Hola a todos,
-Estoy estudiando el efecto de dos genotipos (~tratamientos) en la aparición de
síndrome 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: Síndrome 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 ocurriría 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 parecerían confirmar mi hipótesis, pero no se
si lo que estoy haciendo es una aberración estadística. Tampoco se si los
coeficientes de la regresión de Cox tienen sentido al no utilizar la variable
tiempo.
?Alguien me podría 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]]
Estimado José Miguel Arbones
Leí su solicitud respecto a un análisis de (Survival) donde quiere medir el
efecto de dos genotipos en la aparición de un síndrome metabólico. Usted también
pregunta sobre si estadísticamente sería apropiado ese enfoque.
Leí 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 síndrome 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 terminología 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 varía, sospecho que el síndrome 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 iría 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
síndrome 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: Síndrome 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 ocurriría 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 parecerían confirmar mi hipótesis, pero no se
si lo que estoy haciendo es una aberración estadística. Tampoco se si los
coeficientes de la regresión de Cox tienen sentido al no utilizar la variable
tiempo.
?Alguien me podría 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
[[alternative HTML version deleted]]
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 artículo 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 síndrome 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: Síndrome 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 ocurriría 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 parecerían confirmar mi hipótesis, pero no se si lo que estoy haciendo es una aberración estadística. Tampoco se si los coeficientes de la regresión de Cox tienen sentido al no utilizar la variable tiempo. > > ?Alguien me podría 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
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 síndrome metabólico o el ultimo bmi que consta para aquellos que no desarrollaron el síndrome 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 artículo 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 síndrome 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: Síndrome 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 ocurriría 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 parecerían confirmar mi hipótesis, pero no se si lo que estoy haciendo es una aberración estadística. Tampoco se si los coeficientes de la regresión de Cox tienen sentido al no utilizar la variable tiempo. >> >> ?Alguien me podría 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