Diễn giải mô hình Cox PH

Phân tích sống sót bằng Python

Shae Wang

Senior Data Scientist

Baseline hazards

Hazard ratio: mức tăng/giảm hazard so với baseline.
Baseline hazards: rủi ro cho cá nhân ở mức baseline của các biến đồng biến.
- Baseline $\neq$ đặt các biến về 0
- Baseline là đặt các biến ở giá trị trung bình (trung vị với lifelines)

Các hàm baseline

Hàm hazard baseline

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

hazard baseline

Hàm sống sót baseline

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

survival baseline

Diễn giải hazard ratio

Hazard ratio: $e^{coef}$, mức thay đổi hazard so với cá nhân trung bình khi biến đồng biến thay đổi.

	Tính toán	Ví dụ
Hệ số	$x$	$0.405$
Hazard ratio	$e^x$	$e^{0.405}=1.5$
Diễn giải hazard	$e^x-1$	$1.5-1 = 0.5$ -> tăng 50% hazard
Diễn giải thời gian sống	$\frac{1}{e^x}-1$	$\frac{1}{1.5}-1 = 0.67-1 = -0.23$ -> giảm 23% thời gian sống

Trực quan hóa hazard ratio

.plot_partial_effects_on_outcome()

covariates (chuỗi hoặc danh sách): tên biến đồng biến trong dữ liệu gốc muốn thay đổi.
- Nhiều biến: truyền dưới dạng danh sách.
values (iterable 1d hoặc 2d): các giá trị muốn gán cho biến.
- Nhiều biến: truyền giá trị dưới dạng cặp/bộ giá trị.

Trực quan hóa hazard ratio

Mô hình có các biến đồng biến A, B, C, và ta muốn thay đổi

A qua 1, 2

B qua 3, 4

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

plot_partial_effects_on_outcome sai

Sai...

Trực quan hóa hazard ratio

Mô hình có các biến đồng biến A, B, C, và ta muốn thay đổi

A qua 1, 2

B qua 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 đúng

Đúng!

Hãy luyện tập!

Phân tích sống sót bằng Python