สมมติฐาน proportional hazards

Survival Analysis ด้วย Python

Shae Wang

Senior Data Scientist

ใช้กราฟ Kaplan-Meier

หาก covariate มีค่าเพียงไม่กี่ค่า ให้ตรวจสอบกราฟ Kaplan-Meier ของแต่ละกลุ่ม

เส้นโค้งตัดกัน: ไม่ผ่าน สมมติฐาน proportional hazards

กราฟ Kaplan-Meier ที่ไม่ผ่านสมมติฐาน proportional hazards เนื่องจากเส้นโค้งตัดกัน

ใช้กราฟ Kaplan-Meier

หาก covariate มีค่าเพียงไม่กี่ค่า ให้ตรวจสอบกราฟ Kaplan-Meier ของแต่ละกลุ่ม

เส้นโค้งมีรูปร่างต่างกัน: ไม่ผ่าน สมมติฐาน proportional hazards

กราฟ Kaplan-Meier ที่ไม่ผ่านสมมติฐาน proportional hazards เนื่องจากเส้นโค้งตัดกัน

ใช้กราฟ Kaplan-Meier

หาก covariate มีค่าเพียงไม่กี่ค่า ให้ตรวจสอบกราฟ Kaplan-Meier ของแต่ละกลุ่ม

เส้นโค้งมีรูปร่างคล้ายกันและขนานกัน: ผ่าน สมมติฐาน proportional hazards

กราฟ Kaplan-Meier ที่ผ่านสมมติฐาน proportional hazards

.check_assumptions()

หาก covariate เป็นค่าต่อเนื่อง ให้ใช้เมธอด .check_assumptions()

พารามิเตอร์
- training_df: DataFrame ที่ใช้ตอน fit โมเดล
- p_value_threshold: ค่า threshold สำหรับแจ้งเตือนเมื่อพบการละเมิด (ค่าเริ่มต้น: 0.01, แนะนำ: 0.05)

.check_assumptions()

model.check_assumptions(training_df, p_value_threshold=0.05)

1. Variable 'A' failed the non-proportional test: p-value is 0.0007.
Advice 1: ...
Advice 2: ...
2. Variable 'B' failed the non-proportional test: p-value is 0.0063.
Advice 1: ...
Advice 2: ...

เมื่อสมมติฐาน proportional hazards ไม่ผ่าน

โดยทั่วไปสมมติฐานนี้ถือว่าสมเหตุสมผล และการละเมิดมักไม่ส่งผลกระทบต่อประสิทธิภาพของโมเดลมากนัก
หากไม่ผ่าน ให้ลองใช้ framework อื่น เช่น Weibull AFT model แล้วเปรียบเทียบค่า AIC

มาฝึกกันเถอะ!

Survival Analysis ด้วย Python