k结局 如何评估竞争风险--SAS实现竞争-

1.什么是竞争风险？

2. 考虑竞争风险对结果的影响

3.如何评估竞争风险--SAS实施

在生存分析中，竞争风险常常被忽视。 作者普遍通过Ovid搜索涉及风险的文章，占比约百分之一。 当然，这个寻找过程特别粗糙（请勿喷），但也说明了竞争风险被忽视的程度。

这也间接体现了命名的重要性。 说到“竞争”，大家都觉得很残酷、很累，大多数人都被劝退了。 因此，在生存分析中，如果不涉及协变量，则使用Meier。 如果需要调整协变量，请使用 Cox 比例风险模型。 无论如何，大多数人都是这样使用的。 你不能说我错了。 还有一个原因，下面笔者会解释一下。 文中提到。 这就导致方法论领域的风险普及程度与人口研究领域的普及程度极不相称。 笔者之前也有选择性地忽略了这个问题。 如果叫“扁平风险模型”，应该会更受欢迎。

今天我简单讲一下竞争风险。 希望大家以后做生存分析的时候能够想到这一点。

1、竞争风险（-风险）：

当一个研究对象将有多个结果事件，并且一个结果事件的发生将阻止其他结果事件的发生（或者这些结果事件是相互排斥的）时，就称这些结果事件之间存在竞争风险。

竞争风险在生存分析中仍然很常见。 可以说，只有当结果是全因死亡时，才不存在竞争风险。 当以特定原因死亡（例如心血管疾病死亡）作为结果或以疾病发作作为结果时，存在相互竞争的风险。

例如，当不存在竞争风险时，当研究的结果是全因死亡时，其他事件的发生并不能阻止这一结果的发生。 只要后续时间足够长，这种结果总会发生。 当然，由于资源有限和失访，并不是所有的研究对象都会被追踪到死亡。 那些因研究截止或随访中断（失访）而引起的被认为是非的，即研究对象的生存分布是否与之无关。 研究对象的死亡是否会发生在现实世界中。 因此，对于随访结束时尚未死亡的研究对象，我们可以将其生存分布等同于同时仍在随访的研究对象。

作为竞争风险的另一个例子，当研究结果是心血管疾病死亡时，其他原因导致的死亡（例如非心血管疾病死亡）将阻止该结果发生。 如果将其他原因导致的死亡视为非，则意味着如果随访时间足够长，这部分研究对象仍有可能死于心血管疾病，但这显然与事实相悖。 因此，以非方式处理风险会在一定程度上高估相应结果的风险。

在上面的例子中，两个结局对彼此来说都是风险。 还有一种称为半风险，例如心血管疾病的发病率和全因死亡的风险。 死亡是心血管疾病发病的风险，但心血管疾病的发病并不是所有原因导致死亡的风险。 毕竟，心血管疾病仍然是一个风险。 会经历死亡。

2. 考虑竞争风险对结果的影响

下图A显示了Meier方法在不考虑竞争风险的情况下预测的累积风险（1-S(t)）。

图1中，第1行代表非心血管疾病的累积风险，第2行代表心血管疾病的累积风险，第4行是两者之和，第3行代表所有死因（CVD+非心血管疾病）导致的死亡。 CVD）作为结果。 随着时间的推移累积风险。 原则上，第4行和第3行应该重叠，但这里可以看出，在不考虑竞争风险的情况下，CVD和非CVD的累积死亡风险之和显着高于所有原因导致的死亡风险。死亡。

因此，当存在竞争风险时，使用KM方法分析累积风险会高估相应结果的风险。 更直接的说，只要不是全因死亡而告终，就不要使用KM方法！

图1

在不使用KM方法的情况下，是否有其他方法可以在考虑竞争风险后预测疾病的累积风险？

亮点： CIF ( )

假设数据库中心血管疾病死亡标记为1，非心血管疾病死亡标记为2，失访或终止随访死亡标记为0。考虑后风险，我们会得到图2。

SAS CODE
/*考虑competing-risk后计算心血管疾病死亡的累积风险*/
Proc lifetest data=dataset plots=cif timelist=0 5 10;
time survival_time*event_type(0) / eventcode=1;
title “CIF for CVD death”;
Run;
/*考虑competing-risk后计算非心血管疾病死亡的累积风险*/
Proc lifetest data=dataset plots=cif timelist=0 5 10;
time survival_time*event_type(0) / eventcode=2;
title “CIF for non-CVD death”;
Run;

图2

先来一波公式吧。

风险函数是

h_0(t)是基线风险，是所有X值都为0时的风险。

假设仅考虑单一暴露因素，则风险函数为

该暴露因子的取值可以是x_1或x_2，则与{X=x}_2相比，{X=x}_1结果事件的风险为

累积风险函数为：

生存函数为：

S\left(t\right)=\exp{\left(-\\left(t\right)\right)}

因此，给定暴露对风险的相对影响相当于给定暴露对生存函数的对数变换的相对影响。 当竞争风险不存在时，生存函数与累积风险函数直接相关。

两个常用的风险函数包括原因-和（翻译不合格...）

原因- ：

可以看出，这个风险函数与上面不考虑竞争风险的函数类似，只是增加了D=k。

没有任何结果事件的人群中结果 k 的瞬时发生率。 因此，在这个函数中，还考虑了其​​他结束事件。 该模型得到的HR也与传统的Cox模型一致。

但该模型得到的生存函数或累积发生率函数与常规Cox不同。

第k个结果对应的累积风险函数（原因-）为：

\\左(t\右)=\int_{0}^{t}{\\左(s\右)d}s

总体生存函数为：

累积发生函数：

当所有事件被视为复合结果时，所有结果的 CIF 之和等于 CIF（见图 2）。

可以看出，第k个结果的CIF与每个结果的累积风险有关（因为计算CIF需要总体生存函数S(s)），而不仅仅是第k个结果的生存函数。 这与未能考虑竞争风险（S\left(t\right)=\exp{\left(-\\left(t\right)\right)} ）不一致。 因此，结果k的累积风险函数与累积发生率函数不直接相关。 如果暴露因素导致结果事件的累积风险增加，则不一定会导致其累积发生率增加。

你觉得很混乱吗？ 。 。 很头晕。 。 。 来吧，继续！

第二种常用的风险处理方法也称为 Fine and Gray 模型，也称为 CIF 回归模型。

这个函数有点复杂，但不要害怕。

没有经历过k-结果事件的人中k-结果的瞬时发生率（注意！这与原因-不同）。 换句话说，在时间 t 之前发生过其他结束事件的人也包括在分析中。

相应的生存函数为：

因此，暴露因子的方向与其影响的方向是一致的。 这一特征与不存在竞争风险是一致的。 这个功能也是它派上用场的地方。

看到这里，可能有人会认为，既然结果可以预测暴露因素对某种结果的风险以及疾病的发作，那么使用它就可以了。

然而，这种方法并不能满足所有需求。 在解释结果时，只能看到风险的方向，而看不到风险的大小。 例如，利用一般COX模型和原因模型发现，与正常体重者相比，肥胖者CVD的HR为1.2。 我们可以解释说，肥胖者患CVD的风险比正常体重者高20%。 但对于结果，我们只能解释HR=1，没有风险差异； HR>1，风险增加； 人力资源

对于这两种方法来说，其适用的问题也不同。 Cause-主要适合研究与原因相关的问题，适合预测个体风险或政策制定。 如果你无法区分，就两者都使用，不会有任何错误。

3.SAS实施

你现在可能有点头晕。 上面说了这么多，关键是在做生存分析的时候，一定要考虑风险。 只有一种例外，即所有死因导致的死亡。 另外，考虑到两种风险的功能不同，建议两者都做。

下面使用SAS软件介绍如何分析风险。

示例：分析肥胖对人群中心血管疾病死亡或非心血管疾病死亡的影响。

随访期是从基线开始直至心血管疾病死亡（=1）、非心血管疾病死亡（=2）或研究结束或失访（=0）。

常规COX型号：

proc phreg data=dataset; 
class BMI; 
model Survival_time*Status(0,2) = BMI / ties=efron; 
hazardratio ‘Cox regression model for CVD death' BMI; 
run;
proc phreg data=dataset; 
class BMI; 
model Survival_time*Status(0,1) = BMI / ties=efron; 
hazardratio ‘Cox regression model for non-CVD death' BMI; 
run;

原因模型：

proc phreg data=dataset; 
class BMI / order=internal ref=first param=glm; 
model Survival_time*Status(0,2) = BMI/ties=efron ; 
hazardratio 'Cause-Specific Hazard for CVD death' BMI; 
run;
proc phreg data=dataset; 
class BMI / order=internal ref=first param=glm; 
model Survival_time*Status(0,1) = BMI/ties=efron ; 
hazardratio 'Cause-Specific Hazard for non-CVD death' BMI; 
run;

模型：

proc phreg data=dataset; 
class BMI / order=internal ref=first param=glm; 
model Survival_time*Status(0) = BMI / eventcode = 1 ; 
              hazardratio ‘Subdistribution hazard model for CVD death’ BMI; 
run;
proc phreg data=dataset; 
class BMI / order=internal ref=first param=glm; 
model Survival_time*Status(0) = BMI / eventcode = 2 ; 
              hazardratio ‘Subdistribution hazard model for non-CVD death’ BMI; 
run;

4. 总结

参考

1. PC，Lee DS，Fine JP。 风险中的数据。 [] 2016 年 [引用于 2021 年 9 月 17 日]；133(6):601–9。

2. 风险。 来自 ICES 的 Peter，2020 年