Email             :
RPubs            : https://rpubs.com/ardifo/
Jurusan          : Statistika
Address         : ARA Center, Matana University Tower
                         Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.

1 Preface

Dalam Bagian 1 kami membhasa penggunaan tes log-rank dan regresi Cok untuk memeriksa hubungan antara kovariat minat dan hasil kelangsungan hidup. tetapi ananlisi ini bergantung pada kovariat yang diukur pada awal, yaitu sebelum waktu tindak lanjut untuk acara dimulai. Apa yang terjadi jika Anda tertarik pada kovariat yang diukur setelah waktu tindak lanjut dimulai?

2 Example: Tumor Response

Contoh : Kelangsungan hidup secara keseluruhan diukur dari awal pengobatan, dan minat adalah dalam hubungan antara respons lengkap terhadap pengobatan dan kelangsungan hidup. * Anderson et al(JCO, 1983) menjelaskan mengapa metode traditional seperti tes log-rank atau regresi Cox bisa mendukung responden dalam skenario ini dan mengusulkan pendekatan tengara. * Hipotesis nol dalam pendekatan tengara adalah bahwa kelangsungan hidup dari tengara tidak tergantung pada status respon di tengara.

3 Other Examples

Beberapa kemungkinan covariates lain mungkin tertarik dalam penelitian kanker yang mungkin tidak diukur pada awal meliputi: * kegagalan tranplat * graft versus penyakit inang * reseksi kedua * terapi adjuvant * kepatuhan * efek samping

4 Example BMT Dataset

Data pada 137 pasien transpalasi sumsum tulang (dari pket ‘semiCompRisks’). Variabel yang menarik meliputi: * T1 waktu (dalam beberapa hari) sampai mati atau tindak lanjut terakhir * delta1 indikator kematian; 1-Mati, 0-Hidup * TA waktu (dalam beberapa hari) untuk penyakit graft-versus-host akut * deltaA indikator penyakit graft-versus-host akut; Penyakit graft-versus-host akut yang di kembangkan, 0-Tidak pernah mengembangkan penyakit graft-versus-host akut

mari kita memuat data untuk digunakan dalam contoh di seluruh

library(SemiCompRisks)                    # library untuk dataset
## Loading required package: MASS
## Loading required package: survival
## Loading required package: Formula
library(DT)                               # library untuk datatable
data(BMT, package = "SemiCompRisks")
datatable(BMT,
          caption = htmltools::tags$caption(
            style = 'caption-side : bottom; text-align: center;',
            htmltools::em('Table 1 : the BMT data.')),
          extensions='FixedColumns',
          options = list(scrollX=TRUE, fixedColumns=TRUE))

5 Landmark Method

Dalam kepentingan data adalah dalam hubungan antara cangkok akut versus penyakit inang (aGVHD) dan kelansungan hidup. Tetapi aGVHD dinilai setelah transplantasi, yang merupakan dasar kami, atau awal tindak lanjut, Time.BMT

Langkah 1 Pilih Time Landmark Biasanya aGVHD terjadi dalam 90 hari pertama setelah tranplantasi, jadi menggunakan landmark 90 hari.

Langkah 2 Populasi subset bagi mereka yang diikuti setidaknya sampai time landmark.

library(tidyverse)
## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --
## v ggplot2 3.3.5     v purrr   0.3.4
## v tibble  3.1.3     v dplyr   1.0.7
## v tidyr   1.2.0     v stringr 1.4.0
## v readr   2.0.1     v forcats 0.5.1
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
## x dplyr::select() masks MASS::select()
library(dplyr)
lm_dat <- 
  BMT %>%
  filter(T1 >= 90)

ini mengurangi ukuran sampel kami dari 137 menjadi 122. * Semua 15 paasien yang dikecuali meninggal sebelum landmark 90 hari.

Langkah 3 Hitung waktu tindak lanjut dari landmark dan terapkan metode tradisional.

lm_dat <-
  lm_dat %>%
  mutate(
    lm_T1 = T1 - 90
    )

lm_fit <- survfit(Surv(lm_T1, delta1) ~ deltaA, data = lm_dat)
require(survminer)
## Loading required package: survminer
## Loading required package: ggpubr
## 
## Attaching package: 'survminer'
## The following object is masked _by_ '.GlobalEnv':
## 
##     BMT
## The following object is masked from 'package:survival':
## 
##     myeloma
ggsurvplot(
  fit = lm_fit,
  data = lm_dat,
  xlab = "Days from 90-day landmark",
  risk.table = T,
  risk.table.y.text = T,
  pval = TRUE
  )

# Cox Regression

Untuk memnerapkan Cox Regression menggunakan data BMT, kita dapat menggunakan opsi untuk mengecualikan pasien yang tidak diikuti melalui waktu Landmark.subsetcoxph

coxph(
  Surv(T1, delta1) ~ deltaA,
  subset = T1 >= 90,
  data = BMT
  ) %>% 
  gtsummary::tbl_regression(exp = TRUE)

6 Time-dependent Cov

Alternatif untuk analisis landmark adalah penggabungan kovariat yang bergantung pada waktu. Ini mungkin lebih tepat ketika * nilai kovariat berubah dari waktu ke waktu * tidak ada waktu landmark yang jelas * penggunaan landmark akan menyebabkan banyak pengecualian

7 Setup Time-Dependent Cov

Analisi kovariat yang bergantung padawaktu membutuhkan pengaturan dataset khusu. Lihat makalah terperinci tentang hal ini oleh penulis paket Menggunakan Covariat Dependen Waktu dan Koefisien Dependen Waktu dalam Model Cox.Rsurvival

bmt <- rowit_to_column(BMT, "my_id")

Gunakan fungsi dengan opsi dan fungsi untuk membuat dataset khusus.tmergeeventtdc * tmerge membuat dataset panjang dengan interval waktu ganda untuk nilai kovariat yagn berbeda untuk setiap pasien * event membiuat indikator peristiwa baru untuk menggunakan interval waktu baru dibuiat *tdc menciptakan indikator kovariat yang bergantungn pada waktu untuk menggunakan interval waktu yang baru dibuat

td_dat <-
  tmerge(
    data1 = bmt %>% select(my_id, T1, delta1),
    data2 = bmt %>% select(my_id, T1, delta1, TA, deltaA),
    id = my_id, 
    death = event(T1, delta1),
    agvhd = tdc(TA)
  )

8 Single Patient Example

Unuk melihat apa yang dilakukan ini, mari kita lihat data 5 pasien individu pertama. Variabel yang menarik dalam data asli tampak

bmt %>% 
  select(my_id, T1, delta1, TA, deltaA) %>% 
  filter(my_id %in% seq(1,5))

Dataset baru untuk pasien yang sama ini terlihat seperti

td_dat %>% 
  filter(my_id %in% seq(1,5))

9 Time-Dependent & Cox Reg

Sekarang kita dapat menganalisi kovariat yang bergantung pada waktu ini seperti biasa menggunakan regresi Cox dengan perubahan penggunaan kita untuk memasykan argumen ke keduanya dan CoxjSurvtimetime2

coxph(
  Surv(time = tstart, time2 = tstop, event = death) ~ agvhd,
  data = td_dat
  ) %>%
  getsummary::tbl_regression(exp = TRUE)

10 Summary

Kami menggunakan bahwa cangkok akut versus penyakit inang tidak secara signifikan terkait dengan kematian mengggunakan analisis landmark atau kovariat yang begantung pada waktu

Seringkali seseorang akan ingin menggunakan analsis landmark untuk visualisasi kovariat tunggal dan regresi Cox dengan covariate yagn bergantung pada waktu untuk pemodelan yang tidak dapat variasi dan multivariaabel.