regression – ¿Cómo interpreto Exp (B) en la regresión de Cox?

Pregunta:

Soy un estudiante de medicina que intenta comprender las estadísticas (!), ¡Así que sea amable! 😉

Estoy escribiendo un ensayo que contiene una buena cantidad de análisis estadístico, incluido el análisis de supervivencia (regresión de Kaplan-Meier, Log-Rank y Cox).

Hice una regresión de Cox en mis datos para tratar de averiguar si puedo encontrar una diferencia significativa entre las muertes de pacientes en dos grupos (pacientes de alto riesgo o de bajo riesgo).

Agregué varias covariables a la regresión de Cox para controlar su influencia.

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

Eliminé la oclusión arterial de la lista de covariables porque su SE era extremadamente alta (976). Todos los demás SE están entre 0,064 y 1,118. Esto es lo que obtengo:

                    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

Sé que el riesgo es solo significativo en el límite en 0,058. Pero además de eso, ¿cómo interpreto el valor Exp (B)? Leí un artículo sobre regresión logística (¿que es algo similar a la regresión de Cox?) Donde el valor Exp (B) se interpretó como: "Estar en el grupo de alto riesgo incluye un aumento de 8 veces en la posibilidad del resultado", que en este caso es la muerte. ¿Puedo decir que mis pacientes de alto riesgo tienen 8 veces más probabilidades de morir antes que … qué?

¡Por favor, ayúdame! 😉

Por cierto, estoy usando SPSS 18 para ejecutar el análisis.

Respuesta:

En términos generales, $ \ exp (\ hat \ beta_1) $ es la razón de los peligros entre dos individuos cuyos valores de $ x_1 $ difieren en una unidad cuando todas las demás covariables se mantienen constantes. El paralelo con otros modelos lineales es que en la regresión de Cox la función de riesgo se modela como $ h (t) = h_0 (t) \ exp (\ beta'x) $ , donde $ h_0 (t) $ es el riesgo de referencia. Esto es equivalente a decir que $ \ log (\ text {peligro de grupo} / \ text {peligro de línea de base}) = \ log \ big ((h (t) / h_0 (t) \ big) = \ sum_i \ beta_ix_i $ . Entonces, un aumento unitario en $ x_i $ se asocia con un aumento de $ \ beta_i $ en la tasa de riesgo logarítmico. El coeficiente de regresión permite así cuantificar el logaritmo del riesgo en el grupo de tratamiento (en comparación con el grupo de control o placebo), contabilizando para las covariables incluidas en el modelo, se interpreta como un riesgo relativo (asumiendo que no hay coeficientes variables en el tiempo).

En el caso de la regresión logística, el coeficiente de regresión refleja el logaritmo de la razón de posibilidades , de ahí la interpretación como un aumento de k veces en el riesgo. Así que sí, la interpretación de las razones de riesgo comparte cierta semejanza con la interpretación de las razones de probabilidades.

Asegúrese de consultar el sitio web de Dave Garson, donde hay buen material sobre la regresión de Cox con SPSS.

Leave a Comment

Your email address will not be published. Required fields are marked *

Scroll to Top

web tasarım