Seminarium magisterskie - PowerPoint PPT Presentation

1 / 20
About This Presentation
Title:

Seminarium magisterskie

Description:

Title: PowerPoint Presentation Author: Joanna Tyrowicz Last modified by: Joanna Tyrowicz Created Date: 1/1/1601 12:00:00 AM Document presentation format – PowerPoint PPT presentation

Number of Views:98
Avg rating:3.0/5.0
Slides: 21
Provided by: Joann280
Category:

less

Transcript and Presenter's Notes

Title: Seminarium magisterskie


1
Seminarium magisterskie
  • Zajecia szóste sprawdzamy jak to jest z
    przezywaniem...

2
Na czym polega tajemnica przezycia?
  • Poczatki wszystkiego w medycynie i biologii
  • Pytanie kluczowe czy mozemy mówic o
    determinantach przezycia od t1 do t2, wiedzac, ze
    czesc pacjentów przezyla od t0 do t1?
  • Nie ma czarodziejskich rózdzek przyszlosci sie
    nie zgadnie, ale
  • Prawdopodobienstwo przezycia do chwili T, ozn.
    S(T) P(YgtT)
  • Estymujemy P(YgtT) na podstawie próby (losowosc?)
  • Czas w odcinkach (az zostaje jedna obserwacja)
  • P(przezycia do czasu T) S(T) P(YgtT) p(t1)
    p(t2) ... p(tN)

3
Techniczne tlo
  • W kazdym okresie mozna wyestymowac probit/logit
  • P(zyje w t przezylam do t-1)
  • De facto, ciag estymacji
  • p(live_tlive_t-1), p(live_t1live_t),
    p(live_t2live_t1), itp.
  • Dla kazdego ti wyznaczamy
  • ni-1 - liczbe osób w grupie ryzyka w czasie ti-1,
    czyli chwile wczesniej
  • di - liczbe jednostek, które zaginely pomiedzy
    ti-1 a ti
  • ni ni-1 di, n0N
  • Prawdopodobienstwo przezycia odcinka pomiedzy
    ti-1 a ti
  • p(ti) P(tiYgtti-1) (ni-1 di)/ni-1 1
    di/ni-1

4
Przyklad
  • Dane kliniczne
  • 20 obserwacji, 10 zgonów, 10 obserwacji
    cenzurowanych osoby zyjace w dniu zakonczenia
    obserwacji
  • Czas obserwacji (FU) liczony w miesiacach od daty
    zakonczenia leczenia

5
Estymator Kaplana Meiera
i 1 2 3 4 5 6 7 8 9 10
t 2,37 2,40 2,79 3,19 3,91 6,64 7,10 8,02 8,05 8,21
d 1 1 0 1 1 0 1 0 1 0
c 0 0 1 0 0 1 0 1 0 1
t00
t12.3655
n020
d11, c10
n1 20 1 19
S(t1) P(Ygtt1) P(t1Ygtt0)P(Ygtt0) (1-
1/20)10.95
6
Estymator Kaplana Meiera
i 14 15 16 17 18 19 20
t 11,47 11,79 15,64 15,70 19,70 21,94 24,30
d 1 0 0 1 0 1 0
c 0 1 1 0 1 0 1
S(t19)P(Ygtt19) P(t19Ygtt18)P(Ygtt18) (1-
1/2)0.3863 0.50.390.19
7
Estymator Kaplana Meiera
8
Dodatkowe utrudnienia funkcje
  • Gdy zalozyc, ze przezycie jest jakas funkcja (a
    nie tylko obrazkiem danych)
  • Konieczne zalozenie o rozkladzie
    prawdopodobienstwa przezycia
  • Wykladnicze ?(t) ? /stale wraz z próba?/
  • Weibull ?(t) ?pptp-1 /zmienne, ale jak?/
  • Gompertz-Makeham ?(t) eaßt /tez zmienne? /
  • Gamma S(t) 1 - Ik(? t) /tez zmienne? /
  • Wiele róznych.

9
Zalety i wady estymatora KM
  • Zalety
  • Intuicyjny
  • Nie potrzebuje wielu obserwacji
  • Wyliczany z danych (zawsze wyjdzie)
  • Wady
  • Nie mozliwosci warunkowania cechami
  • Nieciaglosci (jaki sens, gdy N duze)
  • Nie ma testów statystycznych, hipotez, itp.
  • Slowem narzedzie wizualizacji danych
  • Potrzeba podejscia funkcyjnego, z mozliwoscia
    testowania hipotez

10
Inne podobne estymatory
  • Estymator Nelsona-Aalena
  • Ideowo nie wnosi wiele
  • Podobnie jak KM szacowany z danych i tylko je
    odzwierciedla
  • Róznica NA startuje z tzw. funkcji ryzyka, a KM
    bezposrednio z funkcji przezycia
  • Proste modele porównujace dwie/kilka grup
  • Mantel-Haenszel
  • Cox
  • Rózne inne kombinacje nieczesto spotykane
    (czasem potrzebne)

11
Model Mantel-Haenszel
  •  

12
Funkcja ryzyka model Coxa
  • Mozna zdefiniowac
  • h(t) - funkcja ryzyka ? chwilowe
    prawdopodobienstwo zgonu w czasie t pod warunkiem
    przezycia do chwili t
  • x1, x2, ..., xk testowany zbiór czynników
    ryzyka
  • h0(t) bazowa funkcja ryzyka w grupie, t czas
    obserwacji
  • ß1, ß 2, ..., ß k wspólczynniki modelu

porównywane grupy
13
Wady i zalety modely Coxa
  • Wady
  • iloraz funkcji ryzyka STALY W CZASIE!
  • brak informacji (bezposredniej) dotyczacej h0(t)
  • Tylko bardzo proste hipotezy (czy grupy sie
    róznia)
  • Zalety
  • Graficzny test krzywe ln(-ln(S(t)) dla
    porównywanych grup
  • Model Coxa moze byc warunkowany dodatkowymi
    zmiennymi

14
Jak to zrobic w STATA? Bez survival?
  • Funkcje przezycia
  • twoway line S age
  • Funkcje ryzyka
  • gen H - log(S)
  • gen h H_n - H_n-1
  • gen logh log(h) gen agem age - 0.5 if h lt.
  • twoway line logh agem, xtitle("age")

15
Jak to dziala w STATA?
  • Generalnie dwa podejscia
  • Z danych (tzw. nieparametryczne)
  • stscox, stsgraph
  • Z zalozeniem o rozkladzie prawdopodobienstwa
    (tzw. parametryczne)
  • stsreg, stscurve
  • Najpierw trzeba zadeklarowac dane w formacie
    survival
  • Zmienna okreslajaca smierc zmienna okreslajaca
    czas
  • stset czas, failure(smierc)

16
Jak to zrobic w STATA
  • W wersji parametrycznej
  • stset czas, fail(smierc)
  • streg wszystkie_zmienne_determinujace,
    distribution(rozklad)
  • W wersji nieparametrycznej
  • sts graph /Kaplan Meier/
  • sts graph, by(group) /Kaplan Meier/
  • sts test group /Mantel-Haenszel/
  • stcox group /Cox/
  • stphtest, plot(group) /test potwierdzajacy, czy
    Cox dobry/
  • stphplot, by(treated) /graficzne potwierdzenie
    testu PH/
  • I to mniej wiecej wszystko

17
Przykladowa estymacja streg
18
Przykladowy wynik stcox
19
Przykladowy test na proporcjonalnosc
20
Podsumowanie
  • Nie jest to narzedzie specjalnie wyrafinowane
  • Na jak skomplikowane pytania odpowiemy zalezy
    od nas i specyfikacji modelu
  • Przy duzych zbiorach metody nieparametryczne
    maja swoje zalety
  • Przy niewielkich zbiorach metody parametryczne
    moga dawac slabe rezultaty
  • Nie jest to metoda z zalozenia
    przyczynowo-skutkowa
Write a Comment
User Comments (0)
About PowerShow.com