Cox PH 모형 해석

Python에서의 Survival Analysis

Shae Wang

Senior Data Scientist

기준선 위험

위험비(hazard ratio): 기준선 위험 대비 위험이 얼마나 증감하는지.
기준선 위험: 공변량이 기준선 수준일 때의 위험.
- 기준선 $\neq$ 공변량을 0으로 설정
- 기준선은 공변량을 평균(‘lifelines’는 중앙값)으로 설정함을 의미

기준선 함수

기준선 위험 함수

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

baseline_hazard

기준선 생존 함수

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

baseline_survival

위험비 해석

위험비: $e^{coef}$, 공변량이 변할 때 평균적 개인 대비 위험이 얼마나 변하는지.

	계산	예시
계수	$x$	$0.405$
위험비	$e^x$	$e^{0.405}=1.5$
위험 해석	$e^x-1$	$1.5-1 = 0.5$ -> 위험 50% 증가
생존시간 해석	$\frac{1}{e^x}-1$	$\frac{1}{1.5}-1 = 0.67-1 = -0.23$ -> 생존시간 23% 감소

위험비 시각화

.plot_partial_effects_on_outcome()

covariates(문자열 또는 리스트): 변경할 원본 데이터의 공변량 이름.
- 여러 공변량이면 리스트로 전달합니다.
values(1D/2D iterable): 공변량이 가질 값.
- 여러 공변량이면 값을 값의 쌍/튜플로 전달합니다.

위험비 시각화

모형의 공변량은 A, B, C이며, {{1}}만 바꾸려 합니다

A: 1, 2

B: 3, 4

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

wrong_plot_partial_effects_on_outcome

잘못됨...

위험비 시각화

모형의 공변량은 A, B, C이며, 다음을 변경합니다

A: 1, 2

B: 3, 4

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

correct_plot_partial_effects_on_outcome

정답!

연습해 봅시다!

Python에서의 Survival Analysis