fa تحلیل داده‌های بقای بیماران سرطان پستان، با مدل خطرهای متناسب کاکس برای سانسور وابسته بر اساس تابع مفصل علوم پایه Basic Sciences مقاله پژوهشی Orginal Research <p>چکیده زمینه و هدف: در مدل رایج خطرهای متناسب کاکس یکی از فرضیات اساسی برقراری فرض استقلال میان زمان سانسور و زمان پیشامد می‌باشد. در مطالعات بالینی زمانی که سانسور به دلایلی همچون خروج فرد از مطالعه یا خطر رقابتی رخ می دهد همواره نگرانی در خصوص اعتبار نتایج مبتنی بر فرض استقلال سانسورها وجود دارد. ارائه راهکاری جهت بررسی فرض استقلال و نیز تعمیم مدل خطرهای متناسب کاکس در حالت عدم برقراری فرض استقلال مفید می‌باشد. مواد و روش کار: برای رسیدن به این هدف به معرفی تعمیمی از مدل خطرهای متناسب کاکس با استفاده از تابع مفصل می-پردازیم. این مدل امکان انجام آنالیز حساسیت، جهت بررسی فرض استقلال را فراهم می‌نماید. تعمیم تابع درستنمایی و برآورد پارامترها با یک روش عددی با استفاده از نرم‌افزار R انجام شد. در ادامه با استفاده از این مدل، برقراری فرض استقلال زمان سانسور و پیشامد در مجموعه داده‌های مربوط به بیماران دارای سرطان پستان که طی سال‌های 1380 تا 1388جهت درمان به بخش آنکولوژی بیمارستان‌های قائم (عج) و امید مراجعه نموده بودند مورد بررسی قرار گرفت. یافته‌ها: با استفاده از شبیه‌سازی ابتدا مناسب بودن مدل ارائه شده اثبات گردید سپس تاثیرات عدم برقراری فرض استقلال بین زمان سانسور و پیشامد بر روی برآورد پارامترها بررسی گردید. در مجموعه داده‌های واقعی برقراری فرض استقلال مورد تایید قرار گرفت. نتیجه گیری:عدم برقراری فرض استقلال می‌تواند باعث نتایج اریب در مدل خطرهای متناسب کاکس گردد که میزان اریبی با میزان وابستگی میان سانسور و پیشامد ارتباط مستقیم دارد. در مجموعه داده‌های مربوط به بیماران دارای سرطان پستان مشخص گردید که تشخیص بیماری در مراحل اولیه نقش مهمی در موفقیت درمان و عدم عود بیماری‌دارد</p> <p>Abstract Background & objectives: In the common Cox proportional hazards model one of the basic assumptions is independence between censoring time and event time. In clinical studies, when censoring is caused by competing risks or patient withdrawal, there is always a concern about the validity of treatment effect estimates that are obtained under the assumption of independent censoring. Introduction a solution for checking the assumption of independent and extending the Cox model for dependent censoring is useful. Material &Methods: To achieve this goal, we use copula function and extend the Cox model. This model can also perform a sensitivity analysis for checking the assumption of independent. We generalize the likelihood function in R software and estimate the parameters by using a iteration algorithm. We apply the proposed method to the data of breast cancer patients at Ghaem and Omid hospitals and check the independence assumption. Results: We show by Simulation that this algorithm works well and show the effect of dependent censoring on estimated parameters. We apply the proposed method to the data of breast cancer patients at Ghaem and Omid hospitals and show that the independence assumption is true. Conclusion: Not assumption of independence causes bias in estimation in Cox model and the bias is dependent on the degree of association between event and censoring times. In dataset of breast cancer patients the primary diagnosis is an important role in Success in the treatment.</p> واژه های کلیدی: مدل خطرهای متناسب کاکس, آنالیز حساسیت, تابع مفصل, خطرات رقابتی, سرطان Key words: Cox proportional hazards model, sensitivity analysis, copula function, competing risks, breast cancer. 53 64 http://journal.nkums.ac.ir/browse.php?a_code=A-10-25-229&slc_lang=fa&sid=1 MT Shakeri محمدتقی شاکری 100319475328460014296 100319475328460014296 No گروه آمارزیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد V , Ghavami Ghanbarabadi وحید قوامی قنبرآبادی 100319475328460014297 100319475328460014297 No مدیریت آمار و فن آوری اطلاعات، دانشگاه علوم پزشکی مشهد H Esmaeili حبیب اله اسماعیلی 100319475328460014298 100319475328460014298 Yes گروه آمارزیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد H Gabbari Noghabi هادی جباری نوقابی 100319475328460014299 100319475328460014299 No دانشکده علوم ریاضی، دانشگاه فردوسی مشهد F Homaei Shandiz فاطمه همایی شاندیز 100319475328460014300 100319475328460014300 No بیمارستان امید، دانشگاه علوم پزشکی مشهد H Baghishani حسین باغیشنی 100319475328460014301 100319475328460014301 No دانشکده علوم ریاضی، دانشگاه صنعتی شاهرود