У меня была аналогичная проблема, и решить ее, как этот:
Как указано в survival
help file вам нужно указать time
и time2
.
Вы можете думать о слева цензура данных, не происходит от -infinity
до time
вы измерили, и правая цензуру из не происходит от time
вы измерили (вероятно, последнее наблюдение) до +infinity
. Бесконечность лучше всего кодируется NA
.
Что я решил создать две векторы: вектор начала time
и вектор остановки time2
.
Для time
вы хотите, чтобы все эти значения были левым цензором были NA
. Право цензуры наблюдения заполняются со временем измерения, точно так же как События.
Для time2
все наоборот.
Я действительно не получаю ваши данные. Почему бы вам следить за предметами, если они уже провели это мероприятие? Это то, что вы делаете для субъектов 4 и 5, указав, что время AF - 8 и 3, а для последующего - 15 и 7.
Пытаясь помочь, я предполагаю следующее:
У вас есть 5 пациентов с
AF_at_baseline<-c(1,0,1,0,0) #where 1 indicates left censoring
Последующими раз моменты событий (или последний раз по итогам для левого и правого цензурированной)
Так левых цензурированного данных ваш Followup_time будет выглядеть следующим образом:
Followup_time <- c(NA, 3, NA, 15, 7)
Для правой цензуре данные:
Followup_time2 <- c(11, NA, 8 ,15, 7)
#Since you indicated that only subject 2 didn't experience the event
Теперь вы можете позвонить Surv
Surv.Obj <- Surv(Followup_time, Followup_time2, type = 'interval2')
Surv.Obj
[1] 11- 3+ 8- 15 7 # with '-' indicating left censoring and '+' right censoring
Тогда вы можете вызвать survfit
и построить кривую Kaplan-Meier:
km <- survfit(Surv.Obj ~ 1, conf.type = "none")
km
Call: survfit(formula = Surv.Obj ~ 1, conf.type = "none")
n events median 0.95LCL 0.95UCL
5 4 7 7 NA
enter code here
summary(km)
Call: survfit(formula = Surv.Obj ~ 1, conf.type = "none")
time n.risk n.event survival std.err lower 95% CI upper 95% CI
7.0 4 3.00e+00 0.25 0.217 0.0458 1
7.5 1 4.44e-16 0.25 0.217 0.0458 1
15.0 1 1.00e+00 0.00 NaN NA NA
plot(km, conf.int = FALSE, mark.time = TRUE)
До сих пор я не узнал, как делать Cox PH с интервальными данными. См. Мой вопрос here.
Левая цензура подходит, если у вас есть время начала наблюдения, и вы не знаете точное время события, но у вас есть верхняя граница. [См., Например, пример в этом ответе] (http://stats.stackexchange.com/a/144098/7515). Для этих данных цензура будет иметь смысл только в том случае, если бы ваше нулевое время (начало наблюдения) было сказано, рождение. Кажется, вы хотите использовать набор в качестве начала наблюдения, поэтому левый цензура на самом деле не применяется. – Gregor
Это не похоже на тему для SO, я бы порекомендовал задать дополнительные вопросы в stats.stackexchange, если вам нужно больше методологического/статистического руководства. – Gregor
Как правило, вы просто опускаете случаи в AF, когда пытаетесь предсказать время до появления лиц, которые в настоящее время свободны от этого состояния. –