De Cox PH-modelinterpretatie

Survivalanalyse in Python

Shae Wang

Senior Data Scientist

De baseline-hazards

Hazardratio: hoeveel de hazard toeneemt of afneemt t.o.v. de baseline-hazards.
Baseline-hazards: het risico voor individuen op de basisniveaus van covariaten.
- Baseline $\neq$ covariaten op 0 zetten
- Baseline betekent covariaten op hun gemiddelden (mediaan voor lifelines) zetten

De baseline-functies

Baseline hazardfunctie

model.baseline_hazard_.plot()
plt.show()

baseline_hazard

Baseline survivalfunctie

model.baseline_survival_.plot()
plt.show()

baseline_survival

Interpreteer de hazardratio

Hazardratio: $e^{coef}$, hoeveel de hazard verandert t.o.v. het gemiddelde individu bij wijziging van covariaten.

	Berekening	Voorbeeld
Coëfficiënt	$x$	$0.405$
Hazardratio	$e^x$	$e^{0.405}=1{,}5$
Interpretatie hazards	$e^x-1$	$1{,}5-1 = 0{,}5$ -> 50% hogere hazard
Interpretatie overlevingstijd	$\frac{1}{e^x}-1$	$\frac{1}{1{,}5}-1 = 0{,}67-1 = -0{,}23$ -> 23% kortere overleving

Visualiseer de hazardratio

.plot_partial_effects_on_outcome()

covariates (string of lijst): naam/namen van de covariaat/covariaten in de originele dataset die we willen variëren.
- Bij meerdere covariaten: geef ze door als lijst.
values (1d of 2d iterable): gewenste waarden voor de covariaten.
- Bij meerdere covariaten: geef waarden als paren/tuples.

Visualiseer de hazardratio

Het model heeft covariaten A, B, C, en we willen {{1}} variëren

A over 1, 2

B over 3, 4

model.plot_partial_effects_on_outcome(
    covariates=["A","B"],
    values=[[1,2],
            [3,4]]
)
plt.show()

verkeerde_plot_partial_effects_on_outcome

Onjuist...

Visualiseer de hazardratio

Het model heeft covariaten A, B, C, en we willen variëren

A over 1, 2

B over 3, 4

model.plot_partial_effects_on_outcome(
    covariates=["A","B"],
    values=[[1,3],
            [1,4],
            [2,3],
            [2,4]]
)
plt.show()

juiste_plot_partial_effects_on_outcome

Correct!

Laten we oefenen!

Survivalanalyse in Python