R finegray 为 Fine-Gray 模型创建数据

说明

Fine-Gray 模型可以通过首先创建一个特殊的数据集，然后将加权 Cox 模型拟合到结果来拟合。该例程创建数据集。

用法

finegray(formula, data, weights, subset, na.action= na.pass, etype,
    prefix="fg", count, id, timefix=TRUE)

参数

formula	标准模型公式，左侧为生存，右侧为协变量。
data	包含模型中变量的可选 DataFrame 、列表或环境(或由 as.data.frame 强制转换为 DataFrame 的对象)。
weights	观察权重的可选向量
subset	一个可选向量，指定要在拟合过程中使用的观测子集。
na.action	一个函数，指示当数据包含 NA 时应该发生什么。默认值由选项的 na.action 设置设置。
etype	将为其生成数据集的事件类型。默认情况下是使用多状态生存对象中首先列出的那个。
prefix	该例程将向数据集添加 4 个变量：每个间隔的开始和结束时间、状态以及间隔的权重。它们的默认名称是"fgstart"、"fgstop"、"fgstatus"和"fgwt"； prefix 参数确定新名称的初始部分。
count	可选变量的输出数据集中的变量名称，该变量将包含输入数据每行的复制计数。如果一行扩展为多行，它将包含 1、2 等。
id	可选，数据集中用于标识受试者的变量名称。
timefix	通过 aeqSurv 函数处理时间，以消除潜在的舍入问题。

细节

该函数期望多状态生存表达式或变量作为公式的左侧，例如Surv(atime, astat) 其中 astat 是一个因子，其第一级表示审查，其余级别表示状态。输出数据集将包含单个感兴趣端点的简单生存数据(状态 = 0 或 1)。为了说明，将此端点称为 A，并将所有其他端点称为端点 B。在输出数据集中，经历端点 B 的受试者成为审查观察，其时间被人为地向右延长，并且案例权重从间隔到间隔递减。输出数据集通常包含比输入多得多的行。

该算法允许延迟进入，并且仅允许有限形式的时间相关协变量。也就是说，当具有终点 B 的受试者延长时，那些未来的协变量值保持不变；因此，有一个隐含的假设：如果事件没有干预并且后续行动更长，就不会发生更多变化。对于可预测的时间相关协变量，可以进一步处理最终数据集以解决此问题，但这不包含在函数中。例如，Geskus 将具有不同日历纪元的示例(对应于疾病标准医疗实践的变化)视为协变量。依赖协变量。如果存在时间相关的协变量或延迟输入，例如，输入数据集的左侧为 Surv(entry, exit, stat)，则需要 id 语句。在这种情况下，程序会进行数据检查，并且需要知道哪些行属于每个主题。

输出数据集通常会有间隙。假设在时间 50 和 100 处发生了事件(并且在时间 50 和 100 之间没有事件)，并在 60、70 和 80 处进行了审查。正式而言，处于 50 到 100 风险的非事件主体在 50-60 3 个间隔中的每个间隔中将具有不同的权重、60-70 和 80-100，但由于中间间隔不跨越任何事件时间，后续 Cox 模型将永远不会使用该行。 finegray 输出忽略此类行。

有关更多详细信息，请参阅竞争风险插图。

值

一个 DataFrame

例子

# Treat time to death and plasma cell malignancy as competing risks
etime <- with(mgus2, ifelse(pstat==0, futime, ptime))
event <- with(mgus2, ifelse(pstat==0, 2*death, 1))
event <- factor(event, 0:2, labels=c("censor", "pcm", "death"))

# FG model for PCM
pdata <- finegray(Surv(etime, event) ~ ., data=mgus2)
fgfit <- coxph(Surv(fgstart, fgstop, fgstatus) ~ age + sex,
                     weight=fgwt, data=pdata)

# Compute the weights separately by sex
adata <- finegray(Surv(etime, event) ~ . + strata(sex),
             data=mgus2, na.action=na.pass)

作者

Terry Therneau

参考

Fine JP and Gray RJ (1999) A proportional hazards model for the subdistribution of a competing risk. JASA 94:496-509.

Geskus RB (2011). Cause-Specific Cumulative Incidence Estimation and the Fine and Gray Model Under Both Left Truncation and Right Censoring. Biometrics 67, 39-49.

也可以看看

coxph , aeqSurv