R finegray 為 Fine-Gray 模型創建數據

說明

Fine-Gray 模型可以通過首先創建一個特殊的數據集，然後將加權 Cox 模型擬合到結果來擬合。該例程創建數據集。

用法

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

參數

formula	標準模型公式，左側為生存，右側為協變量。
data	包含模型中變量的可選 DataFrame 、列表或環境(或由 as.data.frame 強製轉換為 DataFrame 的對象)。
weights	觀察權重的可選向量
subset	一個可選向量，指定要在擬合過程中使用的觀測子集。
na.action	一個函數，指示當數據包含 NA 時應該發生什麽。默認值由選項的 na.action 設置設置。
etype	將為其生成數據集的事件類型。默認情況下是使用多狀態生存對象中首先列出的那個。
prefix	該例程將向數據集添加 4 個變量：每個間隔的開始和結束時間、狀態以及間隔的權重。它們的默認名稱是"fgstart"、"fgstop"、"fgstatus"和"fgwt"； prefix 參數確定新名稱的初始部分。
count	可選變量的輸出數據集中的變量名稱，該變量將包含輸入數據每行的複製計數。如果一行擴展為多行，它將包含 1、2 等。
id	可選，數據集中用於標識受試者的變量名稱。
timefix	通過 aeqSurv 函數處理時間，以消除潛在的舍入問題。

細節

該函數期望多狀態生存表達式或變量作為公式的左側，例如Surv(atime, astat) 其中 astat 是一個因子，其第一級表示審查，其餘級別表示狀態。輸出數據集將包含單個感興趣端點的簡單生存數據(狀態 = 0 或 1)。為了說明，將此端點稱為 A，並將所有其他端點稱為端點 B。在輸出數據集中，經曆端點 B 的受試者成為審查觀察，其時間被人為地向右延長，並且案例權重從間隔到間隔遞減。輸出數據集通常包含比輸入多得多的行。

該算法允許延遲進入，並且僅允許有限形式的時間相關協變量。也就是說，當具有終點 B 的受試者延長時，那些未來的協變量值保持不變；因此，有一個隱含的假設：如果事件沒有幹預並且後續行動更長，就不會發生更多變化。對於可預測的時間相關協變量，可以進一步處理最終數據集以解決此問題，但這不包含在函數中。例如，Geskus 將具有不同日曆紀元的示例(對應於疾病標準醫療實踐的變化)視為協變量。依賴協變量。如果存在時間相關的協變量或延遲輸入，例如，輸入數據集的左側為 Surv(entry, exit, stat)，則需要 id 語句。在這種情況下，程序會進行數據檢查，並且需要知道哪些行屬於每個主題。

輸出數據集通常會有間隙。假設在時間 50 和 100 處發生了事件(並且在時間 50 和 100 之間沒有事件)，並在 60、70 和 80 處進行了審查。正式而言，處於 50 到 100 風險的非事件主體在 50-60 3 個間隔中的每個間隔中將具有不同的權重、60-70 和 80-100，但由於中間間隔不跨越任何事件時間，後續 Cox 模型將永遠不會使用該行。 finegray 輸出忽略此類行。

有關更多詳細信息，請參閱競爭風險插圖。

值

一個 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

參考

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