¿Cómo obtener predicciones en términos de tiempo de supervivencia de un modelo Cox PH?

Quiero desarrollar un modelo de predicción (Cox PH) para la mortalidad por todas las causas en un conjunto de datos de participantes de los cuales (casi) todos murieron al final del seguimiento (por ejemplo, 1 año).

En lugar de predecir el riesgo absoluto de morir en un momento determinado, me gustaría predecir el tiempo de supervivencia (en meses) para cada individuo.

¿Es posible obtener tales predicciones en R (por ejemplo, de un objeto coxph) y, en caso afirmativo, ¿cómo puedo hacer eso?

¡Muchas gracias de antemano!

survival prediction cox-model Robar
fuente

Respuestas:

El modelo de riesgos proporcionales de Cox no modela el peligro subyacente, que es lo que necesitaría para predecir el tiempo de supervivencia de esa manera: esta es la gran fortaleza del modelo y uno de sus principales inconvenientes.

Si está particularmente interesado en obtener estimaciones de la probabilidad de supervivencia en puntos de tiempo particulares, lo señalaría hacia modelos de supervivencia paramétricos (también conocidos como modelos de tiempo de falla acelerada). Estos se implementan en el survivalpaquete para R y le proporcionarán distribuciones de tiempo de supervivencia paramétricas, en las que simplemente puede conectar el tiempo que le interesa y obtener una probabilidad de supervivencia.

Fomite
fuente

Gracias por tu respuesta. No estoy particularmente interesado en obtener estimaciones de la probabilidad de supervivencia en un momento particular, sino en el tiempo de supervivencia previsto para cada individuo. Entonces, en lugar de, por ejemplo, "la probabilidad de sobrevivir a 1 año es del 10%", me gustaría obtener predicciones como "el tiempo de supervivencia previsto de este individuo es de 10 meses". ¿Es posible obtener tales predicciones de un modelo Cox PH o AFT?

Rob

@Rob Creo que todavía no es viable en un modelo Cox PH. Es perfectamente factible con un modelo AFT, aunque la complejidad de recuperar una estimación probablemente dependerá de cuántas covariables tenga.

Fomite

Gracias, investigaré los modelos AFT. He estado leyendo sobre la predicción de los tiempos de supervivencia individual, pero parece que "la supervivencia humana es tan incierta que incluso el mejor análisis estadístico no puede proporcionar predicciones de un solo número de uso real para pacientes individuales". ( enlace ) ..

Rob

@Rob Eso es correcto: todas estas técnicas hablan de tendencias en las poblaciones . Intentar la predicción precisa de cualquier persona es una causa perdida, y realmente no es un uso apropiado de la herramienta.

Fomite

Dada la literatura disponible que encontré, creo que tiene razón con respecto a la predicción de los tiempos de supervivencia individual. Sin embargo, los modelos Cox y AFT son ciertamente herramientas apropiadas para la predicción de riesgos absolutos individuales en ciertos puntos de tiempo (por ejemplo, ver libros de Harrell y Steyerberg ).

Rob

@statBeginner Sí, lo hará. Requiere dos pasos:

x <- survfit(cox.ph.model, newdata = dataset)
dataset$Results <- summary(x)$table[,"median"]

pero no estoy seguro si la mediana del tiempo de supervivencia es lo suficientemente precisa.

akshay
fuente

Estoy de acuerdo con @akshay en que el tiempo medio de supervivencia, si bien es útil, puede no ser apropiado para casos individuales, especialmente si se predice un tiempo para el evento. Los tiempos de supervivencia individual pueden ser increíblemente heterogéneos, por lo que recomendaría precaución al usar cualquier tiempo de supervivencia medio para la predicción.

Seanosapien el

Aunque estoy de acuerdo con este punto, la mediana de supervivencia ES clínicamente útil.

Quizás le interese que nuestro trabajo (y otros) analice el uso de la mediana como base para los intervalos de supervivencia ; creemos que estos son más útiles.

https://academic.oup.com/annonc/article/25/10/2014/2801274

Matt Williams
fuente

La supervivencia media puede no existir siempre, pero la mediana siempre existe.

Michael R. Chernick