantılı tehlike testi ve artıklar

PH skor testi Bölüm 129.5.6'daki gibidir; risk kümesi (a,b] tanımıyla kurulur. km dönüşümünde 1-\hat S_{KM}(t-) sayma süreci risk kümesiyle hesaplanır; sıra dönüşümünde tüm satır bitişleri arasındaki ortalama sıra kullanılır (R cox.zph ile aynı, 132.6.1). Artıklar (martingale, sapma, Cox–Snell, dfbeta) satır düzeyindedir (cox_residuals(start = )); kişi düzeyinde martingale artığı satırların toplamıdır.

132.5.6 Kişi içi sağlam varyans

Bölüm 129.5.9'daki Lin–Wei sandviçi, skor artıkları kişi kimliğine göre toplanarak:

\hat{\mathbf V}_{\text{sağlam}}=\sum_{i=1}^{K}\Big(\sum_{r\in i}\mathbf L_r^{\top}\hat{\mathbf V}\Big)^{\top}\Big(\sum_{r\in i}\mathbf L_r^{\top}\hat{\mathbf V}\Big)
  • K: kişi sayısı (80); \mathbf L_r: satır r'nin skor artığı.
  • Tekrarlayan olay verisinde (kişi başına birden çok olay) zorunludur; tek olaylı, örtüşmesiz veride naif SH'ye yakındır.
  • R coxph(..., cluster = patient_id) ile aynıdır.

132.5.7 L2 cezası

\ell_{\lambda}(\boldsymbol\beta)=\ell(\boldsymbol\beta)-\tfrac12\,n\,\lambda\sum_k\big(\beta_k\,s_k\big)^2
  • \lambda: "Ceza katsayısı (L2)"; n: satır sayısı (kişi sayısı değil); s_k: x_k'nın satırlar üzerindeki SS'si (n-1 paydalı).
  • Ceza standartlaştırılmış katsayılara uygulanır (lifelines tanımı; Breslow/kesin yolu aynı tanımı kullanır, _OwnTVFit, :487–489).
  • SH: cezalı bilgi matrisinin tersi. Raporlanan log-olabilirlik ve AIC cezalıdır.

Ceza satır sayısıyla ölçeklenir

n satır sayısı olduğu için aynı \lambda, veri daha ince aralıklara bölündükçe (ör. x\cdot g(t) için bölme sonrası 871 → 2604 satır) daha güçlü büzülme yapar. Ceza, yalnız ayrışma ya da yakınsamama durumunda küçük tutularak kullanılmalıdır; varsayılan 0 standart Cox modelidir.

132.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Sayılar dogrulama/tdcox/elle_hesap.py betiğinden (MerQur kodu çağrılmadan) alınmıştır.

Adım 1 — İlk olay anında risk kümesi. İlk ölüm t=1{,}0 ayda gerçekleşir. 1{,}0 anını kapsayan satırlar (a<1{,}0\le b) her hastanın ilk satırıdır (çoğunlukla (0, 3]); risk kümesinde 80 satır, 80 hasta vardır. Ölen hastanın o anki HbA1c'si 9,51; risk kümesinin ortalaması (\boldsymbol\beta=0'da) 8,00125'tir. Bu olay zamanının skora katkısı 9{,}51-8{,}00125=1{,}50875'tir. Aynı hesap 38 olay zamanında, her seferinde riskteki hastaların o anki değerleriyle tekrarlanır. 60. ayda riskte 17 satır vardır ve 10 ölüm aynı anda gerçekleşir.

Adım 2 — Newton–Raphson (Efron).

Yineleme \beta \ell(\beta) U(\beta) I(\beta)
0 0 −169,0629803 3,379406 35,291268
1 0,0957576 −168,9024955 −0,041015 36,137231
2 0,0946226 −168,9024722 -5{,}5\times10^{-6} 36,127599
3 0,0946224496 −168,9024722 -7\times10^{-14} 36,127598

İlk adım: \beta^{(1)}=0+3{,}379406/35{,}291268=0{,}0957576.

Adım 3 — Katsayı ve testler.

\hat\beta=0{,}094622,\qquad \SH=1/\sqrt{36{,}127598}=0{,}166372,\qquad z=0{,}5687,\qquad p=0{,}5695
\text{HR}=e^{0{,}094622}=1{,}0992,\qquad \%95\ \text{GA}=e^{0{,}094622\pm1{,}959964\times0{,}166372}=[0{,}7934;\ 1{,}5230]

\ell(0)=-169{,}062980, \ell(\hat\beta)=-168{,}902472; LR =0{,}3210, Wald =0{,}3235, skor =0{,}3236 (sd = 1); AIC =337{,}8049+2=339{,}8049; C=0{,}5261. Güncel HbA1c ile ölüm tehlikesi arasında ilişki kanıtı yoktur.

Adım 4 — PH testi ve zamanla etkileşim. PH skor testi: km \chi^2_1=0{,}0080 (p=0{,}929), sıra 0,0098, süre 0,0016. x\cdot\ln t modeli (2604 parça):

Terim \hat\beta SH p
HbA1c 0,173029 0,503151 0,731
HbA1c × ln(t) −0,026177 0,158676 0,869

\beta(t)=0{,}173-0{,}026\ln t: 1. ayda HR =e^{0{,}173}=1{,}19, 60. ayda e^{0{,}173-0{,}026\times4{,}094}=1{,}07. Değişim anlamlı değildir; LR \chi^2_2=0{,}3483. x\cdot t ile: \gamma=0{,}000323 (SH 0,00808, p=0{,}968).

Şekil 132.1. Sol: sekiz hastanın (start, stop] satırları; kesikli çizgi 1 numaralı hastanın ölüm anı (t = 19,44). O anda risk kümesinde her hastanın yalnız bu anı kapsayan satırı (koyu) yer alır. Sağ: aynı hastaların HbA1c yörüngeleri.

Adım 5 — Bağ yöntemleri. 60. aydaki 10'lu bağ nedeniyle fark burada Bölüm 129'dakinden büyüktür:

Bağ yöntemi \hat\beta SH \ell(\hat\beta)
Efron 0,094622 0,166372 −168,902472
Breslow 0,102471 0,167823 −172,243673
Kesin (ayrık) 0,111641 0,175592 −153,064236

Adım 6 — Kişi içi sağlam SH ve ceza. Kişiye göre sandviç SH 0,160474 (naif 0,166372); z=0{,}5896, p=0{,}5554, HR GA [0,8026; 1,5055]. Ceza \lambda=0{,}01 ile (n=871, s=1{,}194258): \hat\beta=0{,}070359 (SH 0,143826), cezalı \ell=-168{,}943835; katsayı %26 büzülür.

Adım 7 — Neden zamana bağlı model? Aynı 80 hasta, kişi başına tek satıra indirilip HbA1c sabit açıklayıcı olarak klasik Cox'a konursa:

Açıklayıcı \hat\beta SH p
Başlangıç (ilk) HbA1c 0,118741 0,157284 0,450
Zamana bağlı HbA1c (bu modül) 0,094622 0,166372 0,570
Son ölçülen HbA1c (yanlış kullanım) 0,928534 0,157062 3{,}4\times10^{-9}

Son ölçülen değer, ölen hastada ölümden hemen önceki değerdir ve olay sürecini kişinin tüm izlemine yayar: hasta sanki baştan beri o değerle izlenmiş gibi davranılır. Sonuç güçlü ama sahte bir ilişkidir (HR 2,5). Zamana bağlı model her olay anında yalnız o ana kadar bilinen değerleri kullanır.

132.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan tam hassasiyetle alınmıştır (round ve p_yuvarla yalnız bellekte etkisizleştirilmiştir). R: 4.5.3, survival 3.8.6: coxph(Surv(start, end, event) ~ HbA1c, ties = ), fit$wald.test, cox.zph(transform = ), residuals(), coxph(cluster = patient_id), coxph(..., tt = function(x, t, ...) x * log(t)), survSplit, survcheck. Kesin yöntemde R'ın döndürdüğü nesne summary() desteklemediği için katsayı, varyans ve log-olabilirlik doğrudan alınmıştır. Bağımsız Python'da kesin olabilirliğin paydası Newton özdeşliği özyinelemesiyle (kuvvet toplamlarından) kurulmuş ve tek boyutlu sınırlı en büyükleme ile çözülmüştür; \hat\beta toleransı bu yüzden 10^{-8} düzeyindedir. L2 cezası için R'da aynı tanımlı hazır bir karşılık olmadığından yalnız MerQur ve Python karşılaştırılmıştır.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta HbA1c 0,094622 0,094622 0,094622 2,2e−15 ✓
SH 0,166372 0,166372 0,166372 1,9e−13 ✓
z 0,568740 0,568740 0,568740 6,4e−13 ✓
p 0,569533 0,569533 0,569533 4,4e−13 ✓
HR 1,099244 1,099244 1,099244 2,2e−15 ✓
HR GA alt (%95) 0,793374 0,793374 0,793374 2,9e−13 ✓
HR GA üst (%95) 1,523036 1,523036 1,523036 5,7e−13 ✓
\ell(0) −169,062980 −169,062980 −169,062980 4,0e−13 ✓
\ell(\hat\beta) −168,902472 −168,902472 −168,902472 4,0e−13 ✓
AIC (kısmi) 339,804944 339,804944 339,804944 8,0e−13 ✓
LR \chi^2_1 0,321016 0,321016 0,321016 1,1e−13 ✓
Wald \chi^2_1 0,323465 0,323465 0,323465 7,3e−13 ✓
Skor \chi^2_1 0,323604 0,323604 0,323604 2,1e−15 ✓
Harrell C (sayma süreci) 0,526105 0,526105 0,526105 3,3e−16 ✓
PH skor \chi^2_1 (g = km) 0,008005 0,008005 0,008005 5,6e−16 ✓
PH skor p (g = km) 0,928707 0,928707 0,928707 2,6e−15 ✓

Ek karşılaştırmalar:

Breslow bağ yaklaşımı

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta 0,102471 0,102471 0,102471 4,4e−15 ✓
SH 0,167823 0,167823 0,167823 4,7e−16 ✓
\ell(\hat\beta) −172,243673 −172,243673 −172,243673 2,8e−13 ✓
LR \chi^2_1 0,369904 0,369904 0,369904 1,1e−13 ✓
Skor \chi^2_1 0,372987 0,372987 0,372987 1,1e−15 ✓
PH skor \chi^2_1 (km) 0,000414 0,000414 0,000414 3,2e−16 ✓

Kesin (ayrık) bağ yöntemi; 60. ayda 10 bağlı olay. Python: Newton özdeşlikleriyle temel simetrik polinom, sınırlı tek boyutlu en büyükleme (\hat\beta toleransı 10^{-8})

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta 0,111641 0,111641 0,111641 1,6e−08 ✓
SH 0,175592 0,175592 0,175592 1,4e−10 ✓
\ell(\hat\beta) −153,064236 −153,064236 −153,064236 4,3e−13 ✓
\ell(0) −153,265421 −153,265421 −153,265421 5,7e−14 ✓

Kişi içi Lin–Wei sağlam varyans (küme = patient_id, 80 küme)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Sağlam SH 0,160474 0,160474 0,160474 3,6e−13 ✓
Naif SH 0,166372 0,166372 0,166372 1,9e−13 ✓
z (sağlam) 0,589642 0,589642 0,589642 1,3e−12 ✓
p (sağlam) 0,555430 0,555430 0,555430 9,0e−13 ✓
HR GA alt (sağlam) 0,802598 0,802598 0,802598 5,7e−13 ✓
HR GA üst (sağlam) 1,505532 1,505532 1,505532 1,1e−12 ✓
Sağlam Wald \chi^2_1 0,347678 0,347678 0,347678 1,6e−12 ✓

Zamanla etkileşim x\cdot g(t): MerQur ve Python olay zamanlarında bölünmüş veri; R coxph(..., tt = )

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta HbA1c (g = log(t)) 0,173029 0,173029 0,173029 8,4e−15 ✓
SH HbA1c (g = log(t)) 0,503151 0,503151 0,503151 2,0e−13 ✓
\hat\beta HbA1c×log(t) −0,026177 −0,026177 −0,026177 4,0e−15 ✓
SH HbA1c×log(t) 0,158676 0,158676 0,158676 1,3e−13 ✓
p HbA1c×log(t) 0,868966 0,868966 0,868966 1,3e−13 ✓
LR \chi^2_2 (g = log(t)) 0,348252 0,348252 0,348252 1,1e−13 ✓
\hat\beta HbA1c (g = t) 0,085016 0,085016 0,085016 7,4e−13 ✓
SH HbA1c (g = t) 0,292718 0,292718 0,292718 7,5e−14 ✓
\hat\beta HbA1c×t 0,000323 0,000323 0,000323 5,3e−14 ✓
SH HbA1c×t 0,008082 0,008082 0,008082 1,1e−14 ✓
p HbA1c×t 0,968167 0,968167 0,968167 5,2e−12 ✓
LR \chi^2_2 (g = t) 0,322607 0,322607 0,322607 5,7e−14 ✓
Bölünmüş satır sayısı 2604 2604 2604 0,0e+00 ✓

PH testi öteki zaman dönüşümleri ve %90 GA

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
PH skor \chi^2_1 (g = sıra) 0,009779 0,009779 0,009779 3,2e−16 ✓
PH skor \chi^2_1 (g = süre) 0,001593 0,001593 0,001593 5,2e−16 ✓
%90 HR GA alt 0,836076 0,836076 0,836076 2,6e−13 ✓
%90 HR GA üst 1,445247 1,445247 1,445247 4,5e−13 ✓

Artıklar (ilk 5 satır)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Martingale artığı, satır 1 −0,049742 −0,049742 −0,049742 5,6e−17 ✓
Sapma artığı, satır 1 −0,315412 −0,315412 −0,315412 0,0e+00 ✓
dfbeta, satır 1 0,000791 0,000791 0,000791 1,8e−15 ✓
Martingale artığı, satır 2 −0,041181 −0,041181 −0,041181 1,2e−16 ✓
Sapma artığı, satır 2 −0,286987 −0,286987 −0,286987 5,0e−16 ✓
dfbeta, satır 2 0,000241 0,000241 0,000241 5,6e−16 ✓
Martingale artığı, satır 3 −0,042932 −0,042932 −0,042932 1,5e−16 ✓
Sapma artığı, satır 3 −0,293024 −0,293024 −0,293024 5,6e−17 ✓
dfbeta, satır 3 0,000455 0,000455 0,000455 1,1e−15 ✓
Martingale artığı, satır 4 −0,044774 −0,044774 −0,044774 6,9e−17 ✓
Sapma artığı, satır 4 −0,299246 −0,299246 −0,299246 2,8e−16 ✓
dfbeta, satır 4 0,000650 0,000650 0,000650 1,5e−15 ✓
Martingale artığı, satır 5 −0,016778 −0,016778 −0,016778 5,9e−17 ✓
Sapma artığı, satır 5 −0,183180 −0,183180 −0,183180 1,1e−16 ✓
dfbeta, satır 5 6,6064·10−5 6,6064·10−5 6,6064·10−5 1,5e−16 ✓

L2 cezası (R'da aynı tanımlı hazır karşılık yok; MerQur ve bağımsız Python)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta (λ = 0,01) 0,070359 0,070359 — 6,9e−17 ✓
SH (λ = 0,01) 0,143826 0,143826 — 6,7e−14 ✓
Cezalı \ell (λ = 0,01) −168,943835 −168,943835 — 1,1e−13 ✓

68 değerin tamamı üç kaynakta 10^{-6} ölçütünde eşleşir.

132.7 Çıktıyı okuma

Sonuç metni (varsayılan ayarlar, kısaltılmış):

Zamana Bağlı Cox Regresyonu
  Birim sayısı (n)            : 80
  Toplam (start, stop] satırı : 871
  Olay sayısı                 : 48
  Log-olabilirlik             : -168.902
  AIC (kısmi)                 : 339.80
  Uyum indeksi (Harrell C)    : 0.5261  (sayım süreci tanımı)

Kovaryatlar (HR + %95 GA + p):
  HbA1c                     β = +0.09462  HR = 1.0992 [0.7934, 1.5230]  z = +0.57, p = .5695

── Model katsayılarının omnibus testleri (H₀: tüm β = 0) ──
  -2LL (boş model) = 338.126; -2LL (model) = 337.805
  Olabilirlik oranı testi       : χ²(1) = 0.3210, p = 0.570998
  Wald testi                    : χ²(1) = 0.3235, p = 0.569533
  Skor (log-rank) testi         : χ²(1) = 0.3236, p = 0.569450
  Testler, kestirilen β'da cezasız Efron kısmi olabilirliğiyle hesaplanır.
...
── APA 7 ÖZET ──
  Olabilirlik oranı testi: χ²(1, N = 80) = 0.32, p = .571
N (birey) = 80, olay = 48

  Not: Cezasız kısmi olabilirlik kestirimi (ceza katsayısı = 0, varsayılan; standart Cox modeli).

Tablo sekmesi: Kovaryat, β, HR, SE, z, p, HR GA alt/üst (sağlam SE seçiliyse naif SE sütunu).

Öğe Nasıl yorumlanır
Birim sayısı / satır sayısı Kişi ve aralık sayısı. APA satırında N kişi sayısıdır.
β, HR, GA, p Aynı anda, o anki HbA1c'si bir birim yüksek kişinin tehlike oranı. 1,10 [0,79; 1,52]: ilişki kanıtı yok.
Uyum indeksi Her olay anında o anki değerlerle sıralama başarısı; 0,53 rastlantıya yakın.
Omnibus LR tercih edilir; ceza > 0 iken yaklaşık.
Veri yapısı denetimi Örtüşme ya da olaydan sonra izlem satırı varsa veri hazırlama hatası olasıdır; düzeltilmeden sonuç yorumlanmamalıdır. Boşluk, kişinin o sürede riskte sayılmadığını gösterir.
Zamanla etkileşim notu Bölünmüş satır sayısı ve g(t); anlamlı x\cdot g(t) katsayısı etkinin zamanla değiştiğini gösterir.
Ceza notu Ceza > 0 ise log-olabilirlik ve AIC cezalıdır; cezasız modelle karşılaştırılmaz.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Güncel HbA1c düzeyinin ölüm tehlikesine etkisi, HbA1c'nin her vizitte güncellendiği zamana bağlı Cox modeliyle incelendi (80 hasta, 871 izlem aralığı, 48 ölüm; Efron bağ yöntemi). Güncel HbA1c ile ölüm tehlikesi arasında anlamlı ilişki bulunmadı (HR = 1,10; %95 GA [0,79; 1,52]; p = 0{,}570), olabilirlik oranı \chi^2(1, N = 80) = 0{,}32, p = 0{,}571. HbA1c × ln(t) etkileşimi anlamlı değildi (\hat\gamma = -0{,}026; p = 0{,}869); orantılı tehlike varsayımı karşılandı (Grambsch–Therneau \chi^2(1) = 0{,}01, p = 0{,}929).

132.8 Uzman soruları

S1. Aralık neden (start, stop] — sol açık? Olay anında ölçülen değer ne olur?

Sol açık aralık, kişinin t anında yalnız t'yi içinde barındıran tek satırla riskte olmasını sağlar. Değeri t anında değişen kişinin eski satırı (\cdot,t] o anda geçerlidir; yeni satır (t,\cdot] ancak t'den sonra. Böylece olay anında ölçülen değer olaya "yetişmez" ve ters nedensellik engellenir. R Surv(start, stop, event) aynı tanımı kullanır.

S2. start = stop satırlar ne oluyor?

Sıfır uzunluklu aralık hiçbir risk kümesine giremez. MerQur bu satırları atar ve sayısını uyarıda yazar; R Surv() NA verip na.action ile dışlar. Olay göstergesi 1 olan böyle bir satır varsa olay kaybolur; veri hazırlığında olay zamanı bir önceki satırın sonuna taşınmalıdır.

S3. tt() ile survSplit arasında fark var mı?

Hayır. R tt() olabilirliği her olay anında x\,g(t) ile kurar; MerQur veriyi olay zamanlarında bölüp g'yi parça sonunda (yani olay anında) değerlendirir. İki yol aynı kısmi olabilirliği verir; bu veride katsayılar 10^{-12} düzeyinde aynıdır (132.6.1). Bölme, veri büyüklüğünü artırır (871 → 2604 satır).

S4. PH testi zamana bağlı kovaryatta ne anlama gelir?

x(t)'nin katsayısının zamanla sabit olup olmadığını sınar; kovaryatın değerinin değişmesiyle ilgili değildir. Sayma süreci risk kümeleriyle hesaplanan skor testi R cox.zph ile aynıdır; sıra dönüşümünde tüm satır bitişlerinin ortalama sırası kullanılır. x\cdot g(t) terimi modeldeyken test anlamsızlaşır (terim zaten ihlali modeller) ve hesaplanmaz.

S5. Kesin (ayrık) yöntem 60. aydaki 10'lu bağda neden bu kadar farklı?

Kesin yöntem 17 kişilik risk kümesinden 10 kişilik tüm alt kümeleri (19448 alt küme) olasılık hesabına katar: bağları gerçekten aynı anda olmuş olaylar olarak görür (ayrık zaman). Efron ise sürekli zamanda gerçek ama bilinmeyen bir sıralama varsayar. Büyük bağlarda ayrık zaman doğruysa kesin yöntem, sürekli zaman doğruysa Efron uygundur. Log-olabilirlik değerleri farklı tanımlara ait olduğu için karşılaştırılmaz.

S6. Kişi içi sağlam SH ne zaman gerekir?

Bir kişiden birden çok olay (tekrarlayan olay; Andersen–Gill modeli) varsa ya da aynı kişinin satırları başka bir nedenle bağımlı sayılıyorsa. Tek olaylı ve örtüşmesiz veride kişinin satırları kısmi olabilirliğe bağımsız katkılar verir; sağlam SH naif SH'ye yakın çıkar (bu veride 0,1605 ve 0,1664).

S7. Ceza katsayısı R'da neye karşılık gelir?

MerQur'un cezası \tfrac12 n\lambda\sum(\beta_ks_k)^2'dir; n satır sayısı, s_k satırlar üzerindeki SS'dir (lifelines tanımı). R coxph(... + ridge(x, theta = θ, scale = TRUE)) cezayı \tfrac{\theta}{2}\sum(\beta_ks_k)^2 biçiminde, n ile çarpmadan uygular; aynı sonuç için \theta=n\lambda alınmalıdır ve R'ın SS tanımı farklı olabilir. Bu yüzden doğrulama yalnız bağımsız Python ile yapılmıştır.

S8. Neden en az 20 satır ve 5 olay isteniyor?

Bu MerQur'un güvenlik eşiğidir (time_dependent_cox.py:187–189, :204–206); R'da yoktur. Daha küçük veride kestirim yapılabilir ama kararsızdır; eşik kullanıcıyı korumak içindir.

132.9 Sık hatalar ve tuzaklar

  • Son ölçülen değeri sabit kovaryat yapmak. Geleceğe ait bilgi geçmişe taşınır; bu veride sahte HR 2,5, p<10^{-8} (Adım 7). Zamana bağlı değer (start, stop] satırlarıyla verilmelidir.
  • Değeri ölçüm anından önce geçerli saymak. Ölçüm t_m'de yapıldıysa yeni satır (t_m,\cdot] ile başlar; (\cdot,t_m] satırına yazmak değeri bir aralık erken kullanır.
  • Olay göstergesini her satıra yazmak. Olay yalnız son satırda 1 olmalıdır; aksi hâlde kişi birden çok kez ölmüş sayılır. Denetim "birden fazla olay" uyarısı verir.
  • Olaydan sonra izlem satırı bırakmak. Ölüm sonrası satırlar kişiyi riskte tutar; "olay son aralıkta değil" uyarısı ciddiye alınmalıdır.
  • Ölümsüz zaman yanlılığı. Tedaviye izlemde geçen hastayı baştan "tedavili" saymak, geçişe kadar ölmemiş olmayı tedaviye yazar (Suissa 2008). Tedavi durumu zamana bağlı kovaryat olmalıdır.
  • İç (endojen) kovaryatı nedensel yorumlamak. Ölüme yaklaşırken değişen bir biyobelirteç hem neden hem sonuç olabilir; HR ilişki gösterir, nedensellik değil.
  • x\cdot g(t) modelinde ana etkiyi tek başına yorumlamak. \beta artık g(t)=0 anındaki (log ölçekte t=1) etkidir; etki \beta+\gamma g(t) olarak belirli zamanlarda raporlanmalıdır.
  • Cezayı alışkanlıkla açmak. Ceza katsayıları büzer ve satır sayısıyla ölçeklenir; yalnız ayrışma ya da yakınsamama durumunda küçük bir değer kullanılmalıdır.
  • PH testinin varsayılan olarak kapalı olduğunu unutmak. Cox panelinden farklı olarak bu modülde test elle açılmalıdır.

132.10 Kaynaklar

  • Andersen, P. K., & Gill, R. D. (1982). Cox's regression model for counting processes: A large sample study. The Annals of Statistics, 10(4), 1100–1120. https://doi.org/10.1214/aos/1176345976
  • Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
  • Fisher, L. D., & Lin, D. Y. (1999). Time-dependent covariates in the Cox proportional-hazards regression model. Annual Review of Public Health, 20, 145–157. https://doi.org/10.1146/annurev.publhealth.20.1.145
  • Suissa, S. (2008). Immortal time bias in pharmacoepidemiology. American Journal of Epidemiology, 167(4), 492–499. https://doi.org/10.1093/aje/kwm324
  • Therneau, T. M., & Grambsch, P. M. (2000). Modeling survival data: Extending the Cox model. Springer. https://doi.org/10.1007/978-1-4757-3294-8
  • Zhang, Z., Reinikainen, J., Adeleke, K. A., Pieterse, M. E., & Groothuis-Oudshoorn, C. G. M. (2018). Time-varying covariates and coefficients in Cox regression models. Annals of Translational Medicine, 6(7), 121. https://doi.org/10.21037/atm.2018.02.12