¿Cómo generar curvas de supervivencia predichas a partir de modelos de fragilidad (usando R coxph)?

Quiero calcular la función de supervivencia predicha para un modelo de riesgos proporcionales de Cox con términos de fragilidad [usando el paquete de supervivencia]. Parece que cuando hay términos de fragilidad en el modelo, la función de supervivencia predicha no se puede calcular.

## Example 
require(survival)
data(rats)

## Create fake weight
set.seed(90989)
rats$weight<-runif(nrow(rats),0.2,0.9)

## Cox model with gamma frailty on litter
fit <- coxph(Surv(time, status) ~ rx+weight+frailty(litter,dist="gamma"),
data = rats) 

## Compute survival curve from the cox model for rx=0 and weight=0.5 kg
plot(survfit(fit, newdata=data.frame(rx=0,weight=0.5)),xlab = "time",
ylab="Survival") 

## Running this line, I get following error message:
Error in survfit.coxph(fit, newdata = data.frame(rx = 0, weight = 0.5)) : 
Newdata cannot be used when a model has sparse frailty terms

Intenté usar métodos de cálculo dispersos y no dispersos mediante el uso de sparse=TRUE, Sparse =FALSE, sparse =0, sparse=5opciones. Sin embargo, ninguno funcionó.

¿Cómo calculo la curva de supervivencia prevista en función de mi modelo de fragilidad?

El problema aquí es el mismo que se obtendría al tratar de predecir los resultados de un modelo lineal de efectos mixtos. Dado que la curva de supervivencia no es plegable, cada camada en su ejemplo tiene una curva de supervivencia específica para la camada según el modelo que se ajuste. Una fragilidad, como ya sabrá, es lo mismo que una intercepción aleatoria que indica niveles comunes de variables de confusión y pronóstico endémicas de cada camada, presumiblemente frente a rasgos genéticos. Por lo tanto, el predictor lineal de la razón de riesgo es una mezcla de los efectos fijos observados y los efectos aleatorios de la hojarasca. A diferencia de los modelos mixtos, el modelo de Cox se ajusta al término de fragilidad con regresión penalizada, el objeto ajustado es de clase coxph-penaly no hay ningún método para survreg.coxph-penalhacerlo, por lo que los intentos de crear el predictor lineal fallan. Hay un par de soluciones alternativas.

1. Simplemente ajuste el modelo marginal con covariables centradas.

2. Centre las covariables, ajuste 1, luego ajuste el modelo de efectos aleatorios usando coxmey extraiga los efectos aleatorios, agréguelos al predictor lineal con un desplazamiento para calcular la curva de supervivencia específica del estrato para cada camada.

3. Realice 2 y margínelos promediando todas las curvas de supervivencia juntas, un enfoque separado para ajustar el modelo marginal.

4. Use efectos fijos o estratos en un modelo marginal de Cox para predecir diferentes curvas de supervivencia para cada camada.