Interpretace Cox PH modelu

Survival Analysis in Python

Shae Wang

Senior Data Scientist

Základní riziko

Poměr rizik: o kolik se riziko zvyšuje nebo snižuje oproti základnímu riziku.
Základní riziko: riziko pro jedince na základních úrovních kovariátů.
- Základní $\neq$ nastavení kovariátů na 0
- Základní znamená nastavení kovariátů na jejich průměry (medián v lifelines)

Základní funkce

Základní funkce rizika

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

základní riziko

Základní funkce přežití

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

základní přežití

Interpretace poměru rizik

Poměr rizik: $e^{coef}$, o kolik se riziko mění oproti průměrnému jedinci při změně kovariátů.

	Výpočet	Příklad
Koeficient	$x$	$0.405$
Poměr rizik	$e^x$	$e^{0.405}=1.5$
Interpretace rizika	$e^x-1$	$1.5-1 = 0.5$ -> nárůst rizika o 50 %
Interpretace doby přežití	$\frac{1}{e^x}-1$	$\frac{1}{1.5}-1 = 0.67-1 = -0.23$ -> pokles doby přežití o 23 %

Vizualizace poměru rizik

.plot_partial_effects_on_outcome()

covariates (řetězec nebo seznam): název/názvy kovariátů v původním datasetu, které chceme měnit.
- Při více kovariátech je předejte jako seznam.
values (1D nebo 2D iterovatelný objekt): hodnoty, kterých má kovariát nabývat.
- Při více kovariátech předejte hodnoty jako páry/n-tice hodnot.

Vizualizace poměru rizik

Model má kovariáty A, B, C a chceme měnit

A přes hodnoty 1, 2

B přes hodnoty 3, 4

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

špatný graf plot_partial_effects_on_outcome

Špatně...

Vizualizace poměru rizik

Model má kovariáty A, B, C a chceme měnit

A přes hodnoty 1, 2

B přes hodnoty 3, 4

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

správný graf plot_partial_effects_on_outcome

Správně!

Pojďme si procvičit!

Survival Analysis in Python