Hola a todos, -Estoy estudiando el efecto de dos genotipos (~tratamientos) en la aparición de sÃndrome metabólico (MetS) con datos longitudinales recogidos a tiempo 0,7,10,15,20 y 25 años. -He hecho un dataframe con las siguientes variables MetS: SÃndrome Metabólico (Si=1,No=0) bmi: Indice de masa corporal (IMC) cuando se produce la conversión a MetS+ . Para los que permancen MetS-, esta variable indica el bmi cuando hay censura (por abandono del estudio o al finalizar el estudio en el año 25). bmi0: IMC al inicio del estudio (categórica, levels=normal/overweight/obese) apoE4: Genotipo de interés (E4, no-E4) -Mi hipótesis es que la interacción genotipo~MetS depende del IMC al principio del estudio. Concretamente, individuos 'overweight' al inicio del estudio y con el genotipo E4 hacen la conversión a MetS+ a valores de IMC mas bajos que los que tienen el genotipo no-E4. Este fenómeno no ocurrirÃa en los 'normal' y 'obese'. -He creado unos objetos Surv, pero en lugar de utilizar el tiempo hasta evento (MetS+) estoy utilizando el bmi hasta el evento. Las gráficas que resultan al hacer el análisis de supervivencia parecerÃan confirmar mi hipótesis, pero no se si lo que estoy haciendo es una aberración estadÃstica. Tampoco se si los coeficientes de la regresión de Cox tienen sentido al no utilizar la variable tiempo. ?Alguien me podrÃa 1)decir si lo que estoy haciendo tiene sentido y 2) como interpretar los resultados (regresión de Cox y gráficas)? Si a alguien se anima a contestar, adjunto un link con los datos (.Rdata) y el script que he utilizado en el análisis. https://www.dropbox.com/s/d96itird8ms42yx/dataframe.Rdata?dl=0 <https://www.dropbox.com/s/d96itird8ms42yx/dataframe.Rdata?dl=0> sapply(levels(df0$bmi0),function (x){ #####SURVIVAL CURVE dfx=filter(df0,bmi0==x) surv2=Surv(dfx$bmi,dfx$MetS) km2=survfit(surv2~dfx$apoe4)##start.time=20,type='kaplan') plot(km2,lty=2:1,xlim=c(20,41),xlab='BMI at onset',main=x,mark.time = F) legend('bottomleft',c('E4','no-E4'),lty=2:1) cox=list(coxph(surv2~relevel(dfx$apoe4,ref='no-E4'))) }) sapply(levels(df0$bmi0),function (x){ #####CUMULATIVE HAZARDs dfx=filter(df0,bmi0==x) surv2=Surv(dfx$bmi,dfx$MetS) km2=survfit(surv2~dfx$apoe4) plot(km2,lty=2:1,xlim=c(20,41),xlab='BMI at onset',main=x,mark.time = F,fun='cumhaz') legend('topleft',c('E4','no-E4'),lty=2:1) }) Muchas gracias y un saludo Jose Miguel ------------------------------------------------------------------- Jose Miguel Arbones-Mainar, PhD Unidad de Investigación Traslacional Instituto Aragones de Ciencias de la Salud Hospital Universitario Miguel Servet Pº Isabel la Católica, 1-3 50009 Zaragoza (Spain) Tel: +34 976 769 565 Fax: +34 976 769 566 www.adipofat.com <http://www.adipofat.com/> ----------------------------------------------------------------------------------- Jose Miguel Arbones-Mainar www.adipofat.com <http://www.adipofat.com/>
[R-es] ayuda con análisis de supervivencia
4 messages · JM Arbones, Javier Marcuzzi, Griera
Estimado José Miguel Arbones Leà su solicitud respecto a un análisis de (Survival) donde quiere medir el efecto de dos genotipos en la aparición de un sÃndrome metabólico. Usted también pregunta sobre si estadÃsticamente serÃa apropiado ese enfoque. Leà algo de sobrevida en genética, pero su problema desde mi punto de vista es de genética cuantitativa, ¿en que cuantificación tiene que ver el genotipo respecto a la medición del sÃndrome metabólico? Usted habla de genotipo, este puede ser homocigota, heterocigota, pero en la gametogénesis solo se "heredan genes, no genotipos", por lo cuál ¿hay un efecto entre los genes iguales?. En otras palabras, efecto aditivo del gen, epistasis, dominancia, etc. No es justo lenguaje R pero hay un libro en español de Falconer, introducción a la genética cuantitativa, luego hay algunos (muchos) paquetes par estos temas en R, pero sobrevida sin mezclar algo de terminologÃa de genética cuantitativa, a mi me resulta extraño. Por otro lado como usted tiene mediciónes a lo largo del tiempo, no hay nada que diga que los efectos del gen son los mismos todo el tiempo, si emplea modelos de regresiones aleatorios puede observar que el efecto cuantitativo del gen varÃa, sospecho que el sÃndrome metabólico puede ser observado por ejemplo en el peso, pero este no depende de un gen, hay un efecto de muchos genes menores, aunque el que usted quiere analizar puede ser un gen mayor (no lo se). Por lo que usted comenta yo irÃa sobre el paquete MCMCglmm, posiblemente en los ejemplos hay algo que intermedia entre lo que usted plantea, R, y lo que yo pienso. Javier Rubén Marcuzzi Técnico en Industria Lácteas Veterinario De: JM ARBONES Enviado: domingo, 2 de agosto de 2015 2:19 p. m. Para: r-help-es en r-project.org Asunto: [R-es] ayuda con análisis de supervivencia Hola a todos, -Estoy estudiando el efecto de dos genotipos (~tratamientos) en la aparición de sÃndrome metabólico (MetS) con datos longitudinales recogidos a tiempo 0,7,10,15,20 y 25 años. -He hecho un dataframe con las siguientes variables MetS: SÃndrome Metabólico (Si=1,No=0) bmi: Indice de masa corporal (IMC) cuando se produce la conversión a MetS+ . Para los que permancen MetS-, esta variable indica el bmi cuando hay censura (por abandono del estudio o al finalizar el estudio en el año 25). bmi0: IMC al inicio del estudio (categórica, levels=normal/overweight/obese) apoE4: Genotipo de interés (E4, no-E4) -Mi hipótesis es que la interacción genotipo~MetS depende del IMC al principio del estudio. Concretamente, individuos 'overweight' al inicio del estudio y con el genotipo E4 hacen la conversión a MetS+ a valores de IMC mas bajos que los que tienen el genotipo no-E4. Este fenómeno no ocurrirÃa en los 'normal' y 'obese'. -He creado unos objetos Surv, pero en lugar de utilizar el tiempo hasta evento (MetS+) estoy utilizando el bmi hasta el evento. Las gráficas que resultan al hacer el análisis de supervivencia parecerÃan confirmar mi hipótesis, pero no se si lo que estoy haciendo es una aberración estadÃstica. Tampoco se si los coeficientes de la regresión de Cox tienen sentido al no utilizar la variable tiempo. ?Alguien me podrÃa 1)decir si lo que estoy haciendo tiene sentido y 2) como interpretar los resultados (regresión de Cox y gráficas)? Si a alguien se anima a contestar, adjunto un link con los datos (.Rdata) y el script que he utilizado en el análisis. https://www.dropbox.com/s/d96itird8ms42yx/dataframe.Rdata?dl=0 <https://www.dropbox.com/s/d96itird8ms42yx/dataframe.Rdata?dl=0> sapply(levels(df0$bmi0),function (x){ #####SURVIVAL CURVE dfx=filter(df0,bmi0==x) surv2=Surv(dfx$bmi,dfx$MetS) km2=survfit(surv2~dfx$apoe4)##start.time=20,type='kaplan') plot(km2,lty=2:1,xlim=c(20,41),xlab='BMI at onset',main=x,mark.time = F) legend('bottomleft',c('E4','no-E4'),lty=2:1) cox=list(coxph(surv2~relevel(dfx$apoe4,ref='no-E4'))) }) sapply(levels(df0$bmi0),function (x){ #####CUMULATIVE HAZARDs dfx=filter(df0,bmi0==x) surv2=Surv(dfx$bmi,dfx$MetS) km2=survfit(surv2~dfx$apoe4) plot(km2,lty=2:1,xlim=c(20,41),xlab='BMI at onset',main=x,mark.time = F,fun='cumhaz') legend('topleft',c('E4','no-E4'),lty=2:1) }) Muchas gracias y un saludo Jose Miguel ------------------------------------------------------------------- Jose Miguel Arbones-Mainar, PhD Unidad de Investigación Traslacional Instituto Aragones de Ciencias de la Salud Hospital Universitario Miguel Servet Pº Isabel la Católica, 1-3 50009 Zaragoza (Spain) Tel: +34 976 769 565 Fax: +34 976 769 566 www.adipofat.com <http://www.adipofat.com/> ----------------------------------------------------------------------------------- Jose Miguel Arbones-Mainar www.adipofat.com <http://www.adipofat.com/> _______________________________________________ R-help-es mailing list R-help-es en r-project.org https://stat.ethz.ch/mailman/listinfo/r-help-es
Hola: A que te refieres como "el bmi hasta el evento"? Respecto que no sea un tiempo de supervivencia, no eres el único. En este artÃculo tampoco utilizan un "tiempo": http://www.ncbi.nlm.nih.gov/pubmed/8970394 Saludos. On Sun, 2 Aug 2015 19:19:45 +0200
JM ARBONES <marbones en unizar.es> wrote:
Hola a todos, -Estoy estudiando el efecto de dos genotipos (~tratamientos) en la aparición de sÃndrome metabólico (MetS) con datos longitudinales recogidos a tiempo 0,7,10,15,20 y 25 años. -He hecho un dataframe con las siguientes variables MetS: SÃndrome Metabólico (Si=1,No=0) bmi: Indice de masa corporal (IMC) cuando se produce la conversión a MetS+ . Para los que permancen MetS-, esta variable indica el bmi cuando hay censura (por abandono del estudio o al finalizar el estudio en el año 25). bmi0: IMC al inicio del estudio (categórica, levels=normal/overweight/obese) apoE4: Genotipo de interés (E4, no-E4) -Mi hipótesis es que la interacción genotipo~MetS depende del IMC al principio del estudio. Concretamente, individuos 'overweight' al inicio del estudio y con el genotipo E4 hacen la conversión a MetS+ a valores de IMC mas bajos que los que tienen el genotipo no-E4. Este fenómeno no ocurrirÃa en los 'normal' y 'obese'. -He creado unos objetos Surv, pero en lugar de utilizar el tiempo hasta evento (MetS+) estoy utilizando el bmi hasta el evento. Las gráficas que resultan al hacer el análisis de supervivencia parecerÃan confirmar mi hipótesis, pero no se si lo que estoy haciendo es una aberración estadÃstica. Tampoco se si los coeficientes de la regresión de Cox tienen sentido al no utilizar la variable tiempo. ?Alguien me podrÃa 1)decir si lo que estoy haciendo tiene sentido y 2) como interpretar los resultados (regresión de Cox y gráficas)? Si a alguien se anima a contestar, adjunto un link con los datos (.Rdata) y el script que he utilizado en el análisis. https://www.dropbox.com/s/d96itird8ms42yx/dataframe.Rdata?dl=0 <https://www.dropbox.com/s/d96itird8ms42yx/dataframe.Rdata?dl=0> sapply(levels(df0$bmi0),function (x){ #####SURVIVAL CURVE dfx=filter(df0,bmi0==x) surv2=Surv(dfx$bmi,dfx$MetS) km2=survfit(surv2~dfx$apoe4)##start.time=20,type='kaplan') plot(km2,lty=2:1,xlim=c(20,41),xlab='BMI at onset',main=x,mark.time = F) legend('bottomleft',c('E4','no-E4'),lty=2:1) cox=list(coxph(surv2~relevel(dfx$apoe4,ref='no-E4'))) }) sapply(levels(df0$bmi0),function (x){ #####CUMULATIVE HAZARDs dfx=filter(df0,bmi0==x) surv2=Surv(dfx$bmi,dfx$MetS) km2=survfit(surv2~dfx$apoe4) plot(km2,lty=2:1,xlim=c(20,41),xlab='BMI at onset',main=x,mark.time = F,fun='cumhaz') legend('topleft',c('E4','no-E4'),lty=2:1) }) Muchas gracias y un saludo Jose Miguel ------------------------------------------------------------------- Jose Miguel Arbones-Mainar, PhD Unidad de Investigación Traslacional Instituto Aragones de Ciencias de la Salud Hospital Universitario Miguel Servet Pº Isabel la Católica, 1-3 50009 Zaragoza (Spain) Tel: +34 976 769 565 Fax: +34 976 769 566 www.adipofat.com <http://www.adipofat.com/> ----------------------------------------------------------------------------------- Jose Miguel Arbones-Mainar www.adipofat.com <http://www.adipofat.com/> [[alternative HTML version deleted]]
_______________________________________________ R-help-es mailing list R-help-es en r-project.org https://stat.ethz.ch/mailman/listinfo/r-help-es
1 day later
Hola, muchas gracias por contestar (tambien a Javier Rubén). El bmi hasta el evento seria el el bmi que tienen los individuos cuando se les detecta el sÃndrome metabólico o el ultimo bmi que consta para aquellos que no desarrollaron el sÃndrome metabólico. un saludo Jose Miguel
On 03/08/15 11:33, Griera wrote:
Hola: A que te refieres como "el bmi hasta el evento"? Respecto que no sea un tiempo de supervivencia, no eres el único. En este artÃculo tampoco utilizan un "tiempo": http://www.ncbi.nlm.nih.gov/pubmed/8970394 Saludos. On Sun, 2 Aug 2015 19:19:45 +0200 JM ARBONES <marbones en unizar.es> wrote:
Hola a todos, -Estoy estudiando el efecto de dos genotipos (~tratamientos) en la aparición de sÃndrome metabólico (MetS) con datos longitudinales recogidos a tiempo 0,7,10,15,20 y 25 años. -He hecho un dataframe con las siguientes variables MetS: SÃndrome Metabólico (Si=1,No=0) bmi: Indice de masa corporal (IMC) cuando se produce la conversión a MetS+ . Para los que permancen MetS-, esta variable indica el bmi cuando hay censura (por abandono del estudio o al finalizar el estudio en el año 25). bmi0: IMC al inicio del estudio (categórica, levels=normal/overweight/obese) apoE4: Genotipo de interés (E4, no-E4) -Mi hipótesis es que la interacción genotipo~MetS depende del IMC al principio del estudio. Concretamente, individuos 'overweight' al inicio del estudio y con el genotipo E4 hacen la conversión a MetS+ a valores de IMC mas bajos que los que tienen el genotipo no-E4. Este fenómeno no ocurrirÃa en los 'normal' y 'obese'. -He creado unos objetos Surv, pero en lugar de utilizar el tiempo hasta evento (MetS+) estoy utilizando el bmi hasta el evento. Las gráficas que resultan al hacer el análisis de supervivencia parecerÃan confirmar mi hipótesis, pero no se si lo que estoy haciendo es una aberración estadÃstica. Tampoco se si los coeficientes de la regresión de Cox tienen sentido al no utilizar la variable tiempo. ?Alguien me podrÃa 1)decir si lo que estoy haciendo tiene sentido y 2) como interpretar los resultados (regresión de Cox y gráficas)? Si a alguien se anima a contestar, adjunto un link con los datos (.Rdata) y el script que he utilizado en el análisis. https://www.dropbox.com/s/d96itird8ms42yx/dataframe.Rdata?dl=0 <https://www.dropbox.com/s/d96itird8ms42yx/dataframe.Rdata?dl=0> sapply(levels(df0$bmi0),function (x){ #####SURVIVAL CURVE dfx=filter(df0,bmi0==x) surv2=Surv(dfx$bmi,dfx$MetS) km2=survfit(surv2~dfx$apoe4)##start.time=20,type='kaplan') plot(km2,lty=2:1,xlim=c(20,41),xlab='BMI at onset',main=x,mark.time = F) legend('bottomleft',c('E4','no-E4'),lty=2:1) cox=list(coxph(surv2~relevel(dfx$apoe4,ref='no-E4'))) }) sapply(levels(df0$bmi0),function (x){ #####CUMULATIVE HAZARDs dfx=filter(df0,bmi0==x) surv2=Surv(dfx$bmi,dfx$MetS) km2=survfit(surv2~dfx$apoe4) plot(km2,lty=2:1,xlim=c(20,41),xlab='BMI at onset',main=x,mark.time = F,fun='cumhaz') legend('topleft',c('E4','no-E4'),lty=2:1) }) Muchas gracias y un saludo Jose Miguel ------------------------------------------------------------------- Jose Miguel Arbones-Mainar, PhD Unidad de Investigación Traslacional Instituto Aragones de Ciencias de la Salud Hospital Universitario Miguel Servet Pº Isabel la Católica, 1-3 50009 Zaragoza (Spain) Tel: +34 976 769 565 Fax: +34 976 769 566 www.adipofat.com <http://www.adipofat.com/> ----------------------------------------------------------------------------------- Jose Miguel Arbones-Mainar www.adipofat.com <http://www.adipofat.com/> [[alternative HTML version deleted]]
_______________________________________________ R-help-es mailing list R-help-es en r-project.org https://stat.ethz.ch/mailman/listinfo/r-help-es