Salut tout le monde!
J'ai examiné la modélisation PH et j'ai quelques questions sur la manière d'interpréter correctement les données.
Pour démontrer cela, j'ai modifié l'ensemble de données CA Lung Cancer, pour étayer mon propos.
Ma première question est assez générale et concerne les hypothèses du modèle PH. Voici un excellent article qui passe en revue les problèmes rencontrés dans les articles publiés utilisant le modèle PH. Il propose également des stratégies pour gérer les violations. Un ancien fil de discussion abordait ce sujet. Quelqu'un est-il au courant des avancées ? Dans certains tutoriels que j'ai trouvés, le moyen le plus rapide de vérifier la proportionnalité est de s'assurer de l'absence d'interceptions dans les courbes de Kaplan-Meyer ou de tracer les données en log-log et de confirmer visuellement le parallélisme des droites. Cela se fait facilement via la distribution de vie (premier script de la table de données).
Donc, pour cet ensemble de données, il faudrait s'arrêter là (ne nous intéressons pas à la variable KPS. Je l'ai conservée au cas où quelqu'un souhaiterait utiliser une variable continue pour une réponse). Pouvons-nous ajouter une covariable temporelle dans JMP pour corriger la non-proportionnalité ?
Ma deuxième question, qui figure dans nos études, concerne les différents schémas thérapeutiques (par exemple, le médicament A reçoit les schémas posologiques 1 et 2, tandis que le médicament B reçoit les schémas posologiques 3, 4 et 5). Nous souhaitons comparer les médicaments et les traitements. Considérons-les comme des catégories, même si nous comparons les dosages d'un même médicament et que nous traiterions alors la dose comme une variable continue, imbriquée dans le médicament (y a-t-il des inquiétudes ?).
Pour illustrer, j'ai séparé le type « Cell » en type « Cancer » afin d'obtenir un certain niveau d'imbrication catégorielle. Serait-il judicieux d'exécuter le modèle de cette manière ?
Si la réponse est oui, nous souhaitons tout de même connaître les différences entre les sous-niveaux, car les HR numériques obtenus pour les catégories n'ont pas beaucoup de sens si nous avons deux médicaments avec des schémas posologiques différents. Certes, ceux-ci ont été sélectionnés selon ce que l'on pourrait appeler les « meilleures pratiques », mais ces données sont totalement arbitraires.
Pouvons-nous, à l’étape suivante, exécuter un modèle PH avec un filtre local, en sélectionnant uniquement le cancer du poumon non à petites cellules ?
afin que nous obtenions des valeurs HR, qui sont réellement intéressantes (ou le « changement par unité dans le régresseur » pour les données continues) :
J'espère que les hypothèses ont du sens et que quelqu'un pourra m'aider avec quelques idées !:)
Meilleurs vœux,
Constantin
PS : Nos données de survie proviennent d'études in vivo sur des souris. Les groupes habituels sont de 6 à 12 animaux. Utilisation du modèle JMP18.
Lien vers @Jonas_Rinne également;)
Pouvons-nous ajouter une covariable dépendante du temps dans JMP pour ajuster la non-proportionnalité d'une manière ou d'une autre ?
JMP ne prend actuellement pas en charge les covariables variables dans le temps pour les modèles Cox PH. Vous pouvez demander cette fonctionnalité ici : Liste de souhaits JMP - Communauté d'utilisateurs JMP .
Pour illustrer, j'ai séparé le type « Cell » en type « Cancer » afin d'obtenir un certain niveau d'imbrication catégorielle. Serait-il judicieux d'exécuter le modèle de cette manière ?
L'imbrication de B dans A signifie que vous souhaitez estimer les effets de B séparément pour chaque niveau de A, mais sans estimer les effets principaux de B. (L'imbrication est également utilisée lorsque les niveaux du facteur imbriqué ont les mêmes étiquettes dans tous les groupes, mais que leur signification varie selon le groupe. Voir cet exemple JMP : Exemple de sujet imbriqué .)
Cependant, pour les données de cet exemple, l'imbrication n'est pas nécessaire, car les cas de type à petites cellules sont identiques aux cas de type à petits cancers, et les types épidermoïdes, adéniques et à grandes cellules sont des types de cancers non à petits cancers. Vous obtiendrez les mêmes résultats avec le modèle, quel que soit le type de cellule ou le type de cancer, comme illustré dans la capture d'écran ci-dessous :
Pouvons-nous, à l’étape suivante, exécuter un modèle PH avec un filtre local, en sélectionnant uniquement le cancer du poumon non à petites cellules ?
Oui, c'est possible ; cependant, cela diffère généralement de l'exécution d'un modèle unique sur l'échantillon combiné. Un modèle typique inclurait le type de cancer et le type de cancer comme effets principaux, ainsi qu'un terme d'interaction. Cependant, en raison de la singularité de vos données, ce modèle ne peut pas être estimé.
