卵巢癌评分标准--培训课件.ppt

生存率拟合效果的比较 从上面结果可以看出，CART-COX方法的表现比较稳定，三组里的拟合效果都比直接回归好。 两步回归法在低危组中表现最为突出，而在高危组中效果较差。 * 生存率预测效果的比较 方法 低危组 中危组 高危组 均值 标准差 均值 标准差 均值 标准差 直接回归 0.05790 0.02134 0.05122 0.02287 0.04445 0.01751 CART-COX方法 0.05981 0.01978 0.04672 0.01982 0.04438 0.01879 两步回归 0.06251 0.02407 0.05086 0.02267 0.04479 0.01811 可以看到，对于这组卵巢癌数据，预测方面CART-COX方法比直接回归、两步回归法效果都要好一些。 中危组里两步回归法比直接回归好，其它两组中的表现要差一些。 * 总结 在处理协变量是分类变量的数据时，一般首先要引入哑变量。当这些哑变量存在共线性导致参数估计失真，逐步回归等传统的方法无法解决时，可以考虑本文所尝试的两种方法。 两步回归法对处理小样本高删失率的情况比直接回归更加有效，但是对于参数估计的无偏性有一定影响。 从这组卵巢癌数据来看，两步法拟合及预测生存率的效果都不如CART-COX方法。实际上，由于CART可以弥补传统Cox模型很多缺憾，与其相比，CART-COX方法优势很多 * CART-COX方法优势1 解决协变量共线性： 这是我们尝试CART-COX方法的最初目的。 对于这组卵巢癌数据，在拟合及预测方面，CART-COX方法比直接回归的效果要好一些。 当备选协变量数目特别庞大时，我们认为它的优势会更加明显。 * CART-COX方法优势2 改善风险率与协变量的非线性关系： Cox模型要求风险率与协变量线性相关，当这种假定不成立时，Cox模型失效。 由于CART可以解释变量间复杂的非线性关系，所以如果选用协变量与风险率线性关系的改善程度作为最优子树的选取准则，CART-COX方法可在某种程度上改善这种情况。 实际上，由于CART不依赖于许多不符现实的假设，很多时候都可以通过它重新定义变量，从而符合第二阶段模型的假设要求。 * CART-COX方法优势3 新定义的风险因素解释性强：CART的结果有明确的实际意义，容易解释。 CART-COX方法中最优子树一般会比普通的CART小，所以CART-COX方法解释性更强。 从这个角度讲，它比通过主成分回归，因子分析来减少变量个数更具优势。 * 谢谢！ * * * 哑变量多因素Cox模型直接回归结果 因素 分层 系数 危险比率 P值 年龄 I 0 1 . II 0.06901 1.071 0.5600 III 0.21991 1.246 0.1076 临床分期 I 0 1 . II 0.78693 2.197 0.0001 III 0.80860 2.245 0.0001 化疗 I 0 1 . II 0.41781 1.519 0.0001 病理分级 I 0 1 . II -0.02428 0.976 0.8422 III 0.19652 1.217 0.0783 残余灶直径 I 0 1 . II 0.27126 1.312 0.0144 III 0.27649 1.318 0.0397 * 哑变量多因素Cox模型直接回归 可以看到，若取检验水平为0.1，这9个变量中有2个不显著，即年龄的第二层、分级的第二层，并且分级第二层的系数为负。 单变量回归时，各个变量回归系数都是显著而且保序的，而多变量回归却出现这种不合理现象 这很可能是由变量间的共线性导致。 一般地，逐步回归可以解决共线性，但此时的协变量是几组特殊的哑变量，即需要一组哑变量来表示一个风险因素，我们不能简单地删除某个不显著的哑变量。 * 哑变量多因素Cox模型逐步回归结果 下表是取置信水平为0.1，逐步回归得到的结果，变量的陈列顺序是它们被选入模型的先后顺序。 因素 分层 系数 危险比率 P值 临床分期 I 0 1 . II 0.96258 2.618 0.0001 III 0.98877 2.688 0.0001 化疗 I 0 1 . II 0.42951 1.536 0.0001 病理分级 I 0 1 . III 0.22551 1.253 0.0021 年龄 I 0 1 . III 0.15883 1.172 0.0736 * 哑变量多因素Cox模型逐步回归结果 分级和年龄都只入选了一层，我们无法解释这个结果的实际临床意义。这使得我们需要考虑其它方法来解决这个问题 解决这个问题一个很自然的想法是用有实际意义的数值来标记风险因素的不同水平