Escolar Documentos
Profissional Documentos
Cultura Documentos
1. INTRODUÇÃO
1
3. METODOLOGIA
Para a aplicação dos testes foram utilizadas informações disponíveis no estudo descrito
por Klein e Moeschberger (1997), onde:
➢ Para cada paciente foram registrados, no diagnóstico, a idade (em anos) e o estágio da
doença (I = tumor primário, II = envolvimento de nódulos, III = metástases e IV =
combinações dos 3 estágios anteriores), bem como a data do óbito ou do último
acompanhamento (censura).
➢ Os tempos foram registrados em anos, no total 50 eventos (óbitos) foram registrados.
➢ Os estágios encontram-se ordenados pelo grau de seriedade da doença (menos sério para
mais sério).
Para a realização dos testes foi utilizado software estatístico R (software livre).
2
4. RESULTADOS E DISCUSSÕES
3
Pelos testes acima, os tempos medianos de vida para cada estágio da doença são: Estágio
1 = 6,5 anos, Estágio 2 = 7 anos, Estágio 3 = 5 anos e Estágio 4 = 1,5 anos. Podemos perceber
que pacientes que se encontram no estágio 4 da doença tem uma probabilidade de sobrevivência
menor do que a dos outros estágios considerados no estudo. Obtivemos também as
probabilidades de sobrevivência em cada período nos diferentes estágios da doença e
observamos que à medida que o tempo do estudo passa essas probabilidades vão diminuindo.
Observamos também, considerando um intervalo de confiança de 95%, os limites inferiores e
superiores para cada tempo considerado em cada estágio. Pela curva de sobrevivência obtida
pelo estimador de Kaplan-Meier (Figura 1), percebemos realmente que a curva correspondente
4
ao estágio 4 da doença decai mais rapidamente com relação às que representam os outros
estágios.
5
Podemos perceber que diante do teste da comparação, dois a dois, rejeitamos a hipótese
nula de igual distribuição nos tempos de vida dos pacientes apenas nas comparações entre os
estágios 1 e 4, 2 e 4, 3 e 4, pois o p-valor nesses resultados foi menor que 5%.
De acordo com Figura 2 (TTT plot) podemos perceber a indicação de função de risco
crescente.
6
Pelas Figuras 3 e 4 e os resultados obtidos, o modelo que melhor se ajusta aos dados é
o modelo log-normal. Isso é confirmado também pela medida de ajuste analisada (AIC), pois o
modelo log-normal obteve o menor valor para essa medida, conforme dados da Tabela 1.
se estágio 1
se estágio 2
se estágio 3
7
se estágio 4
̂ 2
[𝑆̂0 (𝑡)]exp{𝛽4 𝑥 }
̂ ̂ ̂ 2
[𝑆̂0(𝑡)]exp {𝛽1+(𝛽4+ 𝛽5) 𝑥 }
𝑆̂(𝑡 |𝑋) = { ̂ ̂ ̂ 2
[𝑆̂0(𝑡)]exp {𝛽2+(𝛽4+ 𝛽6) 𝑥 }
̂ ̂ ̂ 2
[𝑆̂0(𝑡)]exp {𝛽3+(𝛽4+ 𝛽7) 𝑥 }
̂ 4 𝑥2 }
exp{𝛽 se estágio 1
̂0 (𝑡)
𝛾
̂ 1 +(𝛽
exp {𝛽 ̂ 5 ) 𝑥2 }
̂ 4+ 𝛽 se estágio 2
̂0 (𝑡)
𝛾
𝛾̂ (𝑡|𝑥 ) = { ̂ 2 +(𝛽 ̂ 6 ) 𝑥2 }
̂ 4+ 𝛽
̂0 (𝑡)
𝛾 exp {𝛽 se estágio 3
̂ 3 +(𝛽
exp {𝛽 ̂ 7 ) 𝑥2 }
̂ 4+ 𝛽
̂0 (𝑡)
𝛾 se estágio 4
8
5. CONCLUSÃO
Concluímos que a razão de taxas de falha entre dois pacientes (i e ℓ), em que ambos se
encontram no estágio 2 da doença, mas um deles apresenta idade de 65 anos e o outro de 50
anos é de 5,84, conforme expressão abaixo:
̂ (𝑡|𝑥𝑖 )
𝛾 ̂1 +(𝛽
𝑒𝑥𝑝 {𝛽 ̂4 + 𝛽
̂5 ) ∗ 65}
̂ (𝑡|𝑥ℓ )
= ̂1 +(𝛽
̂4 + 𝛽
̂5 ) ∗ 50} = 𝑒𝑥𝑝 {(𝛽̂4 + 𝛽̂5 ) ∗ (65 − 50)} = 5,84
𝛾 𝑒𝑥𝑝 {𝛽
Isso significa que a taxa de morte de pacientes como 65 anos de idade e no estágio 2 da
doença é de aproximadamente 6 vezes a taxa de morte de pacientes com 50 anos e no mesmo
estágio da doença.
Por outro lado, tem-se, para os pacientes (j e k), em que ambos têm 50 anos de idade,
sendo que um deles se encontra no estágio 4 da doença e o outro no estágio 3, que a razão de
taxas de falha entres eles é de 2,96, conforme expressão abaixo.
9
6. REFERÊNCIAS
COLOSIMO, Enrico; GIOLO, Suely. Análise de Sobrevivência Aplicada. 5ª ed. São Paulo:
Edgard Blucher, 2006.
R Core Team (2021). R: A language and environment for statistical computing. R Foundation
for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
10
7. ANEXOS
7.1 Tabelas
Tabela 2: Estimativas obtidas para os modelos de Cox ajustados aos dados de câncer de laringe
Log verossimilhança
Modelos Covariáveis Estimativas
parcial
1 – – ℓ1 = –197,2129
X1: estágio 2 ̂1 = 0,0658
𝛽
2 X1: estágio 3 ̂2 = 0,6121
𝛽 ℓ2 = –189,0812
X1: estágio 4 ̂3 = 1,7228
𝛽
11
̂1 = – 7,9461
𝛽
X1: estágio 2
X1: estágio 3 ̂2 = – 0,1225
𝛽
X1: estágio 4 ̂3 = 0,8470
𝛽
4 X2: idade ̂4 = – 0,0026
𝛽 ℓ4 = –185,0775
X1* X2:(estágio2*idade) ̂5 = 0,1203
𝛽
X1* X2:(estágio3*idade) ̂6 = 0,0114
𝛽
X1* X2:(estágio4*idade) ̂7 = 0,0137
𝛽
Tabela 4: Testes da proporcionalidade das taxas de falha no modelo de Cox com a interação
entre estágio e idade
12
Tabela 5: Testes da proporcionalidade das taxas de falha no modelo de Cox sem a interação
entre estágio e idade
13
0,6 0,94596 0,05555 4,0 0,66650 0,40572
0,7 0,93875 0,06321 4,3 0,65242 0,42707
0,8 0,91713 0,08650 5,0 0,63406 0,45561
1,0 0,90154 0,10365 5,3 0,61308 0,48925
1,3 0,88552 0,12158 6,0 0,59024 0,52723
1,5 0,87745 0,13073 6,2 0,56680 0,56775
1,6 0,86907 0,14033 6,3 0,54126 0,61386
1,8 0,85231 0,15980 6,4 0,48988 0,71360
1,9 0,83549 0,17974 6,5 0,46291 0,77022
2,0 0,81848 0,20030 7,0 0,43005 0,84384
2,3 0,80945 0,21140 7,4 0,39625 0,92571
2,4 0,80004 0,22309 7,8 0,35937 1,02341
7.2 Figuras
14
Figura 3: Curvas de sobrevivência para os modelos paramétricos
15
Figura 4: Resíduos de Cox-Snell
16
Figura 6: Curvas de sobrevivência estimada pelo modelo de Cox para os dados de laringe para
os pacientes de 50 anos
Figura 7: Curvas de sobrevivência estimada pelo modelo de Cox para os dados de laringe para
os pacientes de 65 anos
17
Figura 8: Taxas de falha acumulada estimadas para os dados de laringe para os pacientes de
idade 50 anos
Figura 9: Taxas de falha acumulada estimadas para os dados de laringe para os pacientes de
idade 65 anos
18
7.3 Script de entrada no R
library(survival)
laringe=read.table("C:/Users/Desktop/analisesobrevivencia/laringe.txt",header=T)
laringe
tempos<-laringe[,2]
tempos
censura<-laringe[,3]
censura
estagio<-c(rep(1,33),rep(2,17),rep(3,27),rep(4,13))
estagio
idade<-laringe[,4]
idade
#################Kaplan-Meier ############################
kp<-survfit(Surv(tempos,censura)~estagio)
kp
summary(kp)
plot(kp, lty=c(1,1,1,1), col=c("red","blue","green","black"),
xlab="Tempos (dias)",ylab="S(t) estimada", main="Kaplan-Meier")
legend(8.2,0.2,lty=c(1,1,1,1),col=c("red","blue","green","black"),
c("Estágio 1","Estágio 2","Estágio 3","Estágio 4"),lwd=2, bty="n",cex=0.8)
19
dat5<-subset(data, subset = estagio %in% c(2,4)) # grupos 2 e 4
survdiff(Surv(tempos,censura) ~ estagio, rho=0, dat5)
dat6<-subset(data, subset = estagio %in% c(3,4)) # grupos 3 e 4
survdiff(Surv(tempos,censura) ~ estagio, rho=0, dat6)
20
#######################Modelos paramétricos########################
library(flexsurv)
mod.Exp = flexsurvreg(Surv(tempos,censura)~estagio, dist = "exp")
mod.Exp
mod.Weibull = flexsurvreg(Surv(tempos,censura)~estagio, dist = "weibull")
mod.Weibull
mod.LogNormal = flexsurvreg(Surv(tempos,censura)~estagio, dist = "lnorm")
mod.LogNormal
mod.Gamma = flexsurvreg(Surv(tempos,censura)~estagio, dist = "gamma")
mod.Gamma
par(mfrow=c(2,2), mar=c(4,4.5,2,0.5))
plot(mod.Exp,
main="Modelo Exponencial",
xlab = "Tempos", ylab = "S(t) estimada", mark.time = TRUE, lwd = 2)
plot(mod.Weibull,
main="Modelo Weibull",
xlab = "Tempos", ylab = "S(t) estimada", mark.time = TRUE, lwd = 2)
plot(mod.LogNormal,
main="Modelo Log-Normal",
xlab = "Tempos", ylab = "S(t) estimada", mark.time = TRUE, lwd = 2)
plot(mod.Gamma,
main="Modelo Gamma",
xlab = "Tempos", ylab = "S(t) estimada", mark.time = TRUE, lwd = 2)
#####################Ajuste do modelo#####################
mod<-survreg(Surv(tempos,censura)~as.factor(estagio), dist="lognormal")
summary(mod)
a0 = mod$coefficients[1]
a1 = mod$coefficients[2]
res = tempos*exp(-a0-a1*estagio)
ekm = survfit(Surv(res,censura)~1,type=c("kaplan-meier")); summary(ekm)
################Figura#################
par(mfrow=c(1,2), mar=c(4,4.5,3,0.5))
plot(ekm, conf.int=F, lty=c(1,4), xlab="Residuos", ylab="S(e) estimada")
res = sort(res); exp1 = exp(-res); lines(res,exp1,lty=3)
legend("bottomleft",lty=c(1,3),c("Kaplan-Meier","Exp(1)"),lwd=1,bty="n",cex=0.8)
st = ekm$surv; t = ekm$time; sexp1 = exp(-t)
plot(st, sexp1, xlab="S(e) - Kaplan-Meier", ylab="S(e) - Exp(1)", pch=16)
mtext("Resíduos de Cox-Snell", side=3, font=2, line=-2, outer=TRUE)
21
fit3$loglik
fit4<-coxph(Surv(tempos,censura)~factor(estagio)+idade+factor(estagio)*idade,
data=laringe,x=T,method = "breslow")
summary(fit4)
fit4$loglik
#############estimativas#######################
Ht<-basehaz(fit4,centered=F)
tempos<-Ht$time
H0<-Ht$hazard
S0<-exp(-H0)
round(cbind(tempos,S0,H0),digits = 5)
############Figura###########
tt<-sort(tempos)
aux1<-as.matrix(tt)
n<-nrow(aux1)
aux2<-as.matrix(cbind(tempos,S0))
soo<-rep(max(aux2[,2]),n)
for(i in 1:n){
if(tt[i]>min(aux2[,1])){
i1<-aux2[,1]<=tt[i]
soo[i]<-min(aux2[i1,2])}}
tso<-cbind(tt,soo)
tso
b<-fit4$coefficients
id<-50
st1<-soo^(exp(b[4]*id))
st2<-soo^(exp(b[1]+((b[4]+b[5])*id)))
st3<-soo^(exp(b[2]+((b[4]+b[6])*id)))
st4<-soo^(exp(b[3]+((b[4]+b[7])*id)))
id<-65
st11<-soo^(exp(b[4]*id))
st21<-soo^(exp(b[1]+((b[4]+b[5])*id)))
st31<-soo^(exp(b[2]+((b[4]+b[6])*id)))
st41<-soo^(exp(b[3]+((b[4]+b[7])*id)))
par(mfrow=c(1,2))
plot(tt,st1,type="s",ylim=range(c(0,1)),xlab="Tempos",ylab="S(t|x)",lty=1)
lines(tt,st2,type="s",lty=2,col="blue")
lines(tt,st3,type="s",lty=3,col="green")
lines(tt,st4,type="s",lty=4,col="red")
legend(0,0.2,lty=c(1,2,3,4),col=c("black","blue","green","red"),
22
c("Estágio I","Estágio II","Estágio III","Estágio IV"),lwd=1,bty="n",cex=0.7)
title("Idade = 50 anos")
plot(tt,st11,type="s",ylim=range(c(0,1)),xlab="Tempos",ylab="S(t|x)",lty=1)
lines(tt,st21,type="s",lty=2,col="blue")
lines(tt,st31,type="s",lty=3,col="green")
lines(tt,st41,type="s",lty=4,col="red")
legend(0,0.2,lty=c(1,2,3,4),col=c("black","blue","green","red"),
c("Estágio I","Estágio II","Estágio III","Estágio IV"),lwd=1,bty="n",cex=0.7)
title("Idade = 65 anos")
##############Figura#########
ht1<- -log(st1)
ht2<- -log(st2)
ht3<- -log(st3)
ht4<- -log(st4)
ht11<- -log(st11)
ht21<- -log(st21)
ht31<- -log(st31)
ht41<- -log(st41)
par(mfrow=c(1,2))
plot(tt,ht1,type="s",ylim=range(c(0,4)),xlab="Tempos",ylab="T.Acumulada",lty=1)
lines(tt,ht2,type="s",lty=2,col="blue")
lines(tt,ht3,type="s",lty=3,col="green")
lines(tt,ht4,type="s",lty=4,col="red")
legend(0.1,4,lty=c(1,2,3,4),col=c("black","blue","green","red"),
c("Estágio I","Estágio II","Estágio III","Estágio IV"),lwd=2,bty="n",cex=0.7)
title("Idade = 50 anos")
plot(tt,ht11,type="s",ylim=range(c(0,4)),xlab="Tempos",ylab="T.Acumulada",lty=1)
lines(tt,ht21,type="s",lty=2,col="blue")
lines(tt,ht31,type="s",lty=3,col="green")
lines(tt,ht41,type="s",lty=4,col="red")
legend(0.1,4,lty=c(1,2,3,4),col=c("black","blue","green","red"),
c("Estágio I","Estágio II","Estágio III","Estágio IV"),lwd=2,bty="n",cex=0.7)
title("Idade = 65 anos")
23