AKTUARYAL YÖNTEM – Epidemiyolojide Biyoistatistiksel Yöntemler – Biyoistatistikler – Epidemiyoloji – Biyoistatistikler Nedir? – İstatistik Fiyatları – Ücretli İstatistik
Örnek 9.6 (Evre-Meme Kanseri) Şekil 9.5 (a), aşamaya göre tabakalandırılmış meme kanseri kohortu için Kaplan-Meier hayatta kalma eğrilerini göstermektedir. Daha ilerlemiş hastalığı olan kadınlar için artan ölüm oranının açık bir modeli vardır. Şekil 9.5 (b) ‘de gösterilen log eksi-log grafikleri, genellikle orantılı tehlike varsayımını desteklemektedir, ancak aşama I için orantılılık muhtemelen sorgulanabilir.
Tablo 9.9, Mantel – Haenszel oran tahminlerini ve RBG% 95 güven aralıklarını, referans kategori olarak alınan aşama I ile birlikte vermektedir (ORmh1 = 1). Güven aralıklarının 1 içermediğini ve yalnızca küçük bir düzeyde çakışma olduğunu unutmayın. İlişkilendirme testleri Xo2e = 52.05, Xp2p = 52.44 ve X 2 = 52.97 (p <.001) ve trend testleri (9.11) = 38.03, (5.41) = 38.31, mh ve (5.40) = 38.62 (p <.001) ile sonuçlanır.
Karıştırmak için Ayarlama
Bu noktaya kadar, reseptör seviyesi ve evre, meme kanseri ölümleri için risk faktörleri olarak ayrı ayrı analiz edilmiştir. Bölüm 5.1’de, reseptör seviyesi ile meme kanserinin hayatta kalması arasındaki risk ilişkisinin bir karıştırıcısı olarak tedavi aşaması lehine ve aleyhine argümanlar verdik.
Ek G’de özetlendiği gibi açık bir kohort çalışmasındaki karışıklık tanımına uygun olarak bazı değişikliklerle burada da benzer akıl yürütme geçerlidir. Eğer aşama bir karıştırıcı değilse, Tablo 9.5’teki ham tahminlerden herhangi biri genel tahmin olarak kullanılabilir. tehlike oranı. Burada sahne için ayarlanmadığı anlamında “ham” terimini kullanıyoruz. Zamana “uyum sağlamış” olmamız, sözlerimizde örtüktür.
Aşamayı bir karıştırıcı olarak kabul edersek, aşamaya özgü ve aşamaya göre ayarlanmış olasılık oranı tahminleri veren Tablo 9.10’u dikkate almamız gerekir. Aşamaya özgü tahminler, her aşama için ayrı ayrı zamana göre tabakalandırılarak hesaplanmış ve aşamaya göre düzeltilmiş tahminler, bu değişkenler ile birlikte tabakalandırılarak elde edilmiştir.
Örnek büyüklüklerinin bazen nispeten küçük olmasına rağmen, asimptotik koşulsuz tahminlerin asimptotik koşullu ve Mantel – Haenszel tahminlerine yakın olmaya devam etmesi dikkat çekicidir. Özellikle, III. Aşama için, sırasıyla düşük ve yüksek reseptör seviyesi kategorilerinde sadece 15 ve 17 birey vardır.
Aşama bir karıştırıcı olarak kabul edildiğinde ve aşama boyunca homojenlik olduğu varsayıldığında, Tablo 9.10’daki ayarlanmış tahminlerden herhangi biri, genel tehlike oranının bir tahmini olarak kullanılabilir. Düzeltilmiş tahminlerin Tablo 9.5’teki kaba tahminlerden daha küçük olduğunu ve bu aşamanın önemli bir karıştırıcı olabileceğini düşündürdüğünü not ediyoruz.
Tablo 9.10’da aşama III için tahmin edilen olasılık oranları, aşama I ve II için tahminlerden önemli ölçüde daha büyüktür. Bu, yukarıdaki homojenlik varsayımının geçerli olmayabileceğini ve bu aşamanın, reseptör seviyesi ile meme kanseri mortalitesi arasındaki ilişkinin bir etki değiştiricisi olduğunu göstermektedir.
Bu gözlem resmi olarak bir homojenlik testi kullanılarak değerlendirilmelidir. Genel olarak, veriler zamana ek olarak iki veya daha fazla değişken tarafından katmanlandırıldığında uygulanabilecek bir dizi tekniğe sahip olmak arzu edilir. Bu tür yöntemler mevcuttur, ancak formüller geneldir ve burada sunulmayacaktır.
Bölüm 10’da, Poisson dağılımını kullanarak sansürlenmiş hayatta kalma verilerini analiz etmeye yönelik yöntemler açıklanmaktadır. Poisson formülleri, olasılık oranı yaklaşımına dayalı olanlardan çok daha az karmaşıktır ve iki karıştırıcı tarafından tabakalaşma kolayca halledilir.
Önceki analizde, aşamayı, reseptör seviyesi ile meme kanseri sağkalımı arasındaki risk ilişkisinin bir karıştırıcısı olarak ele aldık. Buna karşılık gelen bir analiz, reseptör düzeyini, aşama ile meme kanserinin hayatta kalması arasındaki risk ilişkisinin bir karıştırıcısı olarak kabul eder. Tablo 9.11, referans kategorisi olarak aşama I ile alıcı seviyesine özgü ve alıcı seviyesi ayarlı Mantel-Haenszel oran tahminlerini vermektedir.
Reseptör seviyesi kategorileri arasında heterojenliğin kanıtı vardır. Tablo 9.11’deki düzeltilmiş tahminler, Tablo 9.9’daki kaba tahminlere değer olarak yakındır, bu da alıcı seviyesinin karıştırıcı olmayabileceğini düşündürmektedir.
Aşama ve alıcı düzeyine göre ayrı ayrı tabakalandırmaya ek olarak, bu değişkenlerle birlikte tabakalaşmak ilgi çekicidir, bu da altı alıcı düzeyi aşama kategorisi ile sonuçlanır. Tablo 9.12, yüksek reseptör seviyesi-aşama I kategorisinin referans kategori olarak seçildiği durumlarda ortaya çıkan Mantel-Haenszel oran oranı tahminlerini vermektedir.
Aşama I ve II için, yüksek alıcı düzeyinden düşük alıcı düzeyine geçerken tahminlerde kabaca iki katına çıkılır, ancak aşama III için tahmin yaklaşık üç katına çıkar.
Bu, reseptör seviyesi ile aşama arasında bir etkileşim olabileceğini düşündürmektedir. Şekil 9.6, bu tabakalaşmaya karşılık gelen altı Kaplan – Meier hayatta kalma eğrisini gösterir, burada eğriler aşağıdaki gibi etiketlenir: (aşama, reseptör seviyesi). Görünüm, özellikle 1. aşama konuları için, eğrilerin kesişmesi nedeniyle biraz kafa karıştırıcı. Genel olarak model, Tablo 9.12’deki tahminlerle büyük ölçüde tutarlıdır.
Aktüerya HESAPLAMA Excel
Aktüerya hesabı Nedir
Aktüeryal Yöntem
Aktüerya bilirkişi raporu örneği
Aktüeryal hesaplama Nedir
Aktüerya Raporu
Aktüerya bilirkişi raporu Nedir
İş GÖREMEZLİK TAZMİNATI bilirkişi raporu
Öneriler
Kapalı kohort çalışmaları ile bağlantılı olarak Bölüm 5.6’da belirtilen araştırmaya ek olarak, sansürlenmiş hayatta kalma verilerini analiz etmek için olasılık oranı yöntemlerinin kullanımı hakkında daha fazla araştırma vardır.
Bölüm 5’i takiben, sansürlü hayatta kalma verilerinin analizi için MH-RBG yöntemlerini öneriyoruz. Olasılık oranı yaklaşımının geçerliliği, doğrusal eğilim testi veya daha az objektif, ancak muhtemelen daha bilgilendirici grafiksel yöntem kullanılarak değerlendirilebilen orantılı tehlike varsayımına dayanır.
AKTUARYAL YÖNTEM
Bazı kohort çalışmalarında kesin ölüm süreleri ve sansür süreleri mevcut değildir. Bu genellikle, hasta ziyaretlerinin rutin olarak planlandığı kanser kayıtları gibi büyük sürveyans sistemlerinde görülen bir durumdur. Randevular arasında ölen veya sansürlenen bireyler için bilinen tek şey, son takip zamanına kadar hayatta kalmalarıdır. Bu durumda hayatta kalma sürelerinin aralıklı olarak sansürlendiğini ve verilerin gruplandığını söylüyoruz. Aktüeryal yöntem, kökleri yaşam tablosu analizine dayanan aralıklı sansürlü hayatta kalma verilerinin analizine klasik bir yaklaşımdır.
Aktüeryal yöntem, aralıkların gözlemlenen ölüm zamanlarına göre değil araştırmacı tarafından belirlendiği için Kaplan – Meier yönteminden farklıdır. Τ0 = 0, letτJ + 1 gözlem süresi, ve τ1 <τ2 <··· <τJ zaman noktaları vardır.
Aktüeryal yaklaşım, takip periyodunun J + 1 aralıklarına bölünmesiyle başlar: [τ0, τ1), [τ1, τ2), …, [τj, τj + 1), …, [τJ − 1, τJ ), [τJ, τJ + 1]. Daha önce olduğu gibi, [τj, τj + 1) ‘i j’inci aralık olarak adlandırıyoruz. Aj ve cj, sırasıyla j’inci aralıktaki ölüm ve sansürlü gözlemlerin sayısı olsun (j = 0, 1,.., J). Aralıklı sansürlenmiş verilerle, kesin ölüm zamanları veya ölüm zamanları hakkında hiçbir bilgimiz yoktur, ancak bu, a j ve c j sayılarını etkilemez.
Aj ve cj’nin tanımları resmi olarak Kaplan – Meier ortamında kullanılanlarla aynı olsa da, buradaki bir fark, j. Aralıktaki ölümlerin sadece τj’de değil, aralık boyunca meydana gelmesine izin verilmesidir. Diğer bir fark, a0’ın mutlaka 0’a eşit olmamasıdır.
J. Risk seti, en az τj’ye (j = 0,1, …, J) kadar hayatta kalan denek grubu olarak tanımlanır. Τj’de ölen deneklerin risk setine dahil edilmesi kuralını benimsiyoruz. Rj, j. risk kümesindeki denek sayısını (j = 0,1, …, J) ve rJ + 1 ile τJ + 1’e kadar hayatta kalan denek sayısını göstersin. Daha önce olduğu gibi, j <J ve c′J = cJ −rJ + 1 için ′j = cj olur.
Aktüerya bilirkişi raporu Nedir Aktüerya bilirkişi raporu örneği Aktüerya hesabı Nedir Aktüerya HESAPLAMA Excel Aktüerya Raporu Aktüeryal hesaplama Nedir Aktüeryal Yöntem İş GÖREMEZLİK TAZMİNATI bilirkişi raporu