Comment interpréter Exp (B) dans la régression de Cox?

Je suis un étudiant en médecine qui essaie de comprendre les statistiques (!) - alors s'il vous plaît soyez doux! ;)

J'écris un essai contenant une bonne quantité d'analyses statistiques, y compris l'analyse de survie (Kaplan-Meier, Log-Rank et régression de Cox).

J'ai effectué une régression de Cox sur mes données en essayant de savoir si je peux trouver une différence significative entre les décès de patients dans deux groupes (patients à haut risque ou à faible risque).

J'ai ajouté plusieurs covariables à la régression de Cox pour contrôler leur influence.

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

J'ai retiré l'occlusion artérielle de la liste des covariables parce que son ES était extrêmement élevé (976). Toutes les autres SE se situent entre 0,064 et 1 118. Voici ce que j'obtiens:

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

Je sais que le risque n'est significatif qu'à 0,058. Mais à part ça, comment interpréter la valeur Exp (B)? J'ai lu un article sur la régression logistique (qui est quelque peu similaire à la régression de Cox?) Où la valeur Exp (B) a été interprétée comme: "Être dans le groupe à haut risque comprend une augmentation de 8 fois de la possibilité du résultat", qui dans ce cas, c'est la mort. Puis-je dire que mes patients à haut risque sont 8 fois plus susceptibles de mourir plus tôt que ... quoi?

Aidez-moi, s'il vous plaît! ;)

Soit dit en passant, j'utilise SPSS 18 pour exécuter l'analyse.

D'une manière générale, $\exp(\hat\beta_1)$ est le rapport des risques entre deux individus dont les valeurs de $x_1$ diffèrent d'une unité lorsque toutes les autres variables sont constantes en attente. Le parallèle avec d'autres modèles linéaires est que dans la régression de Cox, la fonction de risque est modélisée comme $h(t)=h_0(t)\exp(\beta'x)$ , où $h_0(t)$ est le risque de base. Cela équivaut à dire que $\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$ . Ensuite, une augmentation unitaire de$x_i$ est associée à$\beta_i$ augmentation de β i du log log rate. Le coefficient de régression permet ainsi pour quantifier le log du danger dans le groupe de traitement (par rapport au groupe contrôle ou placebo), en tenant compte des covariables incluses dans le modèle; il est interprété comme un risque relatif (en supposant qu'il n'y ait pas de coefficients variant dans le temps).

Dans le cas de la régression logistique, le coefficient de régression reflète le logarithme du rapport de cotes , d'où l'interprétation comme une multiplication par k du risque. Alors oui, l'interprétation des ratios de risque partage une certaine ressemblance avec l'interprétation des rapports de cotes.

Assurez-vous de consulter le site Web de Dave Garson où il y a du bon matériel sur Cox Regression avec SPSS.

Je ne suis pas un statisticien, mais un MD, essayant de trier les choses dans le monde des statistiques.

$\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$

$\exp(B) > 1$$\exp(B) = 1.259$

$\exp(B) = 1$$\exp(B)$

D'après votre analyse, il semble qu'aucune de vos variables ne soit un prédicteur significatif (à un niveau de signe de 5%) de votre critère d'évaluation, bien qu'être un patient «à haut risque» soit d'une importance limite.

La lecture du livre " Manuel de survie SPSS ", par Julie Pallant vous éclairera probablement davantage sur ce (et plus) sujet (s).