I det första kapitlet introducerar vi begreppet överlevnadsanalys, förklarar varför ämnet är viktigt och ger en kort introduktion till teorin bakom överlevnadskurvor. Vi diskuterar varför särskilda metoder behövs vid analys av tid-till-händelse-data och introducerar begreppet censurering. Vi går också igenom hur fördelningen av den förflutna tiden fram till en händelse beskrivs.

Begreppet "överlevnadsanalys"

Introduktion till GBSG2-datasetet

Vad kommer kursen att ta upp?

Varför lära sig överlevnadsmetoder?

Utforska GBSG2-datamängden 1

Använda Surv()-funktionen för GBSG2

Datamängden UnempDur

Mått inom överlevnadsanalys

Tolka en överlevnadskurva I

Tolka en överlevnadskurva II

Tolka en överlevnadskurva III

Vad är överlevnadsanalys?

I det här kapitlet tittar vi på olika metoder för att skatta överlevnadskurvor. Vi går igenom Kaplan-Meier-skattningen och Weibull-modellen som verktyg för kursskattning och lär oss hur resultaten kommuniceras genom visualisering.

Kaplan-Meier-skattningen

Funktion för att beräkna Kaplan-Meier-skattningen

Första Kaplan-Meier-skattningen

När sjunker Kaplan-Meier-kurvan?

Varför använda Kaplan-Meier

Förstå och visualisera Kaplan-Meier-kurvor

Övning med ignorerad censurering

Skatta och visualisera en överlevnadskurva

Weibull-modellen för att skatta överlevnadskurvor

Skatta medianöverlevnad med en Weibull-modell

Kvantiler för överlevnadskurvan från en Weibull-modell

Skatta överlevnadskurvan med survreg()

Visualisering av Weibull-modellresultat

Jämförelse av Weibull-modellen och Kaplan-Meier-skattningen

Skattning av överlevnadskurvor

I det här kapitlet lär vi oss att skatta och visualisera en Weibull-modell för att undersöka hur kovariater påverkar tid-till-händelse-utfallet.

Varför använda Weibull-modellen

Tolka koefficienter

Beräkna en Weibull-modell

Visualisering av Weibull-modeller

ggsurvplot() kontra ggsurvplot_df()

Beräkna en Weibull-modell och överlevnadskurvor

Visualisera en Weibull-modell

Plotalternativ

Andra fördelningar än Weibull

Argument i survreg()

Beräkna en Weibull-modell och en log-normalmodell

Jämförelse av Weibull- och log-normalmodellen I

Jämförelse av Weibull- och log-normalmodell II

Weibull-modellen

I det sista kapitlet lär vi oss att beräkna och tolka Cox-modeller, förstå varför de är användbara och hur de skiljer sig från Weibull-modeller.

Cox-modellen

Beräkna en Cox-modell

Antagandet om proportionella hazarder

Visualisering av Cox-modellen

Beräkna överlevnadskurvan från en Cox-modell

Visualisera en Cox-modell

surv_summary()

Vad vi har lärt oss

Varför "imaginära patienter"?

Slutuppgift: Cox-modellen

Slutuppgift: Jämföra överlevnadskurvor

Hej då

Överlever patienter som tar det nya läkemedlet längre än andra? Hur snabbt hittar personer ett nytt jobb efter att ha blivit arbetslösa? Vad kan du göra för att hålla dina vänner på dansgolvet på din fest? Alla dessa frågor kräver analys av tid-till-händelse-data, och för det används särskilda statistiska metoder. Den här kursen introducerar grundläggande begrepp inom analys av tid-till-händelse-data, även kallad överlevnadsanalys. Du lär dig att hantera tid-till-händelse-data samt att beräkna, visualisera och tolka överlevnadskurvor, Weibull-modeller och Cox-modeller.

Introduction to Regression in R

Lär dig hantera tid-till-händelse-data, som död eller jobb efter arbetslöshet. Analysera överlevnadsmodeller!

Överlevnadsanalys i R

Statistiker i R

ggsurvplot() kontra ggsurvplot_df()

Överlevnadsanalys i R

Interaktiv övning med praktiskt arbete