DOI: https://doi.org/10.1002/sim.70161
PMID: https://pubmed.ncbi.nlm.nih.gov/40492822
تاريخ النشر: 2025-06-01
المؤلف: Peter C. Austin وآخرون
الموضوع الرئيسي: إدارة المخاطر المالية والتأمينية
نظرة عامة
نموذج الانحدار النسبي لمخاطر كوكس هو أداة مستخدمة على نطاق واسع لتطوير نماذج التنبؤ السريرية التي تهدف إلى تقدير خطر النتائج المتعلقة بالوقت، مثل خطر الوفاة خلال 10 سنوات. يقيم هذا النموذج العلاقة بين المتغيرات والمخاطر المرتبطة بحدث ما، تحت الافتراض الحاسم بأن نسبة دوال المخاطر لأي فردين تظل ثابتة بمرور الوقت، وتعتمد فقط على متغيراتهم ومعاملات الانحدار. يعد المعايرة، الذي يقيس التوافق بين المخاطر المتوقعة والملاحظة، أمرًا أساسيًا للتحقق من صحة هذه النماذج التنبؤية السريرية.
تستكشف هذه الدراسة تأثير انتهاكات افتراض المخاطر النسبية على معايرة التنبؤات التي تم إجراؤها باستخدام نموذج كوكس. من خلال محاكاة مونت كارلو، قارن الباحثون معايرة التنبؤات الناتجة عن نموذج كوكس—رغم انتهاك الافتراض—مع تلك الناتجة عن نماذج بديلة، بما في ذلك نماذج زمن الفشل المعجل (AFT) ونماذج البقاء المعتمدة على الانحدار. تشير النتائج إلى أن مثل هذه الانتهاكات لها تأثير ضئيل على معايرة التنبؤات التي ينتجها نموذج كوكس، مما يقترح متانته في التطبيقات السريرية حتى عندما لا يتم الالتزام بدقة بفرض المخاطر النسبية.
الطرق
في هذه الدراسة، استخدم المؤلفون طرق محاكاة مونت كارلو للتحقيق في كيفية تأثير انتهاكات افتراض المخاطر النسبية على معايرة التنبؤات المستمدة من نموذج الانحدار النسبي لمخاطر كوكس. كانت المحاكاة تهدف إلى تقييم دقة معايرة نموذج كوكس عندما لا يتم الالتزام بهذا الافتراض، ومقارنته بعدة منهجيات بديلة لتقدير المخاطر في تحليلات الوقت حتى الحدث.
تضمنت الطرق البديلة التي تم تقييمها نموذج كوكس الذي تم تقسيمه على المتغير الذي تسبب في انتهاك الافتراض، ونماذج البقاء المعجل (AFT) المعتمدة على المعلمات، ونماذج البقاء المعتمدة على الانحدار كما اقترحها رويستون وبارمار، ونماذج خطية عامة تستخدم الملاحظات الزائفة. يسمح هذا المقارنة الشاملة بفهم دقيق لمتانة وموثوقية أساليب النمذجة المختلفة في ظل وجود انتهاكات للافتراض.
النتائج
في قسم النتائج، يقدم المؤلفون نتائج من محاكاة مونت كارلو، مميزين بين سيناريوهين بناءً على طبيعة المتغير الذي انتهك افتراض المخاطر النسبية: ثنائي ومستمر. تهدف التحليل إلى توضيح تأثير هذا الانتهاك على نتائج المحاكاة، مما يوفر رؤى حول كيفية تأثير أنواع مختلفة من المتغيرات على صحة نموذج المخاطر النسبية. تعتبر نتائج هذه المحاكاة حاسمة لفهم متانة النموذج تحت ظروف متغيرة ولتوجيه التطبيقات المستقبلية في التحليلات الإحصائية التي تتضمن بيانات البقاء.
المناقشة
في هذه الدراسة، بحثنا في تأثير انتهاكات افتراض المخاطر النسبية على معايرة نماذج الانحدار لكوكس، باستخدام محاكاة مونت كارلو وبيانات تجريبية من 19,559 مريضًا تم إدخالهم إلى المستشفى بسبب احتشاء عضلة القلب الحاد في أونتاريو، كندا. قمنا بتغيير عاملين في محاكاة لدينا: حجم انتهاك افتراض المخاطر النسبية وما إذا كان المتغير المنتهك ثنائيًا أو مستمرًا. أشارت نتائجنا إلى أنه عندما تم انتهاك افتراض المخاطر النسبية لمتغير ثنائي، حافظ نموذج كوكس غير المحدد بشكل صحيح على معايرة ممتازة، دون تأثير كبير من حجم الانتهاك. على العكس، بالنسبة للمتغيرات المستمرة، لوحظت معايرة خاطئة طفيفة إلى معتدلة، خاصة عند آفاق التنبؤ القصيرة ومع انتهاكات معتدلة إلى قوية.
كما قارننا طرق التنبؤ البديلة، بما في ذلك نماذج AFT المعتمدة على المعلمات والملاحظات الزائفة مع نماذج خطية عامة. لم يحسن نموذج AFT المعايرة مقارنة بنموذج كوكس، على الأرجح بسبب الافتراضات غير الصحيحة حول توزيعات أوقات الأحداث. من الجدير بالذكر أن استخدام الملاحظات الزائفة مع دالة ارتباط لوجيت محدودة أظهر أداءً قويًا عبر سيناريوهات مختلفة. تشير نتائجنا إلى أنه حتى عندما يتم انتهاك افتراض المخاطر النسبية، يمكن أن تظل معايرة نماذج كوكس مقبولة، مما يتحدى الفكرة القائلة بأن مثل هذه الانتهاكات تؤثر بالضرورة على دقة التنبؤ. ومع ذلك، فإن اعتماد الدراسة على محاكاة مونت كارلو يقدم قيودًا، خاصة فيما يتعلق بكثافة الحسابات وتعقيد عملية توليد البيانات.
DOI: https://doi.org/10.1002/sim.70161
PMID: https://pubmed.ncbi.nlm.nih.gov/40492822
Publication Date: 2025-06-01
Author(s): Peter C. Austin et al.
Primary Topic: Insurance and Financial Risk Management
Overview
The Cox proportional hazards regression model is a widely utilized tool for developing clinical prediction models aimed at estimating the risk of time-to-event outcomes, such as the 10-year risk of death. This model assesses the relationship between covariates and the hazard of an event, under the critical assumption that the ratio of hazard functions for any two individuals remains constant over time, dependent solely on their covariates and regression coefficients. Calibration, which measures the agreement between predicted and observed risks, is essential for validating these clinical prediction models.
This study investigates the effect of violations of the proportional hazards assumption on the calibration of predictions made using the Cox model. Through Monte Carlo simulations, the researchers compared the calibration of predictions from the Cox model—despite the assumption violation—with those from alternative models, including accelerated failure time (AFT) models and spline-based parametric survival models. The findings indicate that such violations have a negligible impact on the calibration of predictions generated by the Cox model, suggesting its robustness in clinical applications even when the proportional hazards assumption is not strictly met.
Methods
In this study, the authors employed Monte Carlo simulation methods to investigate how violations of the proportional hazards assumption affect the calibration of predictions derived from a Cox proportional hazards model. The simulations aimed to assess the calibration accuracy of the Cox model when this assumption is not met, comparing it against several alternative methodologies for estimating risk in time-to-event analyses.
The alternative methods evaluated included a Cox model that stratified on the variable causing the assumption violation, parametric accelerated failure time (AFT) survival models, spline-based parametric survival models as proposed by Royston and Parmar, and generalized linear models utilizing pseudo-observations. This comprehensive comparison allows for a nuanced understanding of the robustness and reliability of different modeling approaches in the presence of assumption violations.
Results
In the Results section, the authors present findings from Monte Carlo simulations, distinguishing between two scenarios based on the nature of the variable that violated the proportional hazards assumption: binary and continuous. The analysis aims to elucidate the impact of this violation on the results of the simulations, providing insights into how different types of variables influence the validity of the proportional hazards model. The outcomes of these simulations are critical for understanding the robustness of the model under varying conditions and for guiding future applications in statistical analyses involving survival data.
Discussion
In this study, we investigated the impact of violations of the proportional hazards assumption on the calibration of Cox regression models, using Monte Carlo simulations and empirical data from 19,559 patients hospitalized with acute myocardial infarction in Ontario, Canada. We varied two factors in our simulations: the magnitude of the violation of the proportional hazards assumption and whether the violating variable was binary or continuous. Our findings indicated that when the proportional hazards assumption was violated for a binary variable, the misspecified Cox model maintained excellent calibration, with no significant impact from the magnitude of the violation. Conversely, for continuous variables, minor to modest miscalibration was observed, particularly at shorter prediction horizons and with moderate to strong violations.
We also compared alternative prediction methods, including parametric AFT models and pseudo-observations with generalized linear models. The AFT model did not improve calibration compared to the Cox model, likely due to incorrect assumptions about event time distributions. Notably, the use of pseudo-observations with a bounded logit link function showed robust performance across various scenarios. Our results suggest that even when the proportional hazards assumption is violated, the calibration of Cox models can remain acceptable, challenging the notion that such violations necessarily compromise predictive accuracy. However, the study’s reliance on Monte Carlo simulations presents limitations, particularly regarding computational intensity and the complexity of the data-generating process.