Eşleştirilmiş Rakip Riskler Analizi — Eğilim Puanı ile Eşleştirilmiş Alt Dağılım Tehlike Modelleri
Matched Competing Risks Survival Analysis · Ayrıca şöyle bilinir: matched Fine-Gray analysis, propensity-matched competing risks, matched cause-specific hazard analysis, matched subdistribution hazard analysis
Eşleştirilmiş rakip riskler analizi, ilgilenilen bir olayın neden-spesifik veya alt dağılım tehlikesini tahmin etmek için, rakip olayları hesaba katarak, konu düzeyinde eşleştirmeyi (örneğin, eğilim puanı eşleştirmesi) rakip riskler sağkalım yöntemleriyle birleştirir. Bu yöntem, hastaların ilgilenilen birincil sonuç dışındaki nedenlerden ölebileceği ve tedavi gruplarının başlangıç karıştırıcılarında farklılık gösterdiği klinik ve epidemiyolojik gözlemsel çalışmalarda yaygın olarak kullanılmaktadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Aşağıdaki durumlarda eşleştirilmiş rakip riskler analizi kullanın: (a) çalışma gözlemseldir ve gruplar eşleştirme veya ağırlıklandırma gerektiren ölçülmüş karıştırıcılarda farklılık gösterir; (b) hastalar karşılıklı olarak hariç tutulan olaylar yaşayabilir ve bu rakip olaylardan biri veya daha fazlası birincil sonucu engeller; ve (c) araştırma sorusu, yalnızca göreceli tehlikelerden ziyade, ilgilenilen olayın mutlak olasılığı (CIF) ile ilgilidir. Yaygın klinik uygulamalar arasında kardiyovasküler sonuç araştırmaları, onkoloji (kanser-spesifik vs. diğer nedenli ölüm) ve bulaşıcı hastalık çalışmaları yer alır. Rakip olaylar mevcut olduğunda standart Kaplan-Meier veya Cox regresyonunu ikame olarak KULLANMAYIN — KM, CIF'yi aşırı tahmin eder. Takip süresinin çok kısa olduğu ve rakip olayların ihmal edilebilecek kadar nadir olduğu veya çalışmanın eşleştirmeye gerek duyulmayan uygun şekilde rastgeleleştirilmiş bir deneme olduğu durumlarda bu yaklaşımı kullanmayın.
Güçlü yönler & sınırlılıklar
- Rakip olayların varlığında ilgilenilen olayın mutlak riskini doğru bir şekilde ölçer, Kaplan-Meier'in tümleyicisinden bilinen aşırı tahminleri önler.
- Eşleştirme, gözlemsel verilerdeki ölçülmüş kovaryetlerden kaynaklanan karıştırmayı azaltır ve rastgeleleştirilmiş bir tasarımın kovaryet dengesini yaklaştırır.
- Fine-Gray alt dağılım tehlike oranı, doğrudan kümülatif insidans fonksiyonu üzerindeki kovaryet etkisini modeller, ki bu klinik ve prognostik olarak ilgili niceliktir.
- Hem göreceli (SHR, CSH) hem de mutlak risk (CIF farkı) özetlerini destekler, klinik olarak eyleme geçirilebilir sayılar sağlar.
- Kardiyoloji, onkoloji, nefroloji, bulaşıcı hastalıklar gibi çok sayıda başarısızlık türünün yarıştığı geniş bir klinik alan yelpazesine uygulanabilir.
- Eşleştirme yalnızca ölçülmüş karıştırıcıları kontrol eder; ölçülmemiş karıştırma, tüm gözlemsel tasarımlarda olduğu gibi nedensel çıkarım için bir tehdit olmaya devam eder.
- Eğilim puanı eşleştirmesi, eşleştirilmemiş denekleri atar, potansiyel olarak örneklem boyutunu ve tam kohorta genelleştirilebilirliği azaltır.
- Fine-Gray SHR, doğrudan ve dolaylı etkileri (rakip olaylar aracılığıyla) karıştırır, bu da neden-spesifik tehlike modellerinden daha karmaşık nedensel yorumlamaya yol açar.
- Eşleştirilmiş çift belirsizliğini Fine-Gray modelleri aracılığıyla doğru bir şekilde yaymak, özel yazılım ve sağlam varyans tahmin edicilerinin dikkatli bir şekilde uygulanmasını gerektirir.
- Hem birincil hem de rakip olay için çok küçük olay sayıları, CIF tahminlerinin kesinliğini ve model tabanlı çıkarımın güvenilirliğini azaltır.
SSS
Neden rakip olayları sansürleyip standart sağkalım analizini kullanmıyorsunuz?
Rakip olayları sansürlemek, onları bilgisiz olarak ele alır — rakip bir olay yaşayan deneklerin, rakip olay meydana gelmemiş olsaydı, hala risk altında olan deneklerle aynı sonraki riske sahip olacağını varsayar. Bu varsayım, klinik verilerde neredeyse evrensel olarak ihlal edilir. Bunu yapmak, ilgilenilen olayın tahmin edilen kümülatif insidansını şişirir. Rakip riskler yöntemleri, olay türlerinin ortak dağılımını doğrudan modeller ve yanlı olmayan kümülatif insidans tahminleri verir.
Fine-Gray alt dağılım tehlike oranlarını mı yoksa neden-spesifik tehlike oranlarını mı rapor etmeliyim?
Her ikisi de farklı amaçlara hizmet eder ve ideal olarak her ikisi de raporlanmalıdır. Fine-Gray SHR, maruziyetin gözlemlenebilir kümülatif insidans üzerindeki etkisini — klinik ve prognostik olarak ilgili niceliği — yansıtır. Neden-spesifik tehlike oranı, şu anda olaydan uzak olanlar arasında olayın oluşumu üzerindeki anlık etkiyi yansıtır, bu da etiyolojiyi anlamak için daha önemlidir. Aralarında önemli ölçüde fark olduğunda, maruziyetin rakip olay oranını da etkilediğini gösterir.
Eşleştirme, rakip riskler modelinde çok değişkenli ayarlama ihtiyacını ortadan kaldırır mı?
Tam olarak değil. Eşleştirme, beklenen değerde ölçülmüş kovaryetler üzerinde denge sağlar, ancak herhangi bir verilen eşleştirilmiş örneklemde şans nedeniyle artık dengesizlik devam edebilir. Eşleştirilmiş kovaryetleri veya eğilim puanını Fine-Gray modelinde ek regresörler olarak dahil etmek (çift yanlı olarak sağlam yaklaşım), artık karıştırmayı daha da azaltabilir ve genellikle eşleştirmeyle birlikte önerilir.
Hangi yazılımı kullanabilirim?
R'de, cmprsk paketi Fine-Gray modelleri için crr() fonksiyonunu sağlar ve crrSC paketi bunu sağlam varyansla eşleştirilmiş veriler için genişletir. survival paketi neden-spesifik tehlike modellerini destekler. MatchIt paketi eğilim puanı eşleştirmesini kolaylaştırır. Stata'da, stcrreg komutu Fine-Gray modellerini uydurur. SAS kullanıcıları rakip riskler için EVENTCODE seçeneğiyle PROC PHREG'yi kullanabilir.
Ne kadar örneklem büyüklüğü gerekiyor?
Tek bir kural yoktur, ancak standart sağkalım analizinden uyarlanan yaygın bir kılavuz, modelde yer alan her kovaryet başına birincil türden en az 10-15 olaydır. Eşleştirilmiş tasarımlar için, etkili örneklem boyutu toplam ön eşleştirme kohort boyutuna değil, eşleştirilmiş çiftlerin sayısına göre belirlenir. Çok az sayıda rakip olay da CIF tahminlerini istikrarsızlaştırabilir.
Kaynaklar
- Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496–509. DOI: 10.1080/01621459.1999.10474144 ↗
- Austin, P. C., Lee, D. S., & Fine, J. P. (2016). Introduction to the analysis of survival data in the presence of competing risks. Circulation, 133(6), 601–609. DOI: 10.1161/CIRCULATIONAHA.115.017719 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Matched Competing Risks Survival Analysis. ScholarGate. https://scholargate.app/tr/epidemiology/matched-competing-risks-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cox Orantılı TehlikelerEpidemiyoloji↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Kaplan-Meier Tahmin Edicisiİstatistik↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır