Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Miért kell többváltozós modellekhez folyamodnunk (a túlélési analízis során)?

Hasonló előadás


Az előadások a következő témára: "Miért kell többváltozós modellekhez folyamodnunk (a túlélési analízis során)?"— Előadás másolata:

1 Túlélési analízis, Cox „proportional hazards” analízis, többváltozós analízis

2 Miért kell többváltozós modellekhez folyamodnunk (a túlélési analízis során)?
Többváltozós világban élünk, minden mindennel összefügg, egy eseményre több tényező is hatást gyakorol A többváltozós analízis segítségével lehet megítélni, hogy egy-egy rizikófaktornak (predictor) milyen relatív súlya van a megfigyelt esemény bekövetkeztében (a többiekhez hasonlítva, predictorok, confounderek, supresserek) Többváltozós analízissel lehet vizsgálni, hogy az adott változónak a többi változóhoz képest független hatása van-e az eseményre

3 Rizikó faktor Az esemény bekövetkezésével látszólag ok-okozati kapcsolatban álló tényező, azaz magyarázó változó A túlélési analízis arra a kérdésre ad választ, hogy mekkora valószínűsége egy esemény bekövetkeztének a rizikófaktor pozitív csoportban, a rizikófaktor negatív csoporthoz képest. HR: 1.26 (26%-os rizikó fokozódás) Magas koleszterin AMI

4 Rizikó faktor Az esemény bekövetkezésével látszólag ok-okozati kapcsolatban álló tényező Magas koleszterin AMI Öngyújtó a zsebben Tüdőrák

5 Rizikófaktor Pathomechanizmus Betegség Hipotetikus direkt kapcsolat Többlépcsős kapcsolat Szövevényes kapcsolat

6 Öngyújtó a zsebben Tüdőrák Direkt kapcsolat? Dohányzás, mint confounding variable Dohányzás

7 Rizikófaktor Nincs betegség Gátló faktor jelenléte (suppresser) Suppresser

8 Rizikófaktor Betegség Jelen van Súlyos Enyhe Nincs jelen Interakciós változó

9 Cox proportional hazard regresion model
Függő változó: túlélési idő. Független változó(k): prediktorok (risk factors), confounderek, suppresserek, interacting variables A túlélési idő eloszlásával kapcsolatban nincs előfeltétel, non-paraméteres tesztnek tekinthető Előzetes feltételezés Arányosság (proportionality): a hazard a független változók értékével arányosan nő (és nem függ az időtől) Speciális eset: időfüggő független változó (pl. életkor)

10 A rizikófaktorok jellegzetességei
Igen/nem típusú (pl. koponya trauma hasi sérüléssel vagy anélkül) Binomiálissá alakítható ismeretek, konszenzus, vagy józan ész szerint (kóros vércukor/ nem kóros) Mi a helyzet a folytonos változókkal? Emészthetővé alakítható? („magas” vs. „alacsony”; ) Standardizálás (elfogadott az 1 SD egységre való kifejezés, de ettől eltérés is lehet) Matematikailag helyes de sokszor nehezen értelmezhető a nyers eredmények modellbe illesztése (ld. példa)

11 A Cox modell eredményének értelmezése
B: regressziós koefficiens Béta: standardizált regressziós koefficiens (mean: 0, SD: 1) Hazard Rate: annak a valószínűsége, hogy a megfigyelési időszak alatt az esemény bekövetkezik (a béta exponenciálisa, eb ) Wald chi-négyzet (p): az egyes koefficiensek szignifikanciájának megítélésére alkalmas mutató

12 Dependent Variable: survival time (Cox_gyak. sta) Censoring var
Dependent Variable: survival time (Cox_gyak.sta) Censoring var.: exit Chi2 = 25,5290 df = 1 p = ,00000 Beta Standard - Error t-value exponent - beta Wald - Statist. p BNP/SD 0,502960 0,078769 6,385227 1,653609 40,77112 0,000000


Letölteni ppt "Miért kell többváltozós modellekhez folyamodnunk (a túlélési analízis során)?"

Hasonló előadás


Google Hirdetések