Cox 回归 HR 分组

Question

我想对以下问题进行 Cox 回归：一组患者是否接受“药物”治疗 (0 / 1)。我的时间变量“时间”告诉我观察患者的天数以及患者存活或死亡的“状态”（死亡 = 1，存活 = 0）。

library(survival)

set.seed(123)

df <- data.frame(time = round(runif(100, min = 1, max = 70)), 
                 status = round(runif(100, min = 0, max = 1)),
                 drug = round(runif(100, min = 0, max = 1)),
                 age40 = round(runif(100, min = 0, max = 1)), 
                 stringsAsFactors = FALSE)

object <- Surv(df$time, df$status)
model <- coxph(object ~ drug, data = df)
summary(model)

这对我来说效果很好，告诉我 HR 是 0.89，所以药物可以防止患者死亡。

现在我想做一些亚组分析，f.e。如果患者 <= 40 岁或 > 40 岁（40 岁：0 对 1），HR 如何变化。

我需要做的就是将变量“age40”包含到 coxph 中吗？

object2 <- Surv(df$time, df$status)
model2 <- coxph(object2 ~ drug + age40, data = df)
summary(model2)

如果我这样做，我在 drug1 摘要中的 HR 会略微变为 0.86，我会得到另一个 age40 (1.12)。

现在我的问题是：如果患者 <= 40 岁或 > 40 岁，在接受治疗（药物 = 1）时死亡的风险比如何。

编辑：另一个问题是在森林图中以图形方式显示药物对状态影响的不同 HRs、f.e。像这样：https://rpkgs.datanovia.com/survminer/reference/ggforest-2.png。我想显示 Age40 = 0 vs. 1 和其他变量的 HR，而不是“性”、“rx”、“坚持”等，例如高血压 = 0 vs. 1，吸烟者 = 0 vs. 1。

谢谢！

Answer 1

使用参数 strata.

coxph(object ~ drug + strata(age40), data = df)

Answer 2

您需要使用的函数是 model2 上的 predict，并且需要为其提供一个新数据参数，其中包含您要考虑的所有情况：

exp( predict(model2, newdata=expand.grid(drug=c(0,1), age40=c(0,1))) )
#        1         2         3         4 
#1.0000000 0.8564951 1.1268713 0.9651598

您现在已经掌握了所有 4 种药物和年龄 40 可能组合的情况。基本案例具有统一值，因为您正在从 {drug=0, age40=0} 的基线案例中估算风险比率您可以看到其他风险比率与什么相关

expand.grid(drug=c(0,1), age40=c(0,1))
  drug age40
1    0     0
2    1     0
3    0     1
4    1     1

请注意，drug=0 与 drug=1 的比例对于单独考虑的每个年龄类别都是相同的。如果您想查看药物对两个年龄组的影响是否不同，您会使用交互模型：

model3 <- coxph(object2 ~ drug * age40, data = df)
summary(model3)
#----------------
Call:
coxph(formula = object2 ~ drug * age40, data = df)

  n= 100, number of events= 50 

               coef exp(coef) se(coef)      z Pr(>|z|)
drug       -0.18524   0.83091  0.45415 -0.408    0.683
age40       0.09611   1.10089  0.39560  0.243    0.808
drug:age40  0.05679   1.05843  0.63094  0.090    0.928

           exp(coef) exp(-coef) lower .95 upper .95
drug          0.8309     1.2035    0.3412     2.024
age40         1.1009     0.9084    0.5070     2.390
drug:age40    1.0584     0.9448    0.3073     3.645

Concordance= 0.528  (se = 0.042 )
Likelihood ratio test= 0.34  on 3 df,   p=1
Wald test            = 0.33  on 3 df,   p=1
Score (logrank) test = 0.33  on 3 df,   p=1

现在效果估计有点不同：

 exp( predict(model3, newdata=expand.grid(drug=c(0,1), age40=c(0,1))) )
#        1         2         3         4 
#1.0000000 0.8309089 1.1008850 0.9681861

Cox 回归 HR 分组

Cox regression HR grouping

r

cox-regression