Come interpretare Exp (B) nella regressione di Cox?

Sono uno studente di medicina che cerca di capire le statistiche (!) - quindi per favore sii gentile! ;)

Sto scrivendo un saggio contenente una buona quantità di analisi statistiche tra cui l'analisi di sopravvivenza (Kaplan-Meier, Log-Rank e regressione di Cox).

Ho eseguito una regressione di Cox sui miei dati cercando di scoprire se riesco a trovare una differenza significativa tra i decessi di pazienti in due gruppi (pazienti ad alto o basso rischio).

Ho aggiunto diverse covariate alla regressione di Cox per controllare la loro influenza.

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

Ho rimosso l'occlusione dell'arteria dall'elenco delle covariate perché la sua SE era estremamente alta (976). Tutte le altre SE sono comprese tra 0,064 e 1,118. Questo è quello che ottengo:

                    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

So che il rischio è significativo solo al limite a 0,058. Ma oltre a ciò come interpretare il valore Exp (B)? Ho letto un articolo sulla regressione logistica (che è in qualche modo simile alla regressione di Cox?) In cui il valore di Exp (B) è stato interpretato come: "Essere nel gruppo ad alto rischio include un aumento di 8 volte della possibilità del risultato", che in questo caso è la morte. Posso dire che i miei pazienti ad alto rischio hanno 8 volte più probabilità di morire prima di ... cosa?

Mi aiuti per favore! ;)

A proposito sto usando SPSS 18 per eseguire l'analisi.

In generale, $\exp(\hat\beta_1)$ è il rapporto tra i rischi tra due individui i cui valori di $x_1$ differiscono di un'unità quando tutte le altre covariate sono costanti in attesa. Il parallelo con altri modelli lineari è che nella regressione di Cox la funzione di pericolo è modellata come $h(t)=h_0(t)\exp(\beta'x)$ , dove $h_0(t)$ è il rischio di base. Ciò equivale a dire quel $\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$ . Quindi, un aumento unitario di$x_i$ è associato a$\beta_i$ all'aumento della percentuale di rischio log. Il coefficiente di regressione consente quindi per quantificare il registro del rischio nel gruppo di trattamento (rispetto al gruppo controllo o gruppo placebo), tenendo conto delle covariate incluse nel modello; viene interpretato come un rischio relativo (presupponendo che non vi siano coefficienti variabili nel tempo).

Nel caso della regressione logistica, il coefficiente di regressione riflette il log del rapporto di probabilità , quindi l'interpretazione come aumento del rischio di piega k. Quindi sì, l'interpretazione dei rapporti di rischio condivide alcune somiglianze con l'interpretazione dei rapporti di probabilità.

Assicurati di controllare il sito web di Dave Garson dove c'è del buon materiale sulla regressione di Cox con SPSS.

Non sono uno statistico, ma un MD, cercando di sistemare le cose nel mondo della statistica.

Il modo in cui devi interpretare questo output è guardando i valori . Un valore <1 indica che un aumento di un'unità per quella particolare variabile diminuirà la probabilità di sperimentare un punto finale durante il periodo di osservazione. Invertendo (ovvero 1 / exp $\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$, rispetto a quando il valore di genere = 0.

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

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

Dalla tua analisi, sembra che nessuna delle tue variabili sia un predittore significativo (a un livello del segno del 5%) del tuo endpoint, sebbene essere un paziente "ad alto rischio" abbia un significato borderline.

Leggendo il libro " SPSS survival manual ", di Julie Pallant probabilmente ti illuminerà ulteriormente su questo (e altro) argomento.