[R-es] ayuda con análisis de supervivencia

Lun Ago 3 06:55:01 CEST 2015

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]]