Como interpreto Exp (B) na regressão de Cox?

Eu sou um estudante de medicina tentando entender estatística (!) - então, por favor, seja gentil! ;)

Estou escrevendo um ensaio contendo uma boa quantidade de análise estatística, incluindo análise de sobrevivência (regressão de Kaplan-Meier, Log-Rank e Cox).

Fiz uma regressão de Cox nos meus dados, tentando descobrir se encontro uma diferença significativa entre as mortes de pacientes em dois grupos (pacientes de alto risco ou baixo risco).

Eu adicionei várias covariáveis ​​à regressão de Cox para controlar sua influência.

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

Eu removi a oclusão da artéria da lista de covariáveis ​​porque seu SE era extremamente alto (976). Todos os outros SEs estão entre 0,064 e 1.118. Isto é o que eu recebo:

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

Eu sei que o risco é apenas significativo na fronteira em 0,058. Mas além disso, como interpreto o valor Exp (B)? Li um artigo sobre regressão logística (que é um pouco semelhante à regressão de Cox?) Em que o valor Exp (B) foi interpretado como: "Estar no grupo de alto risco inclui um aumento de 8 vezes na possibilidade do resultado", que neste caso é a morte. Posso dizer que meus pacientes de alto risco têm 8 vezes mais chances de morrer mais cedo do que ... o quê?

Por favor me ajude! ;)

A propósito, estou usando o SPSS 18 para executar a análise.

De um modo geral, $\exp(\hat\beta_1)$ é a razão entre os riscos entre dois indivíduos cujos valores de $x_1$ diferem por uma unidade quando todas as outras variáveis são constantes em espera. O paralelo com outros modelos lineares é que, na regressão de Cox, a função de risco é modelada como $h(t)=h_0(t)\exp(\beta'x)$ , onde $h_0(t)$ é o risco da linha de base. Isso equivale a dizer que o $\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$ . Então, um aumento de unidade em$x_i$ é associado aoaumento de$\beta_i$ na taxa de risco de log. O coeficiente de regressão permite assim, para quantificar o log do risco no grupo de tratamento (comparado ao grupo controle ou placebo), respondendo pelas covariáveis ​​incluídas no modelo; é interpretado como um risco relativo (assumindo que não há coeficientes variáveis ​​no tempo).

No caso da regressão logística, o coeficiente de regressão reflete o log da razão de chances , daí a interpretação como um aumento de k vezes em risco. Portanto, sim, a interpretação dos índices de risco compartilha alguma semelhança com a interpretação dos índices de chances.

Certifique-se de verificar o site de Dave Garson, onde há um bom material sobre Cox Regression with SPSS.

Eu não sou um estatístico, mas um médico, tentando resolver as coisas no mundo da estatística.

$\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$

Para $\exp(B) > 1$$\exp(B) = 1.259$

$\exp(B) = 1$$\exp(B)$

De sua análise, parece que nenhuma de suas variáveis ​​é preditora significativa (em um nível de sinal de 5%) do seu endpoint, embora ser um paciente de "alto risco" tenha um significado limítrofe.

A leitura do livro " Manual de sobrevivência do SPSS ", de Julie Pallant, provavelmente o esclarecerá sobre este (e mais) tópico (s).