（燃烧）数据的 Cox 比例风险模型
Cox proportional hazard model on (burn) data
描述了一项研究，该研究评估了中西部大型大学医疗中心消毒剂实践的协议变更。该研究的主要兴趣是比较两种 body 清洁方法。第一种方法仅在 1983 年 1 月至 1984 年 6 月期间使用，包括常规沐浴护理方法（初始表面去污 10% povidone-iodine，然后定期用 Dial 肥皂沐浴）。从 1984 年 6 月到 1985 年 12 月研究期结束，body 最初使用 4% 葡萄糖酸氯己定进行清洁。 Eighty-four组患者接受新型沐浴液洗必泰，对照组70例患者接受常规沐浴护理聚维酮碘。数据集中包含一个协变量，用于测量燃烧的总表面积。
数据是（燃烧）。我想测试：
1- 两组生存功能的任何差异。
2- 根据烧伤总面积调整的两组生存函数的任何差异。
library(KMsurv)
data()
data(burn)
burn
library(survival)
我知道要使用的函数是coxph()，但我不确定我应该测试哪些组（根据以上信息）。他们是T1和D2吗？
所以对于 1，Coxfit1<-coxph(Surv(T1,D2)~group, data = burn)？
对于 2，Coxfit2<-coxph(Surv(T1,D2)~Z4, data = burn)?
这段代码在做什么？
for(i in 1:154){
if (burn$??[i]==2)
burn$Z1[i]<-1
else burn$Z1[i]<-0
}
for(i in 1:154){
if (burn$??[i]==3)
burn$Z2[i]<-1
else burn$Z2[i]<-0
}
??burn告诉你变量的含义； Z1和Z4好像是你要的:
此数据框包含以下列：
观察
观察数
Z1
治疗：0-常规沐浴 1-Body清洁
Z2
性别（0=男 1=女）
Z3
种族：0=非白人 1=白人
Z4
燃烧总表面积的百分比
Z5
烧伤部位指示器：头 1=是，0=否
Z6
烧伤部位指标：臀部 1=是，0=否
Z7
燃烧部位指示器：trunk 1=yes, 0=no
Z8
烧伤部位指示器：大腿 1=是，0=否
Z9
烧伤部位指示器：小腿 1=是，0=否
Z10
烧伤部位指标：呼吸道 1=是，0=否
Z11
烧伤类型：1=化学，2=烫伤，3=电，4=火焰
T1
切除时间或学习时间
D1
切除指标：1=是 0=否
T2
预防性抗生素治疗时间或学习时间
D2
预防性抗生素治疗：1=是 0=否
T3
金黄色葡萄球菌感染时间或学习时间
D3
金黄色葡萄球菌感染：1=是 0=否
来源
Klein 和 Moeschberger (1997) 删失和截断数据的生存分析技术，施普林格。一田等人。状态。医学。 12 (1993): 301-310.
编辑：
在您的情况下，常规沐浴和 body 清洁 (Z1) 之间存在显着差异，但在单变量分析中烧伤总表面积百分比 (Z4) 并不显着。
library(KMsurv)
library(survival)
library(survminer)
#> Loading required package: ggplot2
#> Loading required package: ggpubr
#> Loading required package: magrittr
data(burn)
## Univariate Cox regression analysis to see whether Z1 and Z4 are significant:
res.cox <- coxph(Surv(T1, D1) ~ Z1, data = burn)
summary(res.cox)
#> Call:
#> coxph(formula = Surv(T1, D1) ~ Z1, data = burn)
#>
#> n= 154, number of events= 99
#>
#> coef exp(coef) se(coef) z Pr(>|z|)
#> Z1 0.5504 1.7339 0.2072 2.656 0.0079 **
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#>
#> exp(coef) exp(-coef) lower .95 upper .95
#> Z1 1.734 0.5767 1.155 2.602
#>
#> Concordance= 0.599 (se = 0.027 )
#> Likelihood ratio test= 7.24 on 1 df, p=0.007
#> Wald test = 7.06 on 1 df, p=0.008
#> Score (logrank) test = 7.23 on 1 df, p=0.007
ggsurvplot(surv_fit(Surv(T1, D1) ~ Z1, data = burn), data = burn,
conf.int = TRUE, pval = TRUE)
res.cox <- coxph(Surv(T1, D1) ~ Z4, data = burn)
summary(res.cox)
#> Call:
#> coxph(formula = Surv(T1, D1) ~ Z4, data = burn)
#>
#> n= 154, number of events= 99
#>
#> coef exp(coef) se(coef) z Pr(>|z|)
#> Z4 -0.005108 0.994905 0.005408 -0.945 0.345
#>
#> exp(coef) exp(-coef) lower .95 upper .95
#> Z4 0.9949 1.005 0.9844 1.006
#>
#> Concordance= 0.529 (se = 0.034 )
#> Likelihood ratio test= 0.94 on 1 df, p=0.3
#> Wald test = 0.89 on 1 df, p=0.3
#> Score (logrank) test = 0.89 on 1 df, p=0.3
## Multivariate Cox regression analysis to see whether Z1 and Z4 remain significant
## here, univariate Z4 was n.s., so not that relevant...
res.cox <- coxph(Surv(T1, D1) ~ Z1 + Z4, data = burn)
summary(res.cox)
#> Call:
#> coxph(formula = Surv(T1, D1) ~ Z1 + Z4, data = burn)
#>
#> n= 154, number of events= 99
#>
#> coef exp(coef) se(coef) z Pr(>|z|)
#> Z1 0.534232 1.706138 0.208651 2.560 0.0105 *
#> Z4 -0.003458 0.996548 0.005435 -0.636 0.5246
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#>
#> exp(coef) exp(-coef) lower .95 upper .95
#> Z1 1.7061 0.5861 1.133 2.568
#> Z4 0.9965 1.0035 0.986 1.007
#>
#> Concordance= 0.606 (se = 0.033 )
#> Likelihood ratio test= 7.66 on 2 df, p=0neither.02
#> Wald test = 7.44 on 2 df, p=0.02
#> Score (logrank) test = 7.61 on 2 df, p=0.02
对于问题 1，您想要检验 Z1 变量水平之间的生存分布*。数据集中没有名为 group 的变量。 Z1=0表示常规沐浴，Z1=1表示body清洁。您可能希望在继续之前将所有 Z 变量转换为因子（Z4 除外）。
library(survival)
library(KMsurv)
library (dplyr)
burn$Z1 <- factor(burn$Z1, label=c("Routine bathing", "Body cleansing"))
* 生存这个词需要澄清一下。大概是第一次金黄色葡萄球菌感染 (D3) 或研究时间（如果没有事件发生）的时间。时间在变量 T3 中。
执行测试的命令是：
coxph(Surv(T3,D3) ~ Z1, data=burn)
coef exp(coef) se(coef) z p
Z1Body cleansing -0.5614 0.5704 0.2934 -1.914 0.0557
对于问题 2，Z4 包含燃烧总表面积的百分比，即要调整的变量。
coxph(Surv(T3,D3)~Z1+Z4, data=burn)
coef exp(coef) se(coef) z p
Z1Body cleansing -0.524764 0.591695 0.295769 -1.774 0.076
Z4 0.007248 1.007275 0.007145 1.015 0.310
因此，接受常规沐浴和 body 清洁的人在第一次感染之前的时间似乎没有差异。
描述了一项研究，该研究评估了中西部大型大学医疗中心消毒剂实践的协议变更。该研究的主要兴趣是比较两种 body 清洁方法。第一种方法仅在 1983 年 1 月至 1984 年 6 月期间使用，包括常规沐浴护理方法（初始表面去污 10% povidone-iodine，然后定期用 Dial 肥皂沐浴）。从 1984 年 6 月到 1985 年 12 月研究期结束，body 最初使用 4% 葡萄糖酸氯己定进行清洁。 Eighty-four组患者接受新型沐浴液洗必泰，对照组70例患者接受常规沐浴护理聚维酮碘。数据集中包含一个协变量，用于测量燃烧的总表面积。 数据是（燃烧）。我想测试： 1- 两组生存功能的任何差异。 2- 根据烧伤总面积调整的两组生存函数的任何差异。
library(KMsurv)
data()
data(burn)
burn
library(survival)
我知道要使用的函数是coxph()，但我不确定我应该测试哪些组（根据以上信息）。他们是T1和D2吗？
所以对于 1，Coxfit1<-coxph(Surv(T1,D2)~group, data = burn)？
对于 2，Coxfit2<-coxph(Surv(T1,D2)~Z4, data = burn)?
这段代码在做什么？
for(i in 1:154){
if (burn$??[i]==2)
burn$Z1[i]<-1
else burn$Z1[i]<-0
}
for(i in 1:154){
if (burn$??[i]==3)
burn$Z2[i]<-1
else burn$Z2[i]<-0
}
??burn告诉你变量的含义； Z1和Z4好像是你要的:
此数据框包含以下列：
观察 观察数
Z1 治疗：0-常规沐浴 1-Body清洁
Z2 性别（0=男 1=女）
Z3 种族：0=非白人 1=白人
Z4 燃烧总表面积的百分比
Z5 烧伤部位指示器：头 1=是，0=否
Z6 烧伤部位指标：臀部 1=是，0=否
Z7 燃烧部位指示器：trunk 1=yes, 0=no
Z8 烧伤部位指示器：大腿 1=是，0=否
Z9 烧伤部位指示器：小腿 1=是，0=否
Z10 烧伤部位指标：呼吸道 1=是，0=否
Z11 烧伤类型：1=化学，2=烫伤，3=电，4=火焰
T1 切除时间或学习时间
D1 切除指标：1=是 0=否
T2 预防性抗生素治疗时间或学习时间
D2 预防性抗生素治疗：1=是 0=否
T3 金黄色葡萄球菌感染时间或学习时间
D3 金黄色葡萄球菌感染：1=是 0=否
来源 Klein 和 Moeschberger (1997) 删失和截断数据的生存分析技术，施普林格。一田等人。状态。医学。 12 (1993): 301-310.
编辑： 在您的情况下，常规沐浴和 body 清洁 (Z1) 之间存在显着差异，但在单变量分析中烧伤总表面积百分比 (Z4) 并不显着。
library(KMsurv)
library(survival)
library(survminer)
#> Loading required package: ggplot2
#> Loading required package: ggpubr
#> Loading required package: magrittr
data(burn)
## Univariate Cox regression analysis to see whether Z1 and Z4 are significant:
res.cox <- coxph(Surv(T1, D1) ~ Z1, data = burn)
summary(res.cox)
#> Call:
#> coxph(formula = Surv(T1, D1) ~ Z1, data = burn)
#>
#> n= 154, number of events= 99
#>
#> coef exp(coef) se(coef) z Pr(>|z|)
#> Z1 0.5504 1.7339 0.2072 2.656 0.0079 **
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#>
#> exp(coef) exp(-coef) lower .95 upper .95
#> Z1 1.734 0.5767 1.155 2.602
#>
#> Concordance= 0.599 (se = 0.027 )
#> Likelihood ratio test= 7.24 on 1 df, p=0.007
#> Wald test = 7.06 on 1 df, p=0.008
#> Score (logrank) test = 7.23 on 1 df, p=0.007
ggsurvplot(surv_fit(Surv(T1, D1) ~ Z1, data = burn), data = burn,
conf.int = TRUE, pval = TRUE)
res.cox <- coxph(Surv(T1, D1) ~ Z4, data = burn)
summary(res.cox)
#> Call:
#> coxph(formula = Surv(T1, D1) ~ Z4, data = burn)
#>
#> n= 154, number of events= 99
#>
#> coef exp(coef) se(coef) z Pr(>|z|)
#> Z4 -0.005108 0.994905 0.005408 -0.945 0.345
#>
#> exp(coef) exp(-coef) lower .95 upper .95
#> Z4 0.9949 1.005 0.9844 1.006
#>
#> Concordance= 0.529 (se = 0.034 )
#> Likelihood ratio test= 0.94 on 1 df, p=0.3
#> Wald test = 0.89 on 1 df, p=0.3
#> Score (logrank) test = 0.89 on 1 df, p=0.3
## Multivariate Cox regression analysis to see whether Z1 and Z4 remain significant
## here, univariate Z4 was n.s., so not that relevant...
res.cox <- coxph(Surv(T1, D1) ~ Z1 + Z4, data = burn)
summary(res.cox)
#> Call:
#> coxph(formula = Surv(T1, D1) ~ Z1 + Z4, data = burn)
#>
#> n= 154, number of events= 99
#>
#> coef exp(coef) se(coef) z Pr(>|z|)
#> Z1 0.534232 1.706138 0.208651 2.560 0.0105 *
#> Z4 -0.003458 0.996548 0.005435 -0.636 0.5246
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#>
#> exp(coef) exp(-coef) lower .95 upper .95
#> Z1 1.7061 0.5861 1.133 2.568
#> Z4 0.9965 1.0035 0.986 1.007
#>
#> Concordance= 0.606 (se = 0.033 )
#> Likelihood ratio test= 7.66 on 2 df, p=0neither.02
#> Wald test = 7.44 on 2 df, p=0.02
#> Score (logrank) test = 7.61 on 2 df, p=0.02
对于问题 1，您想要检验 Z1 变量水平之间的生存分布*。数据集中没有名为 group 的变量。 Z1=0表示常规沐浴，Z1=1表示body清洁。您可能希望在继续之前将所有 Z 变量转换为因子（Z4 除外）。
library(survival)
library(KMsurv)
library (dplyr)
burn$Z1 <- factor(burn$Z1, label=c("Routine bathing", "Body cleansing"))
* 生存这个词需要澄清一下。大概是第一次金黄色葡萄球菌感染 (D3) 或研究时间（如果没有事件发生）的时间。时间在变量 T3 中。
执行测试的命令是：
coxph(Surv(T3,D3) ~ Z1, data=burn)
coef exp(coef) se(coef) z p
Z1Body cleansing -0.5614 0.5704 0.2934 -1.914 0.0557
对于问题 2，Z4 包含燃烧总表面积的百分比，即要调整的变量。
coxph(Surv(T3,D3)~Z1+Z4, data=burn)
coef exp(coef) se(coef) z p
Z1Body cleansing -0.524764 0.591695 0.295769 -1.774 0.076
Z4 0.007248 1.007275 0.007145 1.015 0.310
因此，接受常规沐浴和 body 清洁的人在第一次感染之前的时间似乎没有差异。