Menafsirkan model Cox PH

Analisis Survival dengan Python

Shae Wang

Senior Data Scientist

Hazard baseline

Hazard ratio: seberapa besar hazard naik/turun relatif terhadap hazard baseline.
Hazard baseline: risiko untuk individu pada level baseline dari kovariat.
- Baseline $\neq$ mengatur kovariat ke 0
- Baseline artinya mengatur kovariat ke rata-rata (median untuk lifelines)

Fungsi baseline

Fungsi hazard baseline

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

hazard_baseline

Fungsi kelangsungan hidup baseline

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

survival_baseline

Menafsirkan hazard ratio

Hazard ratio: $e^{coef}$, seberapa banyak hazard berubah relatif terhadap individu rata-rata saat kovariat berubah.

	Perhitungan	Contoh
Koefisien	$x$	$0.405$
Hazard ratio	$e^x$	$e^{0.405}=1.5$
Interpretasi hazard	$e^x-1$	$1.5-1 = 0.5$ -> naik 50% pada hazard
Interpretasi waktu survival	$\frac{1}{e^x}-1$	$\frac{1}{1.5}-1 = 0.67-1 = -0.23$ -> turun 23% pada waktu survival

Visualisasikan hazard ratio

.plot_partial_effects_on_outcome()

covariates (string atau list): nama kovariat dalam dataset asli yang ingin divariasikan.
- Jika ada beberapa kovariat, kirim sebagai list.
values (iterable 1d atau 2d): nilai yang diinginkan untuk kovariat.
- Jika ada beberapa kovariat, kirim nilainya sebagai pasangan/tuple nilai.

Visualisasikan hazard ratio

Model memiliki kovariat A, B, C, dan kita ingin memvariasikan

A pada 1, 2

B pada 3, 4

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

plot_partial_effects_on_outcome yang salah

Salah...

Visualisasikan hazard ratio

Model memiliki kovariat A, B, C, dan kita ingin memvariasikan

A pada 1, 2

B pada 3, 4

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

plot_partial_effects_on_outcome yang benar

Benar!

Ayo berlatih!

Analisis Survival dengan Python