In the first chapter, we introduce the concept of survival analysis, explain the importance of this topic, and provide a quick introduction to the theory behind survival curves. We discuss why special methods are needed when dealing with time-to-event data and introduce the concept of censoring. We also discuss how we describe the distribution of the elapsed time until an event.

"Survival analysis" terimi

GBSG2 veri kümesine giriş

Bu derste neler işlenecek?

Sağkalım yöntemlerini neden öğrenmelisin?

GBSG2 veri kümesine yakından bakış 1

GBSG2 için Surv() fonksiyonunu kullanma

UnempDur veri kümesi

Sağkalım analizinde kullanılan ölçütler

Bir sağkalım eğrisini yorumlama I

Sağkalım eğrisini yorumlama II

Bir sağkalım eğrisini yorumlama III

What is Survival Analysis?

In this chapter, we will look into different methods of estimating survival curves. We will discuss the Kaplan-Meier estimate and the Weibull model as tools for survival curve estimation and learn how to communicate those results through visualization. 

Kaplan-Meier estimate

Function to compute the Kaplan-Meier estimate

First Kaplan-Meier estimate

When does the Kaplan-Meier curve drop?

Why use Kaplan-Meier

Understanding and visualizing Kaplan-Meier curves

Exercise ignoring censoring

Estimating and visualizing a survival curve

The Weibull model for estimating survival curves

Estimating median survival from a Weibull model

Survival curve quantiles from a Weibull model

Estimating the survival curve with survreg()

Visualizing the results of Weibull models

Comparing Weibull model and Kaplan-Meier estimate

Estimation of survival curves

In this chapter, we will learn how to estimate and visualize a Weibull model to learn about the effects of covariates on the time-to-event outcome.

Why use the Weibull model

Interpreting coefficients

Compute Weibull model

Visualizing Weibull models

ggsurvplot() versus ggsurvplot_df()

Computing a Weibull model and the survival curves

Visualising a Weibull model

Plotting options

Other distributions than Weibull

survreg() arguments

Computing a Weibull and a log-normal model

Comparing Weibull and Log-Normal Model I

Comparing Weibull and Log-Normal Model II

The Weibull model

In the last chapter, we learn how to compute and interpret Cox models to understand why they are useful and how they differ from Weibull models.

The Cox model

Computing a Cox model

Proportional hazards assumption

Visualizing the Cox model

Computing the survival curve from a Cox model

Visualizing a Cox model

surv_summary()

What we've learned

Why "imaginary patients"?

Capstone: The Cox model

Capstone: Comparing survival curves

Good bye

The Cox Model

Yeni ilacı alan hastalar diğerlerinden daha uzun mu yaşıyor? İşsiz kaldıktan sonra insanlar ne kadar hızlı yeni bir işe giriyor? Partimde arkadaşlarımı dans pistinde nasıl daha uzun tutabilirim? Bu soruların tümü, olay gerçekleşene kadar geçen süre verilerinin analizini gerektirir ve bunun için özel istatistiksel yöntemler kullanırız. Bu kurs, olay-zamana (time-to-event) verisi analizinin temel kavramlarını, yani sağkalım analizini tanıtır. Olay-zamana verileriyle nasıl çalışacağını, sağkalım eğrilerini ve Weibull ile Cox modellerini nasıl hesaplayacağını, görselleştireceğini ve yorumlayacağını öğren.

Introduction to Regression in R

Zamana bağlı veriyle çalışmayı öğrenin. Ölüm veya iş bulma olaylarını tahmin ve yorumlayın!

R ile Sağkalım Analizi

İstatistikçi in R

Bir sağkalım eğrisini yorumlama I

R ile Sağkalım Analizi

Uygulamalı etkileşimli egzersiz