Wie interpretiere ich Exp (B) in der Cox-Regression?

Ich bin ein Medizinstudent, der versucht, Statistiken zu verstehen (!) - seien Sie also bitte vorsichtig! ;)

Ich schreibe einen Aufsatz, der eine ganze Menge statistischer Analysen enthält, einschließlich Überlebensanalysen (Kaplan-Meier, Log-Rank und Cox-Regression).

Ich führte eine Cox-Regression meiner Daten durch, um herauszufinden, ob ich einen signifikanten Unterschied zwischen den Todesfällen von Patienten in zwei Gruppen (Hochrisiko- oder Niedrigrisikopatienten) feststellen kann.

Ich habe der Cox-Regression mehrere Kovariaten hinzugefügt, um deren Einfluss zu kontrollieren.

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

Ich habe Arterienverschlüsse von der Kovariatenliste gestrichen, weil ihre SE extrem hoch war (976). Alle anderen SEs liegen zwischen 0,064 und 1,118. Das bekomme ich:

                    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

Ich weiß, dass das Risiko nur bei 0,058 grenzwertig ist. Aber wie interpretiere ich sonst den Exp (B) -Wert? Ich habe einen Artikel über logistische Regression gelesen (der der Cox-Regression etwas ähnlich ist?), In dem der Exp (B) -Wert folgendermaßen interpretiert wurde: "Zu den Risikogruppen gehört eine 8-fache Erhöhung der Wahrscheinlichkeit des Ergebnisses." in diesem Fall ist der Tod. Kann ich sagen, dass meine Hochrisikopatienten mit 8-facher Wahrscheinlichkeit früher sterben als ... was?

Bitte hilf mir! ;)

Übrigens verwende ich SPSS 18, um die Analyse auszuführen.

Im Allgemeinen $\exp(\hat\beta_1)$ ist das Verhältnis der Gefahren zwischen zwei Individuen , deren Werte von $x_1$ unterscheiden sich um eine Einheit , wenn alle anderen Kovarianten konstant gehalten sind. Die Parallele zu anderen linearen Modellen ist, dass in der Cox-Regression die Hazard-Funktion als $h(t)=h_0(t)\exp(\beta'x)$, wobei h 0 ( t ) das Grundrisiko ist. Dies ist gleichbedeutend mit log ( Gruppengefahr /Grundlinien-Hazard modelliert wird. ) = Log ( ( h ( t )$h_0(t)$$\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$ . Dann wird eine Einheit Anstieg in$x_i$ ist mit zugehörigem$\beta_i$ Anstieg der log hazard Rate. Der Regressionskoeffizient ermöglichen Zur Quantifizierung des Protokolls der Gefährdung in der Behandlungsgruppe (im Vergleich zur Kontroll- oder Placebogruppe) unter Berücksichtigung der im Modell enthaltenen Kovariaten wird dies als relatives Risiko interpretiert (unter der Annahme, dass keine zeitlich variierenden Koeffizienten vorliegen).

Bei der logistischen Regression spiegelt der Regressionskoeffizient den Logarithmus der Odds Ratio wider , daher die Interpretation als k-fache Risikozunahme. Ja, die Interpretation der Hazard Ratios ähnelt der Interpretation der Odds Ratios.

Besuchen Sie unbedingt die Website von Dave Garson, auf der sich gutes Material zu Cox Regression mit SPSS befindet.

Ich bin kein Statistiker, sondern ein Arzt, der versucht, die Dinge in der Welt der Statistik zu regeln.

Die Art und Weise, wie Sie diese Ausgabe interpretieren müssen, ist die $\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$

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

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

Aus Ihrer Analyse geht hervor, dass keine Ihrer Variablen signifikante Prädiktoren (mit einem Vorzeichen von 5%) für Ihren Endpunkt sind, obwohl es von grenzwertiger Bedeutung ist, ein "Hochrisikopatient" zu sein.

Wenn Sie das Buch " SPSS survival manual " von Julie Pallant lesen, werden Sie wahrscheinlich mehr über dieses (und weitere) Thema (e) erfahren.