《医学生存分析》PPT课件.pptVIP

2021/6/30 2021/6/30 一、cox回归模型简介 2021/6/30 1、模 型 结 构 即Cox回归，它的一般形式是： λ(t) = [λ0(t)] ? e( β1*x1+ β2*x2+….+ βm*xm ) = [λ0(t)] ? exp(β1*x1+ β2*x2+….+ βm*xm) 2021/6/30 λ(t)表示t时刻暴露于各危险因素（x1，x2，….xm）状态下的风险函数。λ0(t)为基线风险函数，表示所有的危险因素状态都为0情况下的风险函数。 λ(t) / λ0(t) = exp( β1*x1+ β2*x2+….+ βm*xm ) 即： ln [λ(t) / λ0(t)] = β1*x1+ β2*x2+….+βm*xm 将cox回归与线性回归、logistic回归做一比较。 2021/6/30 λ0(t)的形式不限，使模型的适用范围如同非参数法那么广；模型中含有参数β，又使得其统计效率接近参数模型。（但参数β就不能用传统的方法进行估计和检验） ∴ 模型中含有参数β ，但基线风险函数λ0(t)不要求服从特定分布形式，具有非参数的特点,故Cox回归又称为半参数模型。 2021/6/30 英国生物统计学家D.R.Cox于1972年建立了条件死亡概率和偏似然函数方法，解决了参数β的估计和检验问题。故，该统计分析方法称为Cox模型。 2021/6/30 2、参数的统计学意义 假设只有一个X危险因素，0为“不暴露”，1为“暴露”，模型形式为： λ(t) = λ0(t) ? exp(β*x) X=1时的风险函数为：λ1(t)=λ0(t)? exp(β*1) X=0时的风险函数为：λ2(t)=λ0(t)? exp(β*0) λ1(t)、λ2(t)分别表示暴露于危险因素的两种不同状态下发病的风险函数。 2021/6/30 暴露于危险因素的两种不同状态下发病的风险比即为相对危险度RR。 RR=λ1(t) / λ2(t) = [λ0(t) ? exp(β*1) ] / [λ0(t) ? exp(β*0) ] = exp(β*1) / exp(β*0) = exp（β） RR表示暴露组与非暴露组的风险函数之比，即：暴露组发病的风险是非暴露组的RR倍。 回归系数β的流行病学含义是0、1协变量X的相对危险度的自然对数。 2021/6/30 如果X为连续性变量——年龄（岁），则λ1(t)、λ2(t)分别表示k岁、k+1岁的两种不同状态下发病的风险函数。 RR = λ1(t) / λ2(t) =[λ0(t)?exp(β*（k+1）)]/[λ0(t) ? exp(β*k) ] = exp(β*（k+1） / exp(β*k) = exp（β） β：X每增加一个单位时其相对危险度的自然对数值。 RR表示某危险因素（或协变量）改变一个测量单位时风险函数改变多少倍。 2021/6/30 当β＞0，说明相应协变量值的增加将增大所研究事件发生的可能性； 当β＜0，相应协变量值的增加将减少所研究事件发生的可能性； 当β= 0，相应协变量与所研究事件的发生无关。 2021/6/30 3、模型假设 满足比例风险（proportional hazards）假定，简称PH假定。即：相对危险度RR或风险比保持一个恒定的比例，与时间t无关。 2021/6/30 Cox回归无须对λ0(t)的形式作任何限制，因为不影响各危险因素相对危险度的估计，而相对危险度正是多因素分析时最关注的问题。 ∴ cox模型巧妙地将非参数[λ0(t)]部分与参数（回归系数β）的概念结合起来，这种灵活性使得它在生存分析的应用中备受青睐。 2021/6/30 比值比OR可以作为相对危险度RR的估计值。 2021/6/30 比例风险假设的检验： 可分组（若为0、1两组）做二次对数生存率图（Log minus Log，LML），进行目测判断，若两条曲线有交叉或间距变动大，则提示风险比随时间而改变，不具备cox比例风险模型的适用性；反之，则资料适宜用cox比例风险模型。 2021/6/30 2021/6/30 4、协变量的筛选策略 与其他回归模型类似，如果协变量个数较多，则通常采用逐步法。 2021/6/30 可采用SPSS软件中生存分析方法计算出生存率大小，并画出生存函数图（或生存率曲线）直接观察。 2021/6/30 2021/6/30 2021/6/30 2、半数生存时间(median survival time) 又称中位生存时间，表示累积生存概率（生存率）为50%的时候所对应的生存时间；为中位数指标，因为生存时间的分布是偏态的。 在分析结果中给出中位生存时间； 从生存曲线图中也能估计出相同结果。