Analyse de survie, probabilité d'estimation de la survie (délai jusqu'à l'événement) non accessibleContexte : Examen d'un processus pathologique évolutif sur lequel nous sommes intervenus chirurgicalement. Tous les patients sauf 2 (sur 50) ont connu une progression de la maladie tandis que les autres ont connu une résolution et/ou un arrêt de la progression de leur maladie au moment du suivi (c'est-à-dire un résultat chirurgical réussi).J'essaie d'obtenir une courbe KM pour le succès de cette intervention chirurgicale par rapport au temps. Mon objectif est de fournir un résultat significatif décrivant le succès de la chirurgie dans l'arrêt de la progression de la maladie et pendant combien de temps et avec quel niveau de confiance pouvons-nous le signaler. Je reconnais l'absence de groupe témoin, mais il s'agit d'une conversation séparée et d'une limitation innée du processus de la maladie qui sera discutée dans notre article.
Actuellement, ma configuration de données est la suivante : Événement = progression de la maladie. Étant donné que tous les sujets sauf deux ont vécu l'événement, cela signifie que le groupe est composé principalement de sujets censurés à droite. Très peu ont été perdus de vue ou décédés, mais bien sûr eux aussi ont été censurés. Cette configuration est-elle correcte ? Ma courbe KM résultante est essentiellement deux petites étapes au début de la chronologie suivies d'une ligne plate jusqu'à la fin de la période d'étude. Cela semble juste étrange d'avoir autant de sujets censurés à droite. Existe-t-il une manière plus appropriée de représenter ces données ? Si cela est en fait correct, je voudrais fournir une "estimation de la probabilité de survie" à des moments donnés (c'est-à-dire quelle est la probabilité d'être sans progression (chirurgie réussie) à un moment x). Cependant, sur JMP, cette fonctionnalité est pour une raison quelconque grisée/inaccessible dans le menu déroulant du triangle rouge. Une raison pour laquelle c'est le cas? Comment effectuerais-je ce calcul ?
MERCI POUR TOUTE AIDE !
macOSRe : Analyse de survie, probabilité d'estimation de la survie (délai jusqu'à l'événement) non accessibleOui, votre configuration est correcte. On pourrait soutenir que les patients qui ont quitté l'étude constituent des données tronquées et non censurées.
Les deux étapes sont également correctes. L'estimation non paramétrique reste constante jusqu'à ce qu'une autre observation exacte de la durée de vie soit rencontrée.
Vous devez ajuster un modèle pour obtenir la probabilité en fonction du temps. Je recommande un modèle de distribution Weibull ou Log Normal. JMP peut exécuter tous les modèles et utiliser un critère pour sélectionner le meilleur modèle, mais cette approche basée sur les données est risquée lorsque vous n'avez que deux durées de vie exactes.
Voici un exemple. J'ai utilisé la colonne de données :weight dans la table de données Big Class et j'ai prétendu qu'il s'agissait de données à vie. J'ai ajouté une colonne Censor avec 1 dans toutes les lignes sauf deux, donc seulement deux durées de vie exactes. J'ai lancé Life Distribution et sélectionné le modèle et l'échelle de Weibull. Vous pouvez utiliser le profileur de distribution à droite pour estimer la probabilité de défaillance pour un temps donné.
Re : Analyse de survie, probabilité d'estimation de la survie (délai jusqu'à l'événement) non accessibleMerci, c'était incroyablement utile! En utilisant ce qui précède, j'ai pu fournir des estimations sans progression à 1, 3 et 5 ans en utilisant le modèle et l'échelle de Weibull.
J'ai une question supplémentaire concernant ce même ensemble de données. Mes données de délai avant l'événement peuvent être regroupées par stade de la maladie (stade A, B et C). Je suis en mesure de dire que la distribution des données de temps avant l'événement ne différait pas entre les groupes sur la base du test du logrank. Un examinateur m'a demandé de "rapporter la différence de temps jusqu'à l'événement en fonction de l'étape avec le rapport de risque comme taille d'effet et un IC à 95 % autour du HR pour l'étape B et l'étape C". J'ai personnellement interprété cela comme une demande d'analyse du rapport de risque par régression de Cox avec le stade A comme groupe de référence. j'ai utilisé le Ajuster les risques proportionnels module pour cela et sélectionné " rapport de risque " (qui, sur la base d'une recherche rapide, équivaut au rapport de risque dans JMP). Cette configuration est-elle correcte ? Si cela est correct, le problème principal est que mon groupe de stade B n'a pas eu d'événements. En tant que tel, j'obtiens un HR de 0,00 et un IC avec un minimum de 5,48E-06 et un maximum de 3,38E+266 !! Il s'agit clairement d'une estimation dégénérée, mais je ne sais pas si une solution de contournement ou comment je procéderais pour interpréter ou signaler cette valeur ?Avec si peu d'événements dans chaque groupe (n = 1 pour l'étape A et n = 1 pour l'étape C), je reconnais qu'il est difficile de tirer des conclusions significatives de l'une de ces valeurs, mais toute aide serait grandement appréciée !
Re : Analyse de survie, probabilité d'estimation de survie (délai jusqu'à l'événement) non accessible@Mark_Bailey a attiré mon attention sur ce fil. Avant de continuer, je dois divulguer que je n'ai aucune expérience dans les domaines médicaux ou cliniques. Mon avis se base sur mon expérience dans un domaine connexe, l'analyse de données de fiabilité. Voici quelques réflexions :
- Dans le domaine de l'analyse des données de fiabilité, s'il y a deux événements, il existe deux approches pour résoudre la situation : (1) obtenir une estimation prudente, ce qui signifie que la fiabilité (nom équivalent à la survie dans un domaine différent) sous-estime probablement la vérité. (2) utiliser l'approche bayésienne pour incorporer des informations supplémentaires. Mais je ne pense pas que ces deux options soient réalisables pour vous, car ce sont toutes deux des approches paramétriques dans JMP. KME est un modèle non paramétrique. S’il existe des approches non paramétriques pour répondre à quelques événements dans le domaine médical et clinique, cela dépasse mon expertise actuelle.
- Le modèle à risque proportionnel est un modèle semi-paramétrique. Mais si vous avez trop peu d’événements, vous faites face à la même difficulté. Et je ne vois pas ce que JMP propose actuellement pour relever ce défi.
Veuillez effectuer une recherche sur des situations comme celle-ci dans les domaines concernés. Si nous avons des experts sur ce sujet dans la communauté, j'espère qu'ils pourront repérer ce message et intervenir.
