Competing risk models in survival analysis

Abstract

Studujeme rozšíření metod klasické analýzy přežití pro případ konkurujících rizik. Nejprve zavedeme značení, definujeme základní pojmy a uvedeme základní věty a vlast- nosti. Druhá kapitola zkoumá neparametrické metody pro odhad kumulativní incidenční funkce. Porovnáváme dvě metody odhadů. První pracuje s konkurujícími událostmi, jako kdyby tyto události byly cenzorování; zatímco druhá již konkurující události zohledňuje. V závěru kapitoly je dokázáno asymptotické rozdělení odhadu kumulativní incidenční funkce. Dále uvádíme semiparametrické regresní metody pro odhad cause-specific rizika a dále i subdistribučního rizika. K odhadu regresních parametrů se používá zobecnění Coxova modelu. V práci uvádíme důkazy martingalové vlastnosti pro případ subdistri- bučního rizika s úplnými daty. Nakonec navrhujeme malou simulační studii k posouzení efektivity předložených neparametrických odhadů. Jsou simulovány různé scénáře s kon- stantními cause-specific riziky. Kromě toho je zde ještě jedna simulační studie studující odhady regresního modelu pro cause-specific riziko. Předpokládají se dva různé Coxovy modely se dvěma regresory, jeden spojitý a jeden binární. 1

We study the extension of methods from classical survival analysis to competing risks. These methods can be used to analyse time-to-event data. Firstly, we establish notation, define fundamental concepts and present basic theorems and properties. The second chap- ter explores semiparametric methods for estimating the cumulative incidence function. We compare two methods of estimation: the first treats competing events as censored, while the second takes competing events into account. At the end of the chapter, we prove the asymptotic distribution of the estimator of the cumulative incidence function. Further, we present semiparametric regression methods for estimating cause-specific and subdistribution hazards. Generalisations of the Cox model are used to estimate regres- sion parameters. We introduce proofs of the martingale property for the subdistribution hazard case with complete data. Lastly, we propose a small simulation study to assess the efficiency of the presented nonparametric estimates. Different scenarios with con- stant cause-specific hazards are simulated and visualized. Additionally, there is one more simulation study for semiparametric estimation methods. Two different Cox models with two covariates for cause-specific hazard are assumed. 1