生存20130925重点分析.pptVIP

三、因素筛选与最优模型的建立 变量筛选方法 向前引入法（前进法）Forward 向后剔除法（后退法）Backward 逐步引入-剔除法（逐步法）Stepwise 检验水准 初步的、探索性的研究，或变量数较少时，可取0.10。 设计严谨的、证实性的研究，或变量数较多时，可取0.05或0.01 。 检验水准包括引入的检验水准和剔除的检验水准。一般地，剔除α≥引入α。 分析结果（结果解释） 与生存相关的因素 因素作用大小及方向：保护因素还是危险因素、相对危险度的大小。 因素作用大小排序：标准化回归系数的绝对值。 分析结果（结果解释） 个体的预后指数及预后分组： 预后指数（prognostic index，PI） = 预后指数越小，预后越好； 预后指数越大，预后越差。 分析结果（结果解释） 例如： 传统治疗方式，淋巴结转移，PI＝2.6929 传统治疗方式，淋巴结无转移，PI＝1.7616 新治疗方式，淋巴结转移，PI＝0.9313 新治疗方式，淋巴结无转移，PI＝0 据PI的大小可将病人分为不同的危险组，常见分三组（即低危组、中危组、高危组）或五组。绘制分组的生存曲线，直观比较各危险组的生存情况，如中位生存期、t年生存率等。 六、Cox模型的注意事项及应用范围 （一）注意事项 设计阶段应注意的问题 模型配合时应注意的问题 应用条件：除生存资料的基本要求外，还要求因素对生存时间的作用不随时间变化（比例风险假定）。如观察年限超过10年时，癌症手术后放疗的治疗作用可能逐渐消失，从而不满足这一要求。 因素分析时应注意的问题 筛选变量时，考虑该指标是否容易收集、是否费用较高等临床因素。 对连续变量，看其分布，如服从偏态分布，一般进行对数变换后参与计算。 选入模型的变量是统计学上的有关变量，不一定都与生存时间有因果关系。其中某些变量可能只是伴随关系而已，未选入模型的变量不一定全是无关变量，要考虑是否模型内的某些变量代替了它的作用，或因例数不够，或试验中对该变量进行了控制而引起。 检查可能的交互作用项是否显著（方法：一次引入一个交互作用项，看其对应的回归系数是否为0）。 模型拟合优度考察：据预后指数PI分组，比较各组基于Cox模型的生存曲线与基于kaplan-Meier法估计的生存曲线，如两组曲线吻合较好，表明Cox模型拟合较好。 生存率分析：生存曲线不能随意延长，也不能轻易用于预测预报，经过大量研究所得的生存曲线才有可能推广应用。 （二）适用范围 因素分析 logistic回归模型可以作多因素分析，并可进行 相对危险度估计，但不考虑生存时间的长短， 不能处理随访中常见的截尾数据。Cox比例风 险回归模型具有logistic回归模型的所有优点； 同时考虑生存结局和生存时间的长短，可处理 截尾数据；且不考虑基准风险的分布。 生存预测 强调设计的重要性 专业知识角度：选择疾病种类、终点事件、影响因素及结果的专业解释等。 统计学角度：样本例数、因素的赋值、生存时间准确到天数、因素筛选方法、结果的统计学解释等。 小结（论文报告中应写明） 1．材料与方法 病例来源、起始事件、终点事件、观察终止时间、截尾情况、随访结果的获得方法，样本含量、截尾例数及百分比(%)。 建立数据库方法 统计学处理方法 Kaplan-Meier法估计生存率 log-rank检验进行组间生存率比较 Cox模型进行多因素分析 2．结果 估计：Kaplan-Meier生存率及生存曲线。 比较：log-rank检验卡方值及其P值。 因素分析及预测： 变量赋值(数量化方法)表 变量统计描述： 各组病例数和构成比（分类变量） 均数和标准差（数值变量） 变量筛选方法及检验水准 Cox回归结果及统计解释 Cox回归与多元线性回归、logistic回归的比较 多元线性回归 logistic回归 Cox回归 数据类型 Y数值变量 Y分类变量 Y二分类变量+时间 X数值变量、分类变量、等级变量 模型结构 变量筛选 前进法；后退法；逐步法 参数估计 最小二乘法 最大似然法 最大似然法 参数检验 F-test t-test 似然比检验 Wald检验 score检验 似然比检验 Wald检验 score检验 参数解释 回归系数b 优势比OR RR 样本含量 至少变量数的10倍 至少变量数的20倍 非截尾例数至少变量数的10倍 应用 因素分析 预测预报 Y 因素分析 预测、判别P(Y＝1) 因素分析 生存预测 S(t) 案例分析 某研究者观察了确诊后采取同样方案进行化疗 的26例急性混合型白血病患者，欲了解某种不 良染色体是否会影响患