加速故障时间建模：使用 CI-s 绘制生存概率（提供示例）

Question

由于我的真实数据违反了比例风险假设，我正在使用 AFT 模型，试图为感兴趣的研究组计算调整后的生存概率。下面的例子是在 kidney data and I tried to follow ciTools vignette.

library(tidyverse)
library(ciTools)
library(here)
library(survival)
library(survminer)

#data
kidney

型号

fit1 =  survreg(Surv(time, censored) ~ sex + age + disease, data = kidney)


Call:
survreg(formula = Surv(time, censored) ~ sex + age + disease, 
    data = kidney)

Coefficients:
(Intercept)   sexfemale         age   diseaseGN   diseaseAN  diseasePKD 
 8.41830937 -0.93959839 -0.01578812 -0.25274448 -0.38306425 -0.32830433 

Scale= 1.642239 

Loglik(model)= -122.1   Loglik(intercept only)= -122.7
    Chisq= 1.33 on 5 degrees of freedom, p= 0.931 
n= 76

添加男女至少存活 365 天的存活概率

probs = ciTools::add_probs(kidney, fit1, q = 365,
                        name = c("prob", "lcb", "ucb"),
                        comparison = ">")
probs

试图绘制男女的一年生存概率，但有多个点估计 geom_point?

在我看来，这些点估计值是针对每个 age 值给出的。我可以编辑预测，使其针对平均年龄或中位年龄吗？

probs %>% ggplot(aes(x = prob, y = sex)) +
    ggtitle("1-year survival probability") +
    xlim(c(0,1)) +
    theme_bw() +
    geom_point(aes(x = prob), alpha = 0.5, colour = "red")+
    geom_linerange(aes(xmin = lcb, xmax = ucb), alpha = 0.5)

但是，这种方法似乎适用于简单的模型

fit2 =  survreg(Surv(time, censored) ~ sex, data = kidney)

probs2 = ciTools::add_probs(kidney, fit2, q = 365,
                            name = c("prob", "lcb", "ucb"),
                            comparison = ">")

probs2 %>% ggplot(aes(x = prob, y = sex)) +
    ggtitle("1-year survival probability") +
    xlim(c(0,1)) +
    theme_bw() +
    geom_point(aes(x = prob), alpha = 0.5, colour = "red")+
    geom_linerange(aes(xmin = lcb, xmax = ucb), alpha = 0.5)

问题：

如何调整男女的生存概率？或者，如果这是不可能的，那么可能的替代方案是什么？代码将有助于替代方案。
如果我想获得针对男女和不同时间点的调整生存概率，我应该在 ciTools::add_probs() 函数中编辑“q”值吗？例如：q = 30 表示一个月； q = 90 三个月等。或者我应该运行每个时间段的单独模型？

Answer 1

根据您设置这些模型的方式，将根据模型中包含的协变量值为 kidney 数据集中的每个人返回预测。

在您的第一个模型中，您包含了 sex + age + disease，这样您就可以预测数据集中这 3 个协变量值的每个组合。

在第二个模型中，您只包含 sex 作为预测变量，因此您只能得到基于性别的预测。

生存模型预测函数允许您指定一组协变量值，根据这些值在新数据框中进行预测。根据 manual for add_probs.survreg，您可以通过在函数的 df 参数中指定一个具有指定协变量值的新数据框来实现。你在那里使用了 kidney 数据框，所以你得到了所有这些情况的预测。

我不熟悉 ciTools::add_probs 具体来说，但此类软件通常会（没有警告）接受您指定的协变量的值，然后对您指定的协变量使用某种类型的“平均”值不指定。由于“平均值”对于像 disease 这样的分类协变量没有太大意义，通常最好自己为所有协变量指定一组完整有用的值。

rms package in R 中的函数通常在提供有用的预测方面做得更好，因为它们根据 datadist() 函数，然后将其输出指定为系统选项。此软件包的学习曲线有点陡峭，但如果您要进行大量生存或其他回归建模，则非常值得。

加速故障时间建模：使用 CI-s 绘制生存概率（提供示例）

Accelerated Failure Time modelling: plotting survival probabilities with CI-s (example provided)

r

cox-regression

survival-analysis

survival