タグ付けされた質問 「incidence-rate-ratio」

2
症例対照研究における生存率の傾向
生存分析を行う不適切な方法のために拒否された記事を提出しました。レフェリーは、「時間の傾向に関する生存分析には、より洗練された検閲方法が必要です。」以外の詳細や説明は残していません。 質問: 喫煙者の過剰な死亡リスクは過去数十年で減少しましたか? データ: ドイツでは25,000人の喫煙者。彼らは1995年から2014年の間にいつでもコホートに登録されました。各喫煙者は(登録時に)一般集団(喫煙しなかった)からの性別と年齢が一致したコントロールに一致しています。研究期間全体で亡くなったすべての人には、正確な死の時間があります。フォローアップ中に死亡しなかった人は検閲されます。この研究は、1995年から2014年まで喫煙者の過剰な死亡リスクを毎年調査するために利用されています。 目的は次の計算です。 喫煙者と非喫煙者の死亡率を毎年調べ、これらの傾向を調べる 毎年(または数年連続)の喫煙者の過剰死亡リスク。 データはどのように分析されるべきですか?1998年に含まれている誰かが2015年に死ぬかもしれないことを思い出してください。開始と停止のカウントプロセスフォーマットを使用する正しいアプローチは毎年更新されますか? これはレフェリーが嫌ったアプローチです: 発生率はポアソン回帰によって計算されました。モデルのオフセットとしてフォローアップ時間を含め、モデルの予測子として年齢、性別、喫煙状況、およびカレンダー期間(2つの連続した年を組み合わせたもの)を含めました。次に、Rのpredict()関数を使用して、1000人年あたりの率を計算しました。オフセット(フォローアップ時間)は、登録からの全観察時間(日)でした。 Coxモデルを使用して、研究の開始から終了までの各期間における喫煙者の相対リスクを推定しました。簡単にするために、最初の期間のハザード比を最後の期間のハザード比と比較しました。 問題:-(彼のコントロールと共に)人は1998年に含まれている可能性があり、そのためそのカレンダーグループに属しているが、2006年にはイベントに苦しんでいる。コックスのカウントプロセス?開始時間と停止時間は何ですか?-この状況でトレンドをどのように評価できますか? いくつかの説明:患者が1998年6月15日に最初に観察され、1998年12月31日のイベントを経験したとしましょう。この患者の時間変数の値は、期間が2年続くため、730日のうち182.5です。各期間の最大観測時間は730日です。 ある期間に患者が観察されたが、別の期間に打ち切られた(つまり、経験とイベントのいずれかまたは脱落した)場合、観察された日数を次の期間に追加する必要がありますか? したがって、主な問題は、フォローアップ時間と暦年(2つの連続する年で構成されるカテゴリ変数として使用される)の処理です。

3
発生率の比較
2つのグループ(1つは疾患なし、もう1つは疾患なし)間の発生率と比較したいと思います。 発生率比(IRR)、つまり発生率グループB /発生率グループAを計算し、この率が1に等しいかどうかをテストし、最後にIRRの95%CI間隔を計算することを計画していました。 私は本(Rosner's Fundamentals of Biostatistics)で95%CIを計算する方法を見つけました。 exp[log(IRR)±1.96(1/a1)+(1/a2)−−−−−−−−−−−−√]exp⁡[log⁡(IRR)±1.96(1/a1)+(1/a2)]\exp\left[\log(\text{IRR}) \pm 1.96\sqrt{(1/a_1)+(1/a_2)}\right] ここで、とはイベントの数です。しかし、この近似は十分に大きいサンプルサイズに対してのみ有効であり、私が持っているイベントの数は小さいと思います(たぶん、全体の比較では問題ありません)。a 2a1a1a_1a2a2a_2 だから私は別の方法を使うべきだと思います。 私はRとexactciパッケージを使用していて、おそらく使用できることを発見しましたpoisson.test()。ただし、この関数には、両側のp値を定義するための3つの方法があります。中央、最小、およびブレーカーです。 だから私の質問は: ポアソン率の比較テストを使用して2つの発生率比を比較することは正しいですか? exactciパッケージのRでpoisson.test関数を使用する場合、どの方法が最適ですか? ビネットのためexactciは言います: central:は、上記の1で区切られた片側p値の最小値の2倍です。「central」という名前は、中心間隔である関連付けられた反転収束間隔によって動機付けられます。つまり、真のパラメーターがは、100(1-)%の信頼区間の下(上)テールよりも小さい(大きい)確率です。これは、Hirji(2006)によってTST(2回の小さいテール法)と呼ばれています。αα/2α/2\alpha/2αα\alpha minlike:観測された尤度以下の尤度を持つ結果の確率の合計です。これはHirji(2006)によってPB(確率ベース)メソッドと呼ばれています。 ブレーカー:観測されたテールの小さい確率と、観測されたテールの確率を超えない反対側のテールの最小確率を組み合わせます。「ブレーカー」という名前は、コンデンス間隔の関連メソッドを包括的に研究するブレーカー(2000)が動機となっています。これはHirji(2006)によってCT(combined tail)法と呼ばれています。 私のデータは: Group A: Age group 1: 3 cases in 10459 person yrs. Incidence rate: 0.29 Age group 2: 7 cases in 2279 person yrs. Incidence rate: 3.07 Age …

1
ポアソンモデルを使用した発生率の計算:Cox PHモデルからのハザード比との関係
リスクの相対的な測定と絶対的な測定の両方を示すために、ハザード比に沿って示す発生率を計算したいと思います。他の研究で、そのような発生率は、モデルのフォローアップ時間をオフセットとしてポアソンモデルを使用して計算できることがわかりました。だから私は次のようにRでそれを試しました: library(survival) # Get example data data(colon) colon$status <- ifelse(colon$etype==1,0,1) # set to 0/1 (needed for poisson later on) # Fit cox model for rx (age + sex adjusted) coxph(Surv(time,status)~rx+sex+age, data=colon) # HR (rxLev): 0.92 # HR (rxLev+5FU): 0.74 # Get incidence rates using poisson models with same terms and …

3
病気の出現確率を計算する
私は医者ですので、私と統計の基本的な理解に親切にしてください。 患者とその訪問からなるデータセットがあり、左手または右手、あるいはその両方に特定の種類のほくろの存在を{0,1}の値でラベル付けしました(0 =存在せず、1 =存在)。データセットは次のようになります。 **回答が提供されたので削除しました。新しいリクエストに応じて送信できます つまり、患者A1-001には6回の通院があり、すべての通院で右手にほくろがなく、1回目以外のすべての通院では左手にほくろがありました。 片方の手でほくろを発症した患者のみの間で手がほくろを発症する確率を見つけ、もう一方の手でほくろを発症する確率を見つけることに興味があります(患者がもう片方の手ですでにほくろを持っている場合) 。 さらに、両手である時点でほくろを発症した患者の中で、通院中にほくろを発症する確率はどのくらいか知りたい これらの簡単な質問をモデル化するのを手伝ってくれませんか?
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.