《癌症》ppt课件.pptxVIP

癌症临床试验数据研究 王云云 20160602053 目录： 研究目的 数据介绍 描述性分析 模型分析：加速失效模型 COX等比例模型 1、研究目的 研究120个参与某临床试验的癌症病例，发现相关影响因素，并对比评估某新治疗方案的疗效（同标准治疗方案对比） 2、数据介绍 随机抽取某临床试验的120个病人 因变量（Y）：该病人的生存时间（以天计） 同时数据还提供试验结束时病人的生存状态(C) 但生存的病人的真实生存时间(Z)未知，因此他们被记录的生存时间是被截断的 解释变量：治疗方案（X1）:标准方案，新方案 癌细胞类型（X2）：A,B,C,D 临床打分（X3） 年龄（X4） 变量处理： 1、对于试验结束时病人的生存状态（C），观察到的生存时（Y）， 真实生存时间（Z），有如下关系： C=0，仍然存活，则Z=Y; C=1，已经死亡，则Z=Y 所以Z是一个被截断的数据 2、对于定性的解释变量，我们设定： X1=0，标准方案；X1=1，新方案 X2=1，A；X2=2，B；X2=3，C；X2=4，D 3、描述性分析 首先，本数据总样本量为120，其中113位病人在观测期间内死亡，而剩下的7位病人的真实生存时间被截断，截断比例为5.83%，整个样本的生存数据如图： 从中可以看出，以中位数计，癌症病人的生存时间为100天左右，即3个月左右，这说明，我们的医疗方案对癌症病人的医治并不是很有效，需要进一步的改善和创新。 接下来，我们尝试按照各个解释变量分组，然后重新计算生存函数，并作对比分析 1、考虑因素X1（治疗方案）分组的生存函数：0—标准方案；1—新方案 从中可以看出，对于生存时间比较短（约150天以内）的病人，采用标准方案和新方案的病人生存时间差别很小，而对于存活时间较长（大于150天）的病人，采用新方案病人的生存时间明显高于采用标准方案的。所以，我们初步认为：新方案对于癌症早中期的病人更为有效，而对于晚期的病人并不是很有效 2、考虑因素X2（癌细胞类型）分组的生存函数：A，B，C，D 从中可以看出，对于存活时间比较短的癌症患者（晚期），A、D类的差别并不明显，但他们存活时间明显高于A、B类；而对于存活时间比较久的患者，不同癌细胞类型的病人生存时间差距较大，其存活时间由多到少一次是：A—D—B—C；因此，我们初步认为：A类癌细胞更容易被控制，而C类则很难被有效的控制。 3、考虑因素X3（临床打分）分组的生存函数： 因为是连续型数据，我们通过对其进行大致的分组来进行讨论， M1=1，如果 -50X3=-20； M1=2，如果 -20X3=20； M1=3，如果 20X3=50； 从中可以看出，临床打分与癌症病人的生存时间之间有着很明显的正相关关系，即打分越高的患者，其生存时间越长。图中很明显：打分在20~50之间的，生存时间最久，-50~-20之间的，生存时间最短，而在-20~20之间的，出于两者之间。 3、考虑因素X4（年龄）分组的生存函数：连续数据，所以我们 照类似的方法对其进行分组后进行讨论 M2=1，如果 20X4=30； M2=2，如果 30X4=40； M2=3，如果 40X4=50； M2=3，如果 40X4=50； 从中可以看出，我们有四个分组，但最终得到的分组生存函数图中只有3条函数图，这是因为年龄出于20~30之间的只有2个样本，不能反应出函数关系，因为我们所得的数据为随机抽样数据，所以我们认为年龄处于这个区域的人患癌症的概率很低；而对于其他3个分组的生存函数图，我们可以看出，对于存活时间很短的患者，三个年龄段差别并不大，而对于存活时间越长的患者，年龄处于40~50之间的生存时间最长，30~40之间的次之，而处于50~60之间的最短。 通过先前对数据简单的描述性分析，我们对各自变量与生存时间之间的相关关系有了初步的了解，但如果要更明确的分析他们之间的具体关系，我们需要建立相应的数学模型，这里，根据数据特征，我们将选用生存回归来进行模型拟合。 4、模型分析 首先通过加速失效模型进行分析 1、全模型分析结果 从全模型的分析结果可以看出，解释变量X1（治疗方案）、X4（年龄）并未通过显著性检验，所以这样得到的模型并非最优模型。 2、根据AIC准则搜索最优模型： 根据AIC准则所得到的最优模型，可以看出，它剔除了变量X1、X4，所以剩余的相关解释变量只有X2（癌细胞类型）、X3（临床打分）与因变量相关；对于X2（癌细胞类型）