Стратифицированный логарифмический тест в R для подсчета данных формы процесса? - PullRequest
Новая
       17

Стратифицированный логарифмический тест в R для подсчета данных формы процесса?

2 голосов
/ 01 апреля 2019

Справочная информация : в течение полугода наблюдения в течение 4 лет пациенты могут переключаться на другую группу препаратов. Чтобы учесть это, я преобразовал данные о выживании в форму подсчета. Я хочу сравнить кривые выживаемости для групп препаратов A, B и C. Я использую расширенную модель Кокса, но хочу сделать парные сравнения каждой функции опасности или провести стратифицированные логарифмические тесты. pairwise_survdiff выдает ошибку из-за формы моих данных, я думаю.

Пример данных : 

x<-data.frame(tstart=rep(seq(0,18,6),3),tstop=rep(seq(6,24,6),3), rx = rep(c("A","B","C"),4), death=c(rep(0,11),1))
x

Задача

При использовании survdiff в пакете survival, 

survdiff(Surv(tstart,tstop,death) ~ rx, data = x)

Я получаю ошибку: 

Error in survdiff(Surv(tstart, tstop, death) ~ rx, data = x) : 
  Right censored data only

Я думаю, что это связано с формой процесса подсчета, так как я не могу найти в Интернете пример, который сравнивает кривые выживаемости для изменяющихся во времени ковариат.

Вопрос : есть ли быстрое решение этой проблемы? Или есть альтернативный пакет / функция с той же универсальностью для сравнения кривых выживания, а именно с использованием разных методов? Как я могу реализовать стратифицированные логарифмические тесты, используя survidff при подсчете данных формы процесса?

ПРИМЕЧАНИЕ : это было помечено как известная проблема в пакете Survminer, смотрите проблему с GitHub здесь, но обновление SurminMiner не решило мою проблему, и, используя один интервал времени, tstop-tstart не будет правильно, так как это оставит, например, несколько записей на 6 месяцев, а не на фактический интервал риска.

1 Ответ

0 голосов
/ 02 апреля 2019

Итак, вот пример подгонки модели и проведения нескольких сравнений с использованием пакета multcomp.Обратите внимание, что это косвенно предполагает, что введение лечения АС является случайным.В зависимости от предположений о процессе, возможно, было бы лучше согласовать многогранную модель с переходами между обработками и результатами.

library(purrr)
library(dplyr)
#> 
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:stats':
#> 
#>     filter, lag
#> The following objects are masked from 'package:base':
#> 
#>     intersect, setdiff, setequal, union
library(survival)
library(multcomp)
#> Loading required package: mvtnorm
#> Loading required package: TH.data
#> Loading required package: MASS
#> 
#> Attaching package: 'MASS'
#> The following object is masked from 'package:dplyr':
#> 
#>     select
#> 
#> Attaching package: 'TH.data'
#> The following object is masked from 'package:MASS':
#> 
#>     geyser
# simulate survival data
set.seed(123)
n <- 200
df <- data.frame(
  id = rep(1:n, each = 8),
  start = rep(seq(0, 42, by = 6), times = 8),
  stop = rep(seq(6, 48, by = 6), times = 8),
  rx = sample(LETTERS[1:3], n * 8, replace = T))
df$hazard <- exp(-3.5  -1 * (df$rx == "A") + .5 * (df$rx == "B") +
  .5 * (df$rx == "C"))

df_surv <- data.frame(id = 1:n)
df_surv$time <- split(df, f = df$id) %>%
  map_dbl(~msm::rpexp(n = 1, rate = .x$hazard, t = .x$start))

df <- df %>% left_join(df_surv)
#> Joining, by = "id"
df <- df %>%
  mutate(status = 1L * (time <= stop)) %>%
  filter(start <= time)
df %>% head()
#>   id start stop rx     hazard     time status
#> 1  1     0    6  A 0.01110900 13.78217      0
#> 2  1     6   12  C 0.04978707 13.78217      0
#> 3  1    12   18  B 0.04978707 13.78217      1
#> 4  2     0    6  B 0.04978707 22.37251      0
#> 5  2     6   12  B 0.04978707 22.37251      0
#> 6  2    12   18  C 0.04978707 22.37251      0

# fit the model 
model <- coxph(Surv(start, stop, status)~rx, data = df)

# define pairwise comparison
glht_rx <- multcomp::glht(model, linfct=multcomp::mcp(rx="Tukey"))
glht_rx
#> 
#>   General Linear Hypotheses
#> 
#> Multiple Comparisons of Means: Tukey Contrasts
#> 
#> 
#> Linear Hypotheses:
#>            Estimate
#> B - A == 0  1.68722
#> C - A == 0  1.60902
#> C - B == 0 -0.07819

# perform multiple comparisons 
# (adjusts for multiple comparisons + takes into account correlation of coefficients -> more power than e.g. bonferroni)
smry_rx <- summary(glht_rx)
smry_rx # -> B and C different to A, but not from each other
#> 
#>   Simultaneous Tests for General Linear Hypotheses
#> 
#> Multiple Comparisons of Means: Tukey Contrasts
#> 
#> 
#> Fit: coxph(formula = Surv(start, stop, status) ~ rx, data = df)
#> 
#> Linear Hypotheses:
#>            Estimate Std. Error z value Pr(>|z|)    
#> B - A == 0  1.68722    0.28315   5.959   <1e-05 ***
#> C - A == 0  1.60902    0.28405   5.665   <1e-05 ***
#> C - B == 0 -0.07819    0.16509  -0.474     0.88    
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> (Adjusted p values reported -- single-step method)
# confidence intervals
plot(smry_rx)

Создано в 2019-04-01 пакетом Представить (v0.2.1)

...