Інтерпретація моделі Cox PH

Аналіз виживаності в Python

Shae Wang

Senior Data Scientist

Базові ризики

Відношення ризиків (hazard ratio): наскільки ризик зростає або зменшується відносно базового ризику.
Базові ризики: ризик для осіб на базових рівнях коваріат.
- База $\neq$ встановити коваріати у 0
- База означає встановити коваріати на їхні середні (медіану для lifelines)

Базові функції

Функція базового ризику

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

baseline_hazard

Функція базового виживання

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

baseline_survival

Інтерпретуйте відношення ризиків

Відношення ризиків: $e^{coef}$ — наскільки змінюється ризик відносно середнього індивіда за зміни коваріат.

	Обчислення	Приклад
Коефіцієнт	$x$	$0.405$
Відношення ризиків	$e^x$	$e^{0.405}=1.5$
Інтерпретація ризиків	$e^x-1$	$1.5-1 = 0.5$ -> зростання ризику на 50%
Інтерпретація часу виживання	$\frac{1}{e^x}-1$	$\frac{1}{1.5}-1 = 0.67-1 = -0.23$ -> зменшення часу виживання на 23%

Візуалізація відношення ризиків

.plot_partial_effects_on_outcome()

covariates (рядок або список): назви коваріат у вихідному наборі даних, які потрібно варіювати.
- Якщо коваріат кілька, передайте їх як список.
values (1D або 2D iterable): значення, яких мають набувати коваріати.
- Якщо коваріат кілька, передавайте значення парами/кортежами значень.

Візуалізація відношення ризиків

Модель має коваріати A, B, C, і ми хочемо варіювати

A по 1, 2

B по 3, 4

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

wrong_plot_partial_effects_on_outcome

Неправильно...

Візуалізація відношення ризиків

Модель має коваріати A, B, C, і ми хочемо варіювати

A по 1, 2

B по 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

Правильно!

Давайте потренуємось!

Аналіз виживаності в Python