Fine-Gray Rakip Riskler Modeli
Fine-Gray Proportional Subdistribution Hazards Model · Ayrıca şöyle bilinir: competing risks regression, subdistribution hazard model, Fine-Gray model, Fine-Gray Competing Risks Modeli
Fine-Gray modeli, iki veya daha fazla karşılıklı dışlayıcı olay türünün ilk olarak ortaya çıkmak için yarıştığı sağkalım verileri için yarı parametrik bir regresyon yöntemidir. Fine ve Gray tarafından 1999'da önerilen bu model, her bir olay türünün alt dağılım tehlikesini doğrudan modeller ve böylece kovaryatların kümülatif insidans fonksiyonu (KİF) ile ilişkilendirilmesine olanak tanır — bu, aslında 't zamanına kadar k olay türünü yaşama olasılığı nedir?' sorusunu yanıtlayan niceliktir. Bu model, rakip olayları göz ardı eden ve dolayısıyla nedene özgü olasılıkları abartan standart Cox regresyonunun iyi bilinen eksikliğini düzeltir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Fine-Gray modelini şu durumlarda kullanın: (1) çalışma sonucu bir olay-zaman değişkenidir, (2) iki veya daha fazla karşılıklı dışlayıcı olay türü mümkündür ve en az bir tür diğerlerinin meydana gelmesini engeller, ve (3) bilimsel soru, varsayımsal bir nedene özgü oranın aksine, gerçek dünyada ilgi olayını yaşamanın mutlak olasılığı ile ilgilidir. Dört varsayımın geçerli olması gerekir: veriler, açıkça etiketlenmiş olay türleri ile olay-zaman formatındadır; sansürleme mekanizması bilgilendirici değildir (hem ilgi olayından hem de rakip olaylardan bağımsızdır); alt dağılım tehlikesi kovaryat seviyeleri arasında orantılıdır (alt dağılım üzerindeki Schoenfeld rezidüleri ile doğrulayın); ve minimum etkili örneklem, ilgi olayı için yaklaşık 50 olaydır. Orantılı alt dağılım tehlikeleri varsayımı ihlal edildiğinde, esnek parametrik uzantıları düşünün. Kovaryatlara gerek duyulmadığında, KİF tahmini için yalnızca Aalen-Johansen tahmincisi yeterlidir.
Güçlü yönler & sınırlılıklar
- Rakip risklerin varlığında olay meydana gelme olasılığının klinik olarak ilgili olasılığı olan kümülatif insidans fonksiyonunu doğrudan modeller.
- Rakip olayların standart Kaplan-Meier veya Cox analizinde basit sansürleme olarak ele alınmasıyla ortaya çıkan olay olasılığının sistematik olarak abartılmasını önler.
- Kovaryatları gözlemlenebilir olay olasılıklarına bağlayan yorumlanabilir alt dağılım tehlike oranları üretir.
- Yarı parametrik: sağkalım süresi üzerinde hiçbir dağılımsal varsayım dayatılmaz, bu da Cox modeline benzer bir esneklik sağlar.
- Test edilmesi gereken ve pratikte geçerli olmayabilecek orantılı alt dağılım tehlikeleri varsayımını gerektirir.
- Alt dağılım tehlike oranı, nedene özgü tehlike oranından mekanik olarak yorumlanması daha zordur, çünkü ilgi olayı üzerindeki doğrudan etkiyi rakip olaylar üzerindeki dolaylı etkilerle harmanlar.
- İlgi olayı için en az yaklaşık 50 gözlemlenmiş olay gerektirir; daha küçük sayılar kararsız tahminlere yol açar.
- SPSS'te doğal olarak mevcut değildir; uygulama R (cmprsk, tidycmprsk) veya Python (lifelines, scikit-survival) kullanılarak yapılır.
SSS
Fine-Gray modelini nedene özgü Cox regresyonu yerine ne zaman kullanmalıyım?
Bilimsel sorunuz, belirli bir zamana kadar k olay türünün meydana gelmesinin mutlak olasılığı — yani kümülatif insidans fonksiyonu — ile ilgili olduğunda Fine-Gray modelini kullanın. Her bir olay türünü ayrı ayrı yöneten biyolojik veya mekanik süreci anlamak istediğinizde veya rakip olaylar varsayımsal olarak ortadan kaldırılırsa ne olacağını modellemeniz gerektiğinde nedene özgü Cox regresyonunu kullanın. İki yaklaşım tamamlayıcıdır ve ideal olarak her ikisi de rapor edilmelidir.
Alt dağılım tehlike oranı nedir ve daha yüksek bir SHR her zaman daha yüksek risk anlamına mı gelir?
SHR, iki kovaryat seviyesini karşılaştıran anlık alt dağılım tehlikelerinin oranıdır. SHR > 1, KİF'in daha hızlı yükseldiği anlamına gelir — yani, ilgi olayının kümülatif insidansı maruz kalan grupta daha yüksektir. Ancak, bir kovaryat, rakip olayı güçlü bir şekilde azaltıyorsa, aynı anda SHR > 1 (KİF'i artırır) ve nedene özgü tehlike oranı < 1 olabilir. SHR'leri her zaman KİF eğrileriyle birlikte yorumlayın.
Orantılı alt dağılım tehlikeleri varsayımını nasıl test ederim?
Alt dağılım modelindeki her kovaryat için ölçeklendirilmiş Schoenfeld rezidülerini zamana karşı çizin: düz, kabaca yatay bir desen orantılılığı destekler. Modele zamana göre kovaryat etkileşim terimi de ekleyebilirsiniz; anlamlı bir etkileşim, varsayımın ihlal edildiğini gösterir. Bu durumda, tabakalı bir Fine-Gray modeli veya esnek parametrik bir alternatif düşünün.
Her olay türü için minimum 50 örneklem büyüklüğü katı bir kural mıdır?
Bu, sabit bir eşik değil, pratik bir kılavuzdur. Simülasyon çalışmaları, alt dağılım tehlike oranlarının güvenilir bir şekilde tahmin edilmesi için tahmin edici değişken başına en az 10 olay (EPV kuralı) ve yeterli gücü ve kararlı temel KİF tahminlerini elde etmek için ilgi olayı için genellikle en az 50 toplam olay gerektirdiğini göstermektedir. Daha az olayla, geniş güven aralıkları ve yakınsama sorunları yaygındır.
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. et al. (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 1). Fine-Gray Proportional Subdistribution Hazards Model. ScholarGate. https://scholargate.app/tr/statistics/fine-gray-competing-risks
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cox Orantılı TehlikelerEpidemiyoloji↔ karşılaştır
- Kaplan-Meier Sağkalım TahmincisiSağkalım↔ karşılaştır
- Sağkalım Eğrilerini Karşılaştırmak İçin Log-Rank TestiSağkalım↔ karşılaştır
- Esnek Parametrik Sağkalım Modeli (Royston-Parmar)Sağkalım↔ karşılaştır
- Zamanla Değişen Kovaryantlarla Cox RegresyonuSağkalım↔ karşılaştır