Çok Merkezli Cox Orantılı Tehlikeler — Birden Fazla Merkezde Hayatta Kalma Regresyonu
Multicenter Cox Proportional Hazards Regression · Ayrıca şöyle bilinir: multicenter Cox regression, multisite Cox PH model, stratified Cox model across centers, multicenter survival regression
Çok merkezli Cox orantılı tehlikeler regresyonu, klasik Cox PH modelini iki veya daha fazla klinik merkezde yürütülen çalışmalara genişletir. Merkezler içindeki kümelenmeyi, merkezler arası heterojenliği ve merkezler arasında potansiyel temel tehlike farklılıklarını açıkça hesaba katarak zaman-olay çıktıları üzerindeki öngörücülerin etkisini tahmin eder. Bu tasarım, onkoloji, kardiyoloji ve diğer klinik alanlardaki büyük çok merkezli Rastgele Kontrollü Çalışmalar (RKÇ) ve gözlemsel kohort çalışmalarında standart uygulamadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zaman-olay verileriniz iki veya daha fazla klinik merkezden toplanmışsa ve merkez kümelenmesini hesaba katan kovaryet ayarlı tehlike oranlarına ihtiyacınız varsa çok merkezli Cox PH regresyonunu kullanın. Tek bir merkezden elde edilen örneklem büyüklüğünün güvenilir tahmin için yetersiz olacağı yerlerde, çok merkezli RKÇ'lerde ve büyük gözlemsel kohort çalışmalarında varsayılan hayatta kalma analizi yöntemidir. Kümelenme yapısını göz ardı eden basit bir tek merkezli Cox modeli olarak kullanmayın — bu, tip I hatayı şişirir ve standart hataları hafife alır. Frailty uzantısını, merkez sayısı çok azsa (beşten az) kullanmaktan kaçının, çünkü rastgele etkilerin varyans tahminleri güvenilmez hale gelir; bu durumda katmanlı bir Cox modeli daha güvenlidir.
Güçlü yönler & sınırlılıklar
- Herhangi bir tek merkezden daha kesin tehlike oranı tahminleri sağlayan tam toplanmış örneklemden yararlanır.
- Merkeze göre katmanlama, her merkezin kendi temel tehlikesine sahip olmasına izin vererek, parametrik olarak modellemeden parametrik olarak modellemeden merkez heterojenliğinden kaynaklanan yanlılığı önler.
- Frailty uzantıları merkezler arası değişkenliği ölçerek, hayatta kalma çıktılarının merkezler arasında ne kadar farklılaştığına dair içgörü sunar.
- Sağlam varyans tahmini (sandviç tahmin edicisi), minimum model varsayımıyla merkez içi kümelenme için standart hataları düzeltir.
- Standart ayarlamalara uyumludur: sol kesilme, zamanla değişen kovaryetler, rakip riskler ve takvim zamanı etkileri.
- Tüm merkezlerden uyumlaştırılmış bireysel hasta verileri gerektirir; toplu veri meta-analizi, veri paylaşımının kısıtlı olduğu durumlarda tek seçenek olabilse de, daha az üstündür.
- Orantılı tehlikeler varsayımı tüm merkezlerde geçerli olmalıdır; merkezlere özgü sapmalar, küresel olarak toplanmış tahminleri geçersiz kılabilir.
- Merkez-tedavi etkileşimi önemliyse, tek bir toplanmış etki tahmini yanıltıcı olabilir ve merkeze özgü analizler veya rastgele etkiler modelleri gerekli hale gelir.
- Çok sayıda merkez ve az sayıda merkez başına örneklem, katmanlı temel tehlike tahmininde seyrek veri sorunlarına yol açabilir.
SSS
Çok merkezli veriler için katmanlı bir Cox modeli ile frailty Cox modeli arasındaki fark nedir?
Katmanlı bir Cox modelinde, her merkezin kendi parametrik olmayan temel tehlikesi vardır; kovaryet etkilerinin merkezler arasında aynı olduğu varsayılır. Merkez farklılıkları açısından parametrik olmayan bir modeldir ve merkez etkilerinin dağılımı hakkında herhangi bir varsayımda bulunmaz. Frailty modeli, merkezleri belirtilen bir dağılımdan (genellikle gama veya log-normal) çekilmiş rastgele bir etki olarak ele alır, merkez etkilerinin varyansını açıkça tahmin eder ve merkeze özgü tehlikelerin büzülme tahminlerini üretir. Frailty modelleri, merkez sayısı büyük olduğunda ve merkez etkileri gerçekten rastgele olduğunda daha güçlüdür; katmanlı modeller az sayıda merkezle veya merkezler arası farklılıklar rastgeleden ziyade yapısal olduğunda daha güvenlidir.
Tüm merkezlerden bireysel hasta verilerine mi ihtiyacım var, yoksa yayınlanmış toplu sonuçları kullanabilir miyim?
Bireysel hasta verileri (IPD), kümelenmenin doğru bir şekilde ele alınmasına, orantılı tehlikeler varsayımının bireysel düzeyde test edilmesine ve hasta düzeyindeki karıştırıcıların ayarlanmasına izin verdiği için şiddetle tercih edilir. Yayınlanmış log tehlike oranları ve standart hataları kullanan toplu veri meta-analizi, IPD'nin mevcut olmadığı ikincil bir seçenektir, ancak çalışma içi heterojenliği hesaba katamaz veya model varsayımlarını doğrulayamaz.
Tedavi etkisinin merkezler arasında farklı olup olmadığını nasıl test ederim?
Cox modeline bir merkez-tedavi etkileşim terimi ekleyin ve istatistiksel anlamlılığını değerlendirin. Görsel olarak, merkeze özgü Kaplan-Meier eğrilerini ve merkeze özgü tehlike oranı tahminlerini güven aralıklarıyla birlikte (orman grafiği) çizin. Merkezler arasındaki önemli etki heterojenliği (anlamlı etkileşim, orman grafiğinde geniş yayılım), tek bir toplanmış etki tahmininin dikkatli bir şekilde yorumlanması gerektiğini gösterir.
Toplama işleminden sonra orantılı tehlikeler varsayımı başarısız olursa ne yapmalıyım?
Önce ihlalin küresel mi yoksa belirli kovaryetler veya merkezlerle sınırlı mı olduğunu belirleyin. Seçenekler şunları içerir: zamanla değişen katsayılar eklemek (kovaryetleri log-zamanla etkileşimli hale getirmek), analizde bir zaman ayırma noktası belirleyerek katmanlama yapmak, tehlike formunun biliniyorsa parametrik bir hızlandırılmış başarısızlık zamanı modeline geçmek veya PH varsayımını gerektirmeyen bir özet ölçü olarak kısıtlı ortalama hayatta kalma süresi (RMST) farklılıklarını raporlamak.
Çok merkezli Cox modelleri rakip riskleri ele alabilir mi?
Evet. Nedene özgü Cox modeli, diğer olayları sansürlenmiş olarak kabul ederek her olay türü için ayrı bir Cox modeli uydurur — bu, merkez başına katmanlama veya frailty terimleriyle çok merkezli verilere doğal olarak genişler. Alternatif olarak, kümülatif insidans fonksiyonu için Fine-Gray alt dağılım tehlike modeli merkeze göre katmanlanabilir. Seçim, bilimsel sorunun belirli bir olayın biyolojik tehlikesiyle mi (nedene özgü) yoksa rakip olayların varlığında meydana gelme olasılığıyla mı (Fine-Gray) ilgili olduğuna bağlıdır.
Kaynaklar
- Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202. DOI: 10.1111/j.2517-6161.1972.tb00899.x ↗
- Therneau, T. M., & Grambsch, P. M. (2000). Modeling Survival Data: Extending the Cox Model. Springer. ISBN: 978-0387987842
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multicenter Cox Proportional Hazards Regression. ScholarGate. https://scholargate.app/tr/epidemiology/multicenter-cox-proportional-hazards
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cox Orantılı TehlikelerEpidemiyoloji↔ karşılaştır
- Kaplan-Meier AnaliziEpidemiyoloji↔ karşılaştır
- Çok Merkezli Kohort ÇalışmasıEpidemiyoloji↔ karşılaştır
- Hayatta Kalma AnaliziAraştırma istatistiği↔ karşılaştır