기본 콘텐츠로 건너뛰기

생존분석- 콕스 비례위험모형 (6)





 콕스 비례위험 모형 역시 여러 가지 모델을 지닐 수 있습니다. 이 가운데 가장 좋은 모형이 어떤 것인지를 알아내는 과정은 쉽지 않지만, 앞서 다른 분석 방법에서 본 것처럼 몇 가지 판단할 수 있는 방법이 있습니다. 콕스 비례위험 모형 역시 AIC (Akaike information criterion)를 기준으로 가장 적합한 모형을 찾는 방법이 있습니다. kidney 데이터에서 이를 찾아보겠습니다. 




library(survival)
library(MASS)

kd3<-coxph data="kidney)</span" disease="" factor="" sex="" status="=1)~age" ties="efron" time="" urv="">
summary(kd3)

model_selection<- kd3="" model="" selection="" span="" stepaic="" stepwise="" trace="TRUE)">
model_selection


 stepAIC를 통해 stepwise model selection이 가능한데, 당연히 AIC가 가장 작은 모델을 선택합니다. 만약 과정 없이 최종 모델만 보고 싶다면 trace + FALSE로 지정하면 됩니다. 


> kd3<-coxph data="kidney)</span" disease="" factor="" sex="" status="=1)~age" ties="efron" time="" urv="">
> summary(kd3)
Call:
coxph(formula = Surv(time, status == 1) ~ age + factor(sex) + 
    factor(disease), data = kidney, ties = "efron")

  n= 76, number of events= 58 

                        coef exp(coef)  se(coef)      z Pr(>|z|)    
age                 0.003181  1.003186  0.011146  0.285   0.7754    
factor(sex)2       -1.483137  0.226925  0.358230 -4.140 3.47e-05 ***
factor(disease)GN   0.087957  1.091941  0.406369  0.216   0.8286    
factor(disease)AN   0.350794  1.420195  0.399717  0.878   0.3802    
factor(disease)PKD -1.431108  0.239044  0.631109 -2.268   0.0234 *  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

                   exp(coef) exp(-coef) lower .95 upper .95
age                   1.0032     0.9968   0.98151    1.0253
factor(sex)2          0.2269     4.4067   0.11245    0.4579
factor(disease)GN     1.0919     0.9158   0.49238    2.4216
factor(disease)AN     1.4202     0.7041   0.64880    3.1088
factor(disease)PKD    0.2390     4.1833   0.06939    0.8235

Concordance= 0.697  (se = 0.041 )
Rsquare= 0.207   (max possible= 0.993 )
Likelihood ratio test= 17.65  on 5 df,   p=0.003
Wald test            = 19.9  on 5 df,   p=0.001
Score (logrank) test = 20.13  on 5 df,   p=0.001

> 
> model_selection<- kd3="" model="" selection="" span="" stepaic="" stepwise="" trace="TRUE)">
Start:  AIC=368.16
Surv(time, status == 1) ~ age + factor(sex) + factor(disease)

                  Df    AIC
- age              1 366.24
               368.16
- factor(disease)  3 372.69
- factor(sex)      1 381.12

Step:  AIC=366.24
Surv(time, status == 1) ~ factor(sex) + factor(disease)

                  Df    AIC
               366.24
- factor(disease)  3 370.74
- factor(sex)      1 379.15
> model_selection
Call:
coxph(formula = Surv(time, status == 1) ~ factor(sex) + factor(disease), 
    data = kidney, ties = "efron")

                      coef exp(coef) se(coef)      z        p
factor(sex)2       -1.4774    0.2282   0.3569 -4.140 3.48e-05
factor(disease)GN   0.1392    1.1494   0.3635  0.383   0.7017
factor(disease)AN   0.4132    1.5116   0.3360  1.230   0.2188
factor(disease)PKD -1.3671    0.2549   0.5889 -2.321   0.0203

Likelihood ratio test=17.56  on 4 df, p=0.001501
n= 76, number of events= 58 


 여기서는 sex와 disease만 넣은 변수가 가장 좋은 모델로 나왔습니다. 하지만 만약 우리가 진짜 알려는 독립 변수는 age이고 sex와 disease는 보정변수이기만 하다면 age를 뺄 수 없습니다. 그리고 아무래도 age가 중요한 영향인자라면 주된 독립 변수가 아니라도 뺄 수 없습니다. 선형 회귀나 로지스틱 회귀 모형과 마찬가지로 참고일 뿐이지 모델을 결정하는 절대적 방법은 아니지만, 여러 개의 변수가 존재할 때 참고할 수 있는 방법임은 분명합니다. 


 콕스 비례위험 모형은 이름처럼 각 변수의 위험도가 시간에 따라 비례해 증가하거나 감소한다고 가정하고 있습니다. 그러나 몇몇 변수들은 실제로는 그렇지 않을 가능성이 있습니다. 이럴 때 가장 간단한 해결책은 비례 가정을 만족시키지 않는 변수를 뺀 모형을 만드는 것이지만, 앞서 설명한 것처럼 그 변수가 빼기 어려운 중요한 보정 변수인 경우 고민에 빠지게 됩니다. 이 경우 층화(strata)가 한 가지 방법이 될 수 있습니다. 기본 개념은 비례 정도가 다른 집단에서 (예를 들어 남자와 여자, 노인과 청년 등)을 여러 개의 층으로 만들어 하나의 HR 값을 찾는 것입니다. 


 여기서는 age가 보려는 변수인데 주요 보정 변수인 sex가 비례 위험 가정을 만족시키지 않는 것처럼 보인다고 가정하겠습니다. 이 경우 sex를 모델에서 빼기 어렵기 때문에 성별에 따른 각각의 값을 구하거나 혹은 층화 콕스 비례 위험모형을 적용해야 합니다. strata()를 통해 적용할 수 있습니다. 


 #strata

kd3<-coxph age="" data="kidney)</span" factor="" sex="" status="=1)~" ties="efron" time="" urv="">
summary(kd3)

kd4<-coxph age="" data="kidney)</span" sex="" status="=1)~" strata="" ties="efron" time="" urv="">
summary(kd4)

> kd3<-coxph age="" data="kidney)</span" factor="" sex="" status="=1)~" ties="efron" time="" urv="">
> summary(kd3)
Call:
coxph(formula = Surv(time, status == 1) ~ age + factor(sex), 
    data = kidney, ties = "efron")

  n= 76, number of events= 58 

                  coef exp(coef)  se(coef)      z Pr(>|z|)   
age           0.002032  1.002034  0.009246  0.220  0.82607   
factor(sex)2 -0.829314  0.436349  0.298955 -2.774  0.00554 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

             exp(coef) exp(-coef) lower .95 upper .95
age             1.0020      0.998    0.9840     1.020
factor(sex)2    0.4363      2.292    0.2429     0.784

Concordance= 0.662  (se = 0.045 )
Rsquare= 0.089   (max possible= 0.993 )
Likelihood ratio test= 7.12  on 2 df,   p=0.03
Wald test            = 8.02  on 2 df,   p=0.02
Score (logrank) test = 8.45  on 2 df,   p=0.01

> 
> kd4<-coxph age="" data="kidney)</span" sex="" status="=1)~" strata="" ties="efron" time="" urv="">
> summary(kd4)
Call:
coxph(formula = Surv(time, status == 1) ~ age + strata(sex), 
    data = kidney, ties = "efron")

  n= 76, number of events= 58 

        coef exp(coef) se(coef)     z Pr(>|z|)
age 0.008007  1.008039 0.009253 0.865    0.387

    exp(coef) exp(-coef) lower .95 upper .95
age     1.008      0.992    0.9899     1.026

Concordance= 0.547  (se = 0.048 )
Rsquare= 0.01   (max possible= 0.982 )
Likelihood ratio test= 0.77  on 1 df,   p=0.4
Wald test            = 0.75  on 1 df,   p=0.4
Score (logrank) test = 0.75  on 1 df,   p=0.4


 결과를 보면 층화를 한 경우와 아닌 경우 모두 통계적 유의성이 없지만, 비례 계수가 1.002에서 1.008로 바뀌는 것을 볼 수 있습니다. 만약 sex가 비례 위험 가정을 만족하지 않는다면 층화를 통해 이 문제를 극복하고 더 정확한 값을 구할 수 있습니다. strata()를 적용한 변수에 대해서는 HR 값이 얻어지지 않는다는 점도 주목해야 합니다. 당연히 값이 나올 수 없습니다. 다만 이 결과를 믿기 위해서는 sex와 age간의 중요한 교호작용(상호작용)이 있는지를 검증해야 합니다. 


kd5<-coxph age="" data="kidney)</span" sex="" status="=1)~" strata="" ties="efron" time="" urv="">
summary(kd5)

> kd5<-coxph age="" data="kidney)</span" sex="" status="=1)~" strata="" ties="efron" time="" urv="">
> summary(kd5)
Call:
coxph(formula = Surv(time, status == 1) ~ age * strata(sex), 
    data = kidney, ties = "efron")

  n= 76, number of events= 58 

                         coef exp(coef) se(coef)      z Pr(>|z|)
age                  -0.01339   0.98670  0.01692 -0.791    0.429
age:strata(sex)sex=2  0.02893   1.02935  0.02009  1.440    0.150

                     exp(coef) exp(-coef) lower .95 upper .95
age                     0.9867     1.0135    0.9545     1.020
age:strata(sex)sex=2    1.0294     0.9715    0.9896     1.071

Concordance= 0.559  (se = 0.047 )
Rsquare= 0.035   (max possible= 0.982 )
Likelihood ratio test= 2.74  on 2 df,   p=0.3
Wald test            = 2.68  on 2 df,   p=0.3
Score (logrank) test = 2.71  on 2 df,   p=0.3


 P = 0.15로 유의한 교호작용은 없으며 층화 모형이 의미 있다고 할 수 있습니다. 만약 다른 변수도 층화를 통해 구해야 한다면 같은 과정을 반복하면 됩니다. 


kd3<-coxph age="" data="kidney)</span" disease="" factor="" sex="" status="=1)~" strata="" ties="efron" time="" urv="">
summary(kd3)

kd4<-coxph age="" data="kidney)</span" disease="" sex="" status="=1)~" strata="" ties="efron" time="" urv="">
summary(kd4)

kd5<-coxph age="" data="kidney)</span" disease="" sex="" status="=1)~" strata="" ties="efron" time="" urv="">
summary(kd5)


 그리고 만약 연속변수가 비례 위험 모형을 만족시키지 않는 경우 변수를 몇 개의 그룹으로 쪼개 문제를 피할 수도 있습니다. 예를 들어 나이 60세를 기준으로 나누는 등입니다. 그래도 비례 위험 가정이 만족되지 않으면 역시 층화를 시도하거나 그룹을 나눠 분석할 수 있습니다. 

댓글

이 블로그의 인기 게시물

렘 수면이 식이 패턴에 영향을 준다?

  ( Using a techniqu e called optogenetics, the activity of cells in the brain can be specifically suppressed with light pulses. Credit: Pascal Gugler / Insel Gruppe )  수면 중 빠른 안구 운동이 발생하는 렘 (REM) 수면은 아직도 그 기능이 완전히 밝혀지지 않았지만, 수면에서 매우 중요한 부분이라는 사실은 확실합니다. 렘 수면은 꿈과 관련이 깊으며 전체 수면 시간이 부족하지 않더라도 렘 수면 시간이 짧으면 다음날 집중력이 떨어지고 많이 피곤하게 됩니다. 아마도 렘 수면 시간 동안 여러 가지 기능과 작업이 이뤄짐을 시사하는 결과입니다.   베른 대학교 ( University of Bern )의 과학자들은 쥐를 이용한 동물 모델을 통해서 렘 수면이 식이 패턴에 미치는 영향을 조사했습니다. 연구팀은 렘 수면이 외측 시상하부 ( lateral hypothalamus)에 영향을 주어 식욕을 조절할 수 있다는 증거를 발견했습니다. 외측 시상하부는 모든 포유류에서 볼 수 있는 시상하부의 작은 핵으로 식욕을 조절하는데 중요한 역할을 하는 것으로 생각됩니다. 과거 과학자들은 렘 수면 동안 외측 시상하부가 활성화되는 것을 확인했지만, 렘 수면이 실제 식욕을 조절하는지에 대해서는 알지 못했습니다. 렘 수면 동안 외측 시상하부만 차단할 방법이 없었기 때문입니다.   연구팀은 빛으로 살아있는 세포를 조절하는 기술인 광유전학 (optogenetic) 방식으로 렘 수면 중인 쥐의 외측 시상하부 활동을 차단했습니다. 그 결과 쥐의 식욕이 저하되는 것을 확인할 수 있었습니다. 불과 하루 간 차단만으로도 4일 정도 효과가 지속될 정도로 식욕에 대한 영향이 컸습니다. 이는 렘 수면이 식욕을 적절하게 유지하는 데 도움을 준다는 점을 시사합니다.   사실 최근에 다이어트에 대한 수요가 폭발해서 ...

몸에 철이 많으면 조기 사망 위험도가 높다?

 철분은 인체에 반드시 필요한 미량 원소입니다. 헤모글로빈에 필수적인 물질이기 때문에 철분 부족은 흔히 빈혈을 부르며 반대로 피를 자꾸 잃는 경우에는 철분 부족 현상이 발생합니다. 하지만 철분 수치가 높다는 것은 반드시 좋은 의미는 아닙니다. 모든 일에는 적당한 수준이 있게 마련이고 철 역시 너무 많으면 여러 가지 질병을 일으킬 수 있습니다. 철 대사에 문제가 생겨 철이 과다하게 축적되는 혈색소증 ( haemochromatosis ) 같은 드문 경우가 아니라도 과도한 철분 섭취나 수혈로 인한 철분 과잉은 건강에 문제를 일으킬 수 있습니다. 하지만 높은 철 농도가 수명에 미치는 영향에 대해서는 잘 알려지지 않았습니다.   하버드 대학의 이야스 다글라스( Iyas Daghlas )와 임페리얼 칼리지 런던의 데펜더 길 ( Dipender Gill )은 체내 철 함유량에 영향을 미치는 유전적 변이와 수명의 관계를 조사했습니다. 연구팀은 48972명의 유전 정보와 혈중 철분 농도, 그리고 기대 수명의 60/90%에서 생존 확률을 조사했습니다. 그 결과 유전자로 예측한 혈중 철분 농도가 증가할수록 오래 생존할 가능성이 낮은 것으로 나타났습니다. 이것이 유전자 자체 때문인지 아니면 높은 혈중/체내 철 농도 때문인지는 명확하지 않지만, 높은 혈중 철 농도가 꼭 좋은 뜻이 아니라는 것을 시사하는 결과입니다.   연구팀은 이 데이터를 근거로 건강한 사람이 영양제나 종합 비타민제를 통해 과도한 철분을 섭취할 이유는 없다고 주장했습니다. 어쩌면 높은 철 농도가 조기 사망 위험도를 높일지도 모르기 때문입니다. 그러나 임산부나 빈혈 환자 등 진짜 철분이 필요한 사람들까지 철분 섭취를 꺼릴 필요가 없다는 점도 강조했습니다. 연구 내용은 정상보다 높은 혈중 철농도가 오래 유지되는 경우를 가정한 것으로 본래 철분 부족이 있는 사람을 대상으로 한 것이 아니기 때문입니다. 낮은 철분 농도와 빈혈이 건강에 미치는 악영향은 이미 잘 알려져 있기 때문에 철...

벽돌 속에 전기를 저장하는 코팅

  ( Red brick device developed by chemists at Washington University in St. Louis lights up a green light-emitting diode. The photo shows the core-shell architecture of a nanofibrillar PEDOT-coated brick electrode. Credit: D'Arcy laboratory, Department of Chemistry, Washington University in St. Louis )  신재생 에너지 확대와 에너지를 24시간 차질 없이 공급해야 하는 기업과 기관 (예를 들어 병원, 금용기관, 중요 산업 시스템 및 기타 갑자기 시스템을 중지할 수 없는 분야)이 증가함에 따라 에너지 저장 장치 (ESS)의 수요 역시 가파르게 증가하고 있습니다. 특히 풍력과 태양광처럼 에너지 생산량 변동이 심한 에너지원이 보급되면서 값싸고 안전하게 대량의 에너지를 저장할 수 있는 방법의 요구가 커지고 있습니다.   워싱턴 대학 줄리오 다르시 ( Julio D'Arcy ) 교수가 이끄는 연구팀은 평범한 벽돌에 전기를 저장할 수 있는 새로운 방법을 개발했습니다. 연구팀의 접근법은 전기가 통하는 폴리머 소재인  PEDOT를 코팅해 벽돌 자체를 슈퍼 커패시터 (콘덴서)로 만드는 것입니다. 화학 배터리 대신 슈퍼 커패시터에 전기를 저장하는 연구는 일찍부터 있어왔지만, 흔한 벽돌 소재의 슈퍼 커패시터는 참신한 시도라고 할 수 있습니다. 벽돌에 에너지를 저장하려는 시도 역시 이전에도 있었지만, 대개 열을 저장하는 방식이었고 전기 자체를 저장하는 방식은 새로운 시도입니다.   이전 포스트:  https://blog.naver.com/jjy0501/221592595133  연구팀에 따르면 일반적인 크기의 벽돌에 PEDOT 소재를 코팅할 경우 최대 10분 정도 LED 전...