Comment obtenir des prédictions en termes de temps de survie à partir d'un modèle Cox PH?

14

Je souhaite développer un modèle de prédiction (Cox PH) pour la mortalité toutes causes confondues dans un ensemble de données de participants dont (presque) tous sont décédés à la fin du suivi (par exemple 1 an).

Au lieu de prédire le risque absolu de mourir à un certain moment, je voudrais prédire le temps de survie (en mois) pour chaque individu.

Est-il possible d'obtenir de telles prédictions dans R (par exemple à partir d'un objet coxph) et, si oui, comment puis-je faire cela?

Merci d'avance!

Rob
la source

Réponses:

14

Le modèle Cox Proportional Hazards ne modélise pas le danger sous-jacent, ce dont vous auriez besoin pour prédire le temps de survie comme ça - c'est à la fois la grande force du modèle et l'un de ses principaux inconvénients.

Si vous êtes particulièrement intéressé à obtenir des estimations de la probabilité de survie à des moments particuliers, je vous dirigerais vers des modèles de survie paramétriques (également appelés modèles de temps de défaillance accélérés). Ceux-ci sont implémentés dans le survivalpackage pour R, et vous donneront des distributions de temps de survie paramétriques, dans lesquelles vous pouvez simplement brancher l'heure qui vous intéresse et récupérer une probabilité de survie.

Fomite
la source
3
Merci pour votre réponse. Je ne suis pas particulièrement intéressé à obtenir des estimations de la probabilité de survie à un moment donné, mais plutôt à la durée de survie prévue pour chaque individu. Ainsi, au lieu, par exemple, "la probabilité de survie à 1 an est de 10%", je voudrais obtenir des prédictions comme "la durée de survie prévue de cet individu est de 10 mois". Est-il possible d'obtenir de telles prédictions à partir d'un modèle Cox PH ou AFT?
Rob
4
@Rob Je pense que cela ne fonctionne toujours pas dans un modèle Cox PH. C'est parfaitement faisable avec un modèle AFT, bien que la complexité du retour d'une estimation dépendra probablement du nombre de covariables dont vous disposez.
Fomite
3
Merci, je vais examiner les modèles AFT. J'ai lu sur la prédiction des temps de survie individuels, mais il semble "que la survie humaine est si incertaine que même la meilleure analyse statistique ne peut pas fournir des prédictions à un seul chiffre d'utilisation réelle pour des patients individuels." ( lien ) ..
Rob
4
@Rob C'est exact - toutes ces techniques parlent des tendances des populations . Tenter la prédiction précise d'une personne donnée est quelque chose d'une cause perdue, et vraiment pas une utilisation appropriée de l'outil.
Fomite
2
Compte tenu de la littérature disponible que j'ai trouvée, je pense que vous avez raison en ce qui concerne la prévision des temps de survie individuels. Cependant, les modèles Cox et AFT sont certainement des outils appropriés pour prédire les risques absolus individuels à certains moments (par exemple, voir les livres de Harrell et Steyerberg ).
Rob
2

@statBeginner Oui, ce sera le cas. Cela nécessite deux étapes:

x <- survfit(cox.ph.model, newdata = dataset)
dataset$Results <- summary(x)$table[,"median"]

mais je ne sais pas si le temps médian de survie est suffisamment précis.

akshay
la source
Je suis d'accord avec @akshay que le temps de survie médian, bien qu'utile, peut ne pas être approprié pour des cas individuels, surtout si l'on prévoit un temps pour l'événement. Les temps de survie individuels peuvent être incroyablement hétérogènes, je vous conseille donc de faire preuve de prudence en utilisant tout temps de survie médian pour la prédiction.
Seanosapien
2

Bien que je sois d'accord avec ces points, la survie médiane EST cliniquement utile.

Vous pourriez être intéressé par notre travail (et d'autres) sur l'utilisation de la médiane comme base pour les intervalles de survie - nous pensons que ceux-ci sont plus utiles.

https://academic.oup.com/annonc/article/25/10/2014/2801274

Matt Williams
la source
La survie moyenne peut ne pas toujours exister mais la médiane existe toujours.
Michael R. Chernick