R Program ile Hayatta Kalma Analizi

Hayatta kalma analizi, belirli bir olayın ne zaman gerçekleşeceğini tahmin etme ile ilgilidir. Ayrıca, başarısızlık zamanı analizi veya ölüm zamanının analizi olarak da bilinir. Örneğin, gün sayısını tahmin eden kanserli bir insan hayatta kalacak veya mekanik bir sistemin başarısız olacağı zamanı tahmin edecektir.

Hayatta kalma adlı R paketi hayatta kalma analizi yapmak için kullanılır. Bu pakette, girdi verisini bir R formülü olarak alır ve analiz için seçilen değişkenler arasında bir hayatta kalma nesnesi oluşturan Surv () fonksiyonu bulunur. Ardından, analiz için bir arsa oluşturmak için survfit () fonksiyonunu kullanırız.

Aşağıda kullanılan parametrelerin açıklaması -

Y, yanıt değişkenidir.

X, tahmini değişkenidir.

A ve b, sayısal sabitler olan katsayılardır.

Regresyon modelini oluşturmak için kullanılan işlev glm () işlevidir.

Sözdizimi

Lojistik regresyonda glm () işlevi için temel sözdizimi -

Aşağıda kullanılan parametrelerin açıklaması -

Formül, değişkenler arasındaki ilişkiyi gösteren simgedir.

Data, bu değişkenlerin değerlerini veren veri kümesidir.

Aile R nesnesi modelinin ayrıntılarını belirtmektir. Lojistik regresyon için değer binomiyeldir.

Örnek

Dahili veri seti "mtcars", çeşitli motor özelliklerine sahip bir otomobilin farklı modellerini anlatıyor. "Mtcars" veri setinde, iletim modu (otomatik veya manuel) ikili bir değer olan (0 veya 1) sütun am tarafından tanımlanır. "Am" sütunları ile 3 diğer sütun - hp, wt ve cyl arasında lojistik regresyon modeli oluşturabiliriz.

YÜKLEME PAKETİ

install.packages("survival")

SözdizimiR'de hayatta kalma analizi oluşturmak için temel sözdizimi -

Surv(time,event)
survfit(formula)

# Kütüphaneyi yükleyin
library("survival")

# İlk birkaç satıra bas
print(head(pbc))

Yukarıdaki kodu uyguladığımızda, aşağıdaki sonucu ve grafiği üretir:

  id time status trt      age sex ascites hepato spiders edema bili chol
1  1  400      2   1 58.76523   f       1      1       1   1.0 14.5  261
2  2 4500      0   1 56.44627   f       0      1       1   0.0  1.1  302
3  3 1012      2   1 70.07255   m       0      0       0   0.5  1.4  176
4  4 1925      2   1 54.74059   f       0      1       1   0.5  1.8  244
5  5 1504      1   2 38.10541   f       0      1       1   0.0  3.4  279
6  6 2503      2   2 66.25873   f       0      1       0   0.0  0.8  248
  albumin copper alk.phos    ast trig platelet protime stage
1    2.60    156   1718.0 137.95  172      190    12.2     4
2    4.14     54   7394.8 113.52   88      221    10.6     3
3    3.48    210    516.0  96.10   55      151    12.0     4
4    2.54     64   6121.8  60.63   92      183    10.3     4
5    3.53    143    671.0 113.15   72      136    10.9     3
6    3.98     50    944.0  93.00   63       NA    11.0     3

Yukarıdaki verilerden analizimiz için zaman ve statü düşünüyoruz.

Surv () ve survfit () fonksiyonunun uygulanması

Şimdi Surv () fonksiyonunu yukarıdaki veri setine uygulamaya ve eğilimi gösterecek bir çizim oluşturmaya devam ediyoruz.

# Kütüphaneyi Yükleyin
library("survival")

# Hayatta Kalma Nesnesini Oluşturun 
survfit(Surv(pbc$time,pbc$status == 2)~1)

# Grafik Dosyasına Bir İsim Verin
png(file = "survival.png")

# Grafiği çizin
plot(survfit(Surv(pbc$time,pbc$status == 2)~1))

# Dosyayı Kaydedin
dev.off()

Yukarıdaki kodu uyguladığımızda, aşağıdaki sonucu ve grafiği üretir:

Call: survfit(formula = Surv(pbc$time, pbc$status == 2) ~ 1)

      n  events  median 0.95LCL 0.95UCL 
    418     161    3395    3090    3853 

Yukarıdaki grafikteki eğilim, belirli bir gün sayısının sonunda hayatta kalma olasılığının tahmin edilmesine yardımcı olur.