Trama di previsione diversa dal coxph di sopravvivenza e rms cph

Ho creato la mia versione leggermente migliorata del termplot che uso in questo esempio, puoi trovarla qui . Ho precedentemente pubblicato su SO, ma più ci penso e credo che ciò sia probabilmente più correlato all'interpretazione del modello di rischi proporzionali di Cox che alla codifica effettiva.

Il problema

Quando guardo un diagramma Hazard Ratio mi aspetto di avere un punto di riferimento in cui l'intervallo di confidenza è naturalmente 0 e questo è il caso quando uso cph () dal rms packagema non quando uso coxph () da survival package. Il comportamento corretto è di coxph () e in caso affermativo qual è il punto di riferimento? Inoltre, la variabile fittizia nel coxph () ha un intervallo e il valore è diverso da ?$e^0$

Esempio

Ecco il mio codice di prova:

# Load libs
library(survival)
library(rms)

# Regular survival
survobj <- with(lung, Surv(time,status))

# Prepare the variables
lung$sex <- factor(lung$sex, levels=1:2, labels=c("Male", "Female"))
labels(lung$sex) <- "Sex"
labels(lung$age) <- "Age"

# The rms survival
ddist <- datadist(lung)
options(datadist="ddist")
rms_surv_fit <- cph(survobj~rcs(age, 4)+sex, data=lung, x=T, y=T)

La trama dei cph

Questo codice:

termplot2(rms_surv_fit, se=T, rug.type="density", rug=T, density.proportion=.05,
          se.type="polygon", yscale="exponential", log="y", 
          xlab=c("Age", "Sex"), 
          ylab=rep("Hazard Ratio", times=2),
          main=rep("cph() plot", times=2),
          col.se=rgb(.2,.2,1,.4), col.term="black")

dà questa trama:

Le trame del coxph

Questo codice:

termplot2(surv_fit, se=T, rug.type="density", rug=T, density.proportion=.05, 
          se.type="polygon", yscale="exponential", log="y", 
          xlab=c("Age", "Sex"), 
          ylab=rep("Hazard Ratio", times=2),
          main=rep("coxph() plot", times=2),
          col.se=rgb(.2,.2,1,.4), col.term="black")

dà questa trama:

Aggiornare

Come suggerito da @Frank Harrell e dopo aver adattato il suggerimento nel suo recente commento, ho ottenuto:

p <- Predict(rms_surv_fit, age=seq(50, 70, times=20), 
             sex=c("Male", "Female"), fun=exp)
plot.Predict(p, ~ age | sex,
             col="black",
             col.fill=gray(seq(.8, .75, length=5)))

Questo ha dato questa trama molto bella:

Ho guardato contrast.rms di nuovo dopo il commento e ho provato questo codice che ha dato una trama ... anche se probabilmente c'è molto di più che si può fare :-)

w <- contrast.rms(rms_surv_fit, 
                  list(sex=c("Male", "Female"), 
                       age=seq(50, 70, times=20)))

xYplot(Cbind(Contrast, Lower, Upper) ~ age | sex, 
       data=w, method="bands")

Ha dato questa trama:

AGGIORNAMENTO 2

Il prof. Thernau è stato così gentile da commentare la mancanza di confidenza di una vita:

Le spline di smoothing in coxph, come quelle in gam, sono normalizzate in modo tale che la somma (previsione) = 0. Quindi non ho un singolo punto fisso per il quale la varianza è molto piccola.

Anche se non ho ancora familiarità con GAM, questo sembra rispondere alla mia domanda: questo sembra essere un problema di interpretazione.

Penso che dovrebbe esserci sicuramente un punto in cui l'intervallo di confidenza è pari a zero. Potresti anche provare un terzo modo che consiste nell'utilizzare esclusivamente le funzioni rms. C'è un esempio nel file della guida per contrast.rms per ottenere un grafico del rapporto di rischio. Si inizia con il commento # mostra stime separate per trattamento e sesso. Dovrai eseguire l'anti-log per ottenere il rapporto.