¿Cómo interpreto Exp (B) en la regresión de Cox?

17

Soy un estudiante de medicina que intenta comprender las estadísticas (¡), así que por favor, sé gentil! ;)

Estoy escribiendo un ensayo que contiene una buena cantidad de análisis estadístico que incluye análisis de supervivencia (regresión de Kaplan-Meier, Log-Rank y Cox).

Realicé una regresión de Cox en mis datos tratando de averiguar si puedo encontrar una diferencia significativa entre las muertes de pacientes en dos grupos (pacientes de alto o bajo riesgo).

Agregué varias covariables a la regresión de Cox para controlar su influencia.

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

Eliminé la oclusión de la arteria de la lista de covariables porque su SE era extremadamente alta (976). Todos los demás SE están entre 0,064 y 1,118. Esto es lo que obtengo:

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

Sé que el riesgo solo es significativamente límite en 0,058. Pero además de eso, ¿cómo interpreto el valor Exp (B)? Leí un artículo sobre regresión logística (que es algo similar a la regresión de Cox?) Donde el valor Exp (B) se interpretó como: "Estar en el grupo de alto riesgo incluye un aumento de 8 veces en la posibilidad del resultado", que En este caso es la muerte. ¿Puedo decir que mis pacientes de alto riesgo tienen 8 veces más probabilidades de morir antes que ... qué?

¡Por favor, ayúdame! ;)

Por cierto, estoy usando SPSS 18 para ejecutar el análisis.

Alex
fuente

Respuestas:

23

En términos generales, exp(β^1) es la relación de los peligros entre dos individuos cuyos valores de x1 difieren en una unidad cuando todas las otras covariables son constantes retenida. El paralelo con otros modelos lineales es que en la regresión de Cox la función de riesgo se modela como h(t)=h0(t)exp(βx) , donde h0(t) es el riesgo de referencia. Esto es equivalente a decir que log(group hazard/baseline hazard)=log((h(t)/h0(t))=iβixi . Luego, un aumento unitario enxi se asocia con unaumento deβi en la tasa de riesgo logarítmico. El coeficiente de regresión permite para cuantificar el logaritmo del peligro en el grupo de tratamiento (en comparación con el grupo control o placebo), teniendo en cuenta las covariables incluidas en el modelo; se interpreta como un riesgo relativo (suponiendo que no haya coeficientes variables en el tiempo).

En el caso de la regresión logística, el coeficiente de regresión refleja el logaritmo de la odds ratio , de ahí la interpretación como un aumento de k veces en el riesgo. Entonces, sí, la interpretación de las razones de riesgo comparte cierta semejanza con la interpretación de las razones de probabilidades.

Asegúrese de consultar el sitio web de Dave Garson donde hay un buen material sobre la Regresión de Cox con SPSS.

chl
fuente
¡Muchas gracias por tu respuesta! Me está costando descifrar sus fórmulas basadas en texto. ¿Puedes humanizarlos? ;) Gran artículo al que hace referencia. Lo leeré detenidamente y volveré ...
Alex
1
Ahhh ... Internet Explorer no pudo procesar las fórmulas. Firefox arregló esto. :)
Alex
2
Otro excelente recurso para aprender y comprender el análisis de supervivencia es el Análisis de datos longitudinales aplicados de Singer y Willett. También dan ejemplos de código / salida para todos sus modelos usando cada paquete de estadísticas bajo el sol .
M Adams
@ M Adams Gracias por agregar este enlace. Sí, el servidor UCLA está realmente lleno de recursos útiles.
chl
¡Gracias por el excelente enlace a UCLA! Lo investigaré ...;)
Alex
8

No soy un estadístico, sino un MD, tratando de resolver las cosas en el mundo de las estadísticas.

exp(B)1/exp(B)exp(B)=0.4071/0.407=2.46, en comparación con cuando el valor de género = 0.

exp(B)>1exp(B)=1.259 (como es el caso de su variable "estenosis"), significa que la puntuación de "estenosis" = 1 dará como resultado una mayor probabilidad (25.9%) de experimentar un punto final en comparación con cuando "estenosis" = 0.

exp(B)=1exp(B) es estadísticamente significativa.

Según su análisis, parece que ninguna de sus variables son predictores significativos (en un nivel de signo del 5%) de su punto final, aunque ser un paciente de "alto riesgo" es de importancia límite.

La lectura del libro " Manual de supervivencia de SPSS ", de Julie Pallant, probablemente lo iluminará más sobre este (y más) tema (s).

chl
fuente
Gracias. ¡Gran apoyo de un compañero aventurero en este mundo de estadísticas! ;) Actualmente estoy leyendo Discovering Statistics usando SPSS de Andy Field, que me sorprende disfrutar (ya que es un libro de texto de estadísticas). Modifiqué mi análisis de COX para medir la supervivencia en días en lugar de meses, lo que afortunadamente me llevó a la importancia de mi covariable 'riesgo' por debajo de 0,05 ... :)
Alex