Survival analyse

Survival analyse wordt gebruikt voor data waarbij waarbij de tijd tot het optreden van een event van belang is. Met tijd wordt in deze bedoeld het aantal jaren, maanden of weken vanaf de start van de follow-up van een patient tot aan het optreden van een event. Het event kan overlijden zijn (vandaar de naam survival analyse), maar ook een relapse, herstel of een andere helder gedefinieerd eindpunt. In het algemeen wordt er bij survival analyse vanuit gegaan dat er maar een risico is en dat er 1 mogelijk event is. Bij meerdere risico's of meerdere herhalingen van een event zijn meer geavanceerde analyse technieken nodig zoals recurrent event survival analyse of competing risk survival analyse.

Bij het meten van tijd-tot-event data is vaak sprake van gecensureerde waarnemingen. Hierbij heb je wat iets aan informatie over de 'survival time' van een patient, maar je weet niet precies hoe lang de tijd-tot event is. Censoring kan op drie manieren optreden:

• een patient is gevolgd vanaf het begin van de study tot aan het eind van heeft het event nog niet gekregen op het moment dat de studie stopt.

Cox regressie

Hoe test ik de proportional hazards assumptie binnen een Cox model?

Het verschil veroorzaakt door een bepaalde covariaat is onafhankelijk van de tijd. Bijvoorbeeld: het risicoverschil tussen man en vrouw is evengroot vlak na de procedure als na x jaar.

Er zijn meerdere manieren om de PH assumptie van een Cox model te testen:

• 1. grafisch

Als een variabele in het model voldoet aan de PH assumptie, dan zullen de geschatte overlevingscurves voor de strata binnen deze variabele parallel lopen. Je kunt hier naar kijken door in het cox model de variabele die je wilt onderzoeken niet meer als covariaat, maar als strata mee te geven en te vragen om log minus log survival plots. De resulterende syntax zal er ongeveer zo uitzien:

COXREG survt /STATUS=status(1) / STRATA=gender /METHOD=ENTER age TIMI etc. /PLOT LML /CRITERIA=PIN(.05) POUT(.10) ITERATE(20)

De twee resulterende lijnen moeten op het oog parallel lopen (zeker elkaar niet kruisen) om te voldoen aan de PH assumptie voor deze variabele (gender). Voor iedere variabele in het uiteindelijke model is een dergelijke plot nodig.

• 2. testen van (Schoenfeld) residuen

Er kan een officiele test gedaan worden mbv Schoenfeld residuen. Er is geen standaard functie hiervoor in SPSS. Ik kan eventueel wat code uit een boek copieren voor hoe dit in SPSS te berekenen. In Stata of R kan het wel direct.

• 3. Toevoegen van een tijdsafhankelijke variabele

Anticiperend op het mogelijk niet voldoen aan de PH assumptie kun je ook een time dependent cox draaien met daarin bijvoorbeeld de variabele GENDER*T. Als deze tijdsafhankelijke variabele significant bijdraagt aan het model, is er blijkbaar niet aan de PH assumptie voldaan.