Retrospektif Cox Orantılı Tehlikeler — Geçmiş Veriler Üzerine Sağkalım Regresyonu

Temel istatistiksel model ve tahmin prosedürü aynıdır; fark, verilerin nasıl toplandığındadır. Prospektif bir tasarımda araştırmacı maruziyetleri ölçer ve olayları gözlemlemek için katılımcıları zaman içinde ileriye doğru takip eder. Retrospektif bir tasarımda araştırmacı, önceden kaydedilmiş verileri çıkarır ve geçmiş tarihlerden takip sürelerini yeniden yapılandırır. Retrospektif varyant daha hızlı ve daha ucuzdur ancak bilgi yanlılığına, ölçülmemiş karıştırıcı faktörlere ve olayların ve sansür sürelerinin eksik belirlenmesine karşı daha savunmasızdır.

Ölümsüz zaman yanlılığı, takip başlangıcı ile maruziyet durumunun atanması arasındaki aralığın, maruz kalan kişi-zamanına yanlış bir şekilde dahil edilmesiyle ortaya çıkar. Örneğin, bir ilaç maruziyeti bir reçeteyi doldurmakla tanımlanırsa, hastaların ilacı dolduracak kadar uzun süre hayatta kalması gerekir, bu da maruz kalan grupta yanıltıcı bir şekilde daha düşük bir olay oranı yaratır. Bundan, zamana göre değişen maruziyet kodlaması kullanarak veya indeks tarihini kohort giriş zamanı yerine ilk maruziyet zamanına ayarlayarak kaçının.

Yaygın bir kural, modele dahil edilen kovaryat başına 10 ila 20 olaydır (EPV kuralı). Daha az olayla, kısmi olabilirlik tahminleri kararsız hale gelir ve güven aralıkları belirgin şekilde genişler. Olay sayısı sınırlıysa, kovaryat setini teoriye dayalı bir minimuma indirin veya katsayı tahminlerini küçültmek için cezalı regresyon (ridge, LASSO) uygulayın.

Fine-Gray alt dağılım tehlike modelini, belirli bir olayın kümülatif insidansıyla ilgilendiğinizde, onu engelleyen rakip olayların varlığında kullanın; örneğin, hastaların başka nedenlerden de ölebileceği durumlarda hastalığa özgü ölüm. Nedene özgü Cox modeli 'hala risk altında olanlar arasında tehlikeyi ne yönlendirir?' sorusunu yanıtlarken, Fine-Gray 'rakip olayları hesaba katarak t zamanına kadar bu olayı yaşama olasılığı nedir?' sorusunu yanıtlar. Seçim bilimsel soruya bağlıdır.

Evet. İlaç dozu, kan basıncı veya istihdam durumu gibi bir kovaryat takip süresince değiştiğinde ve bu değişiklikler geçmiş verilerde kaydedildiğinde, veri setini sayım süreci formatına (başlangıç, durdurma aralıkları) yeniden yapılandırabilir ve zamana göre değişen kovaryatlarla bir Cox modeli uygulayabilirsiniz. Bu metodolojik olarak sağlamdır ancak kovaryat ölçümlerinin kaynak kayıtlarda klinik olarak anlamlı zaman noktalarında kaydedilmiş olmasını gerektirir.