Fine-Gray检验与竞争风险静态

本文主要介绍共存数据资料解决问题的Fine-Gray验与相互竞争安全性静态，在共存数据资料解决问题之前，这种方具体情况原理目在此之前应用越来越广泛。

1. 或多或少专业知识

在判读某流血事件是否遭遇时，如果该流血事件被其他流血事件阻碍，即长期存在是非“相互竞争安全性”。研究之前结尾流血事件可能有多个，某些结尾将阻止热衷流血事件的出现或严重影响其遭遇的概率，各结尾流血事件形成“相互竞争”关系，常与相互竞争安全性流血事件。

举举例来说，某研究人员采集了本市2007年肺癌为轻度认知侵害（MCI）的518举例老年患儿药理学数据资料，包括基本人口学特征、社会生活方式、体格检查和并入疾病信息等，并于2010~2013年完成6次随访清查，主要判读结尾为遭遇帕尔兹海默病（AD）。随访此后，共近遭遇AD78举例，失访84举例，其之前28举例迁至、31举例退出、25举例生还。试问严重影响MCI向AD转归的因素所都有哪些？本举例之前，如果MCI患儿在判读此后死于癌症、心血管疾病、车祸等理由而从未遭遇AD，就不可为AD的得病做出重大贡献，即生还“相互竞争”了AD的遭遇。习惯共存数据资料总和方具体情况原理将遭遇AD在此之前生还的个体、失访个体和从未遭遇AD个体均按更正失原始数据（censored data）解决问题，可能会导致有约相反[1]。对于生还率较差的老年人为数众多，当有相互竞争安全性流血事件长期存在时，引入习惯共存需求量化方具体情况原理（K-M具体情况原理、Cox比举例安全性复归静态）会高估所研究疾病的遭遇安全性，消除相互竞争安全性偏倚，有人各种类型研究发现近46%的文献可能长期存在这种偏倚。

本举例之前若选用相互竞争安全性静态解决问题较为可取。是非相互竞争安全性静态（Competing Risk Model）是一种解决问题多种潜在结尾共存原始数据的需求量化方具体情况原理，早于在1999年Fine和Gray就提出了部分特有种的半常需求量比举例安全性静态，多半应用于的往北这两项是会有遭遇率表达式（Cumulative incidence function，CIF）[1-2]。本举例之前可以将遭遇AD在此之前生还作为AD的相互竞争安全性流血事件，引入相互竞争安全性静态透过总和需求量化。相互竞争安全性的单因素所需求量化都用来有约关心往北流血事件的遭遇率，多因素所需求量化都用来追寻HRS严重影响因素所及物理现象值。

2. 案举例需求量化

2.1 [案举例需求量化]

本案举例原始数据来自。有学者探讨骨髓GameCube对比血液GameCube治疗白血病的，结尾流血事件假设为“罹患”，某些患儿GameCube后不幸因为GameCube过敏生还，那这些遭遇GameCube方面生还的患儿就无具体情况原理判读到“罹患”的往北，并不一定“GameCube方面生还”与“罹患”长期存在相互竞争安全性。故引入相互竞争安全性静态需求量化[3-4]。

首先从当在此之前工作路径之前为基础原始数据文件’bmtcrr.csv’。

library(foreign)bmt ## 'data.frame': 177 obs. of 7 variables:## $ Sex : Factor w/ 2 levels "F","M": 2 1 2 1 1 2 2 1 2 1 ...## $ D : Factor w/ 2 levels "ALL","AML": 1 2 1 1 1 1 1 1 1 1 ...## $ Phase : Factor w/ 4 levels "CR1","CR2","CR3",..: 4 2 3 2 2 4 1 1 1 4 ...## $ Age : int 48 23 7 26 36 17 7 17 26 8 ...## $ Status: int 2 1 0 2 2 2 0 2 0 1 ...## $ Source: Factor w/ 2 levels "BM+PB","PB": 1 1 1 1 1 1 1 1 1 1 ...## $ ftime : num 0.67 9.5 131.77 24.03 1.47 ...

这是一个原始数据边框结构的原始数据，含有7个给定，共近177个目视。

$ Sex : 突变给定，2个总体：“F”,“M”。

$ D : 突变给定，2个总体：“ALL(急性淋巴细胞内白血病)”,“AML(急性髓系细胞内白血病)”。

$ Phase : 突变给定，4个总体：“CR1”,“CR2”,“CR3”,“Relapse”。

$ Age : 年龄。

$ Status: 结尾，0=更正失，1=罹患，2=相互竞争安全性流血事件。

$ Source: 突变给定，2个总体：“BM+PB(骨髓GameCube+血液GameCube)”,“PB(血液GameCube)”。

$ ftime : 整整。

初始化相互竞争安全性静态的程辑包cmprsk，初始化原始数据边框bmt，并假设结尾为突变给定。

library(cmprsk)## Loading required package: survivalbmt$D <- as.factor(bmt$D)attach(bmt)

2.2 Fine-Gray验（单因素所需求量化）

类比4分组共存数据资料log-rank验，考虑相互竞争安全性流血事件，比如说可以透过单因素所需求量化与多因素所需求量化。在此之前面我们就可以应用于cuminc()表达式透过单因素所的Fine-Gray验。

fit1 <- cuminc(ftime,Status,D)fit1## Tests:## stat pv df## 1 2.8623325 0.09067592 1## 2 0.4481279 0.50322531 1## Estimates and Variances:## $est## 20 40 60 80 100 120## ALL 1 0.3713851 0.3875571 0.3875571 0.3875571 0.3875571 0.3875571## AML 1 0.2414530 0.2663827 0.2810390 0.2810390 0.2810390 NA## ALL 2 0.3698630 0.3860350 0.3860350 0.3860350 0.3860350 0.3860350## AML 2 0.4439103 0.4551473 0.4551473 0.4551473 0.4551473 NA#### $var## 20 40 60 80 100## ALL 1 0.003307032 0.003405375 0.003405375 0.003405375 0.003405375## AML 1 0.001801156 0.001995487 0.002130835 0.002130835 0.002130835## ALL 2 0.003268852 0.003373130 0.003373130 0.003373130 0.003373130## AML 2 0.002430406 0.002460425 0.002460425 0.002460425 0.002460425## 120## ALL 1 0.003405375## AML 1 NA## ALL 2 0.003373130## AML 2 NA

结果理解：

段落总和需求量=2.8623325, P=0.09067592,说明在遏制了相互竞争安全性流血事件（即第二行计算的总和需求量和P值）后，“ALL”和“AML”据总和罹患安全性无流行病学差别P=0.09067592。

$est说明有约的各整整点“ALL”和“AML”分组的据总和罹患率与与据总和相互竞争安全性流血事件遭遇率（分别用1和2来区分，与段落第二行完全一致）。

$var说明有约的各整整点“ALL”和“AML”分组的据总和罹患率与与据总和相互竞争安全性流血事件遭遇率的方差（分别用1和2来区分，与段落第二行完全一致）。

在此之前面我们画出据总和罹患率与据总和相互竞争安全性流血事件遭遇率的共存圆弧，直观说明上述数字化结果。

plot(fit1,xlab = 'Month', ylab = 'CIF',lwd=2,lty=1, col = c('red','blue','black','forestgreen'))

图象理解：

绝对值说明据总和遭遇率CIF，横坐标是整整轴。我们从ALL1近似于的红色圆弧和AML1近似于的蓝色圆弧可以得出，ALL分组的罹患安全性较AML 分组高，但从未降到流行病学含义，P=0.09067592。同理，ALL2近似于的黑色圆弧在AML2近似于的棕红色圆弧正上方，我们可以得出，ALL分组的相互竞争安全性流血事件遭遇率较AML分组低，比如说从未降到流行病学含义，P=0.50322531。从圆弧上不难看出，在在此之前20个月内，各条圆弧“产生矛盾”在一起，所以并从未得到有流行病学含义的结果。简单来讲，这个图可以用话说来概括：在遏制了相互竞争安全性流血事件后，“ALL”和“AML”据总和罹患安全性无流行病学差别P=0.09067592。

2.3 相互竞争安全性静态（多因素所需求量化）

在此之前面我们透过考虑相互竞争安全性流血事件的共存数据资料的多因素所需求量化方具体情况原理。在cmprsk包之前，crr()表达式可以很只需的实现多因素所需求量化。该表达式的用具体情况原理如下：

crr(ftime, fstatus, cov1, cov2, tf, cengroup, failcode=1, cencode=0, subset, na.action=na.omit, gtol=1e-06, maxiter=10, init, variance=TRUE)

各常需求量具体情况说明各位可以参照crr()表达式的为了让文件格式。此不远处必须说明的是，该表达式必须指明整整给定与结尾给定，然后传入允给定线性或原始数据边框。首先假设离开静态的允给定，并定位为原始数据边框的形式。

cov <- data.frame(age = bmt$Age, sex_F = ifelse(bmt$Sex=='F',1,0), dis_AML = ifelse(bmt$D=='AML',1,0), phase_cr1 = ifelse(bmt$Phase=='CR1',1,0), phase_cr2 = ifelse(bmt$Phase=='CR2',1,0), phase_cr3 = ifelse(bmt$Phase=='CR3',1,0), source_PB = ifelse(bmt$Source=='PB',1,0)) ## 设置哑给定#cov

构建多因素所的相互竞争安全性静态。此不远处必须指明failcode=1, cencode=0, 分别代表结尾流血事件数分组1与截尾数分组0，其他数分组意味着为相互竞争安全性流血事件2。

fit2 <- crr(bmt$ftime, bmt$Status, cov, failcode=1, cencode=0)summary(fit2)## Competing Risks Regression#### Call:## crr(ftime = bmt$ftime, fstatus = bmt$Status, cov1 = cov, failcode = 1,## cencode = 0)#### coef exp(coef) se(coef) z p-value## age -0.0185 0.982 0.0119 -1.554 0.1200## sex_F -0.0352 0.965 0.2900 -0.122 0.9000## dis_AML -0.4723 0.624 0.3054 -1.547 0.1200## phase_cr1 -1.1018 0.332 0.3764 -2.927 0.0034## phase_cr2 -1.0200 0.361 0.3558 -2.867 0.0041## phase_cr3 -0.7314 0.481 0.5766 -1.268 0.2000## source_PB 0.9211 2.512 0.5530 1.666 0.0960#### exp(coef) exp(-coef) 2.5% 97.5%## age 0.982 1.019 0.959 1.005## sex_F 0.965 1.036 0.547 1.704## dis_AML 0.624 1.604 0.343 1.134## phase_cr1 0.332 3.009 0.159 0.695## phase_cr2 0.361 2.773 0.180 0.724## phase_cr3 0.481 2.078 0.155 1.490## source_PB 2.512 0.398 0.850 7.426#### Num. cases = 177## Pseudo Log-likelihood = -267## Pseudo likelihood ratio test = 24.4 on 7 df,

结果理解：在遏制了相互竞争分险流血事件后，phase给定，即疾病所不远处过渡期是患儿罹患的独立国家严重影响因素所。以relapse过渡期的患儿为参照，CR1, CR2, CR3的据总和罹患分险较Relapse过渡期的患儿，HR及95% CI分别为0.332(0.159,0.695), 0.361(0.180,0.724), 0.481(0.155 1.490), 近似于的P值分别为0.0034, 0.0041, 0.2000。

3. 咨询和总结

本文详细介绍了应用于R的cmprsk程辑包进项Fine-Gray验与相互竞争安全性静态。笔者普遍认为大众在具体情况应用步骤之前要注意双曲线：

第一，有软性的应用于Fine-Gray验与相互竞争安全性静态，如果往北流血事件长期存在相互竞争安全性流血事件，而且极有可能对结论消除严重影响，那引入这个静态才是适宜的，这个静态并非一定比Cox静态更优，这两个静态某种程度常与补充；

第二，相互竞争安全性考虑的相互竞争安全性流血事件也是依赖于的，目在此之前均是把Cox静态的二分类往北扩张为三分类，即结尾流血事件，更正结怨相互竞争安全性流血事件，依然，结果理解也显得很麻烦。大众在方具体情况原理选择的时候某种程度做出更确实的评估和试着。

4. 注释

[1].Fine JP and Gray RJ (1999) A proportional hazards model for the subdistribution of a competing risk. JASA 94:496-509.

[2].Gray RJ (1988) A class of K-sample tests for comparing the cumulative incidence of a competing risk, ANNALS OF STATISTICS, 16:1141-1154.

[3].Scrucca L., Santucci A., Aversa F. (2007) Competing risks ysis using R: an easy guide for clinicians. Bone Marrow Transplantation, 40, 381-387.

[4].Scrucca L., Santucci A., Aversa F. (2010) Regression modeling of competing risk using R: an in depth guide for clinicians. Bone Marrow Transplantation, 45, 1388–1395.