如何找到生存分析的最佳分类？
How do I find the best categorization for survival analysis?
我有一个关于生存分析的问题。但是，我有以下数据（只是摘录）：
现在我正在尝试使用 Python 生命线包进行生存分析。例如，我想了解 T 细胞是否会影响总体存活率 (OS)。但据我所知，我需要对不同类别的 T 细胞数量进行分类，例如高 T 细胞和低 T 细胞……对吗？但是我如何找到最合适的 Cut-Out？
我的计划是表明，具有高 T 细胞的肿瘤比低 T 细胞具有更好的存活率。但是我怎样才能从我这里的数据中找到区分高 T 细胞和低 T 细胞的最佳截止值。
有人有想法吗？我的一个朋友说了一些关于“ROC”的分析，但我现在真的很困惑......如果有任何帮助，我会很高兴！
连续变量到分类变量的转换远非显而易见。第一种方法可以基于 现有文献 ，尤其是 medicine/biology。对现有文献的回顾可能足以创建这些 类。另一种方法可以基于 T 细胞变量的经验分布，有时会突出“明显”的分类。使用 ROC 曲线可能是个好主意，但不知何故我认为没有必要。在 Kaplan-Meier 类型的生存分析中对您的变量进行分类是必要的，但如果您使用 Cox 模型，则无需对该变量进行分类。所以我建议你转向 Cox 回归来进行你的生存分析。 Cox 回归允许您在建模中添加多个预测变量以及交互项，这样更方便。
我有一个关于生存分析的问题。但是，我有以下数据（只是摘录）：
现在我正在尝试使用 Python 生命线包进行生存分析。例如，我想了解 T 细胞是否会影响总体存活率 (OS)。但据我所知，我需要对不同类别的 T 细胞数量进行分类，例如高 T 细胞和低 T 细胞……对吗？但是我如何找到最合适的 Cut-Out？ 我的计划是表明，具有高 T 细胞的肿瘤比低 T 细胞具有更好的存活率。但是我怎样才能从我这里的数据中找到区分高 T 细胞和低 T 细胞的最佳截止值。
有人有想法吗？我的一个朋友说了一些关于“ROC”的分析，但我现在真的很困惑......如果有任何帮助，我会很高兴！
连续变量到分类变量的转换远非显而易见。第一种方法可以基于 现有文献 ，尤其是 medicine/biology。对现有文献的回顾可能足以创建这些 类。另一种方法可以基于 T 细胞变量的经验分布，有时会突出“明显”的分类。使用 ROC 曲线可能是个好主意，但不知何故我认为没有必要。在 Kaplan-Meier 类型的生存分析中对您的变量进行分类是必要的，但如果您使用 Cox 模型，则无需对该变量进行分类。所以我建议你转向 Cox 回归来进行你的生存分析。 Cox 回归允许您在建模中添加多个预测变量以及交互项，这样更方便。