introduzione all’analisi dei dati di …biometria.univr.it/sesm/files/teoria.pdf1 introduzione...
TRANSCRIPT
1
INTRODUZIONE ALL’ANALISI DEI DATI DI SOPRAVVIVENZA
Dott. Simone Accordini
Sezione di Epidemiologia & Statistica Medica
Università degli Studi di Verona
tempo
ESPOSTI (D1)
NON ESPOSTI (D0)
1. selezione di soggetti che non hanno l’outcome sulla base dello status di esposizione (D)
2. misurazione prospettica dell’occorrenza dell’outcome
���� confronto degli esposti e dei non esposti rispetto alla distribuzione dell’outcome
direzione dello studiomomento dello studio
OUTCOME
OUTCOME
DISEGNO DI COORTE
2
• i soggetti possono entrare nello studio in momenti diversi
• alcuni soggetti vengono persi al follow-up
POICHE’ ...
• un soggetto è effettivamente a rischio solo fino a quando non sviluppa
la malattia
DISEGNO DI COORTE:
DATI COME PERSONE-TEMPO
PERSONE-TEMPO:
somma di tutti i tempi di osservazione dei soggetti a rischio
Esempio:
Persone-tempo = 3+2+4+4+3+2+2+6 = 26 persone-anno
Sviluppo della malattia1990
tempo
19961/1/1997 1/1/2003
3
TASSO DI INCIDENZA (I): misura della velocità media di comparsa dei nuovieventi di malattia in una popolazione
1 -tempoPTr
I = PT = persone-tempo
r = numero di nuovi casi nel periodo tra t0 e t1
Tra t0 e t1:
PT = 26 persone-anno
numero di nuovi casi = 3
I = 3/26 persone-anno
= 0.115 casi per anno-1Sviluppo della malattia
1990
tempo
19961/1/1997 1/1/2003
Il tasso:
• è espresso come numero di casi per tempo-1
• viene generalmente moltiplicato per una costante di convenienza
(100; 1000; …)
) 1000(x 1151000*263 1−== anniI
115 casi ogni 1000 persone osservate per un anno
4
• l’unità di tempo è arbitraria: il tasso può essere espresso in giorni-1, mesi-1,
anni-1, ...
)esi 1000(x 6.91000*312
3 1−== mmesi
I
9.6 casi ogni 1000 persone osservate per un mese
) 1000(x 1151000*26
3 1−== annianni
I
115 casi ogni 1000 persone osservate per un anno
Esempio:
In uno studio sulla relazione tra l’utilizzo di ormoni nella post-menopausa el’insorgenza di CHD, si sono evidenziati 90 nuovi casi tra 32317 donne in menopausa,per un periodo totale di follow-up di 105786 persone-anno.
1 x 0085.0105786
90 −== anniI
0.85 casi per 100 persone all’anno
oppure
8.5 casi per 1000 persone all’anno
oppure
85 casi per 10000 persone all’anno
5
Esercizio:
Calcolate il tasso di incidenza sulla base dell’esperienza di malattia dei 14 soggetti tra l’1/1/1986 e l’1/1/1989 rappresentata nel seguente grafico.
������������������ ������� ������
OUTCOME DICOTOMICO
DATI COME PERSONE-TEMPO
num. di casi
r1r0
r
persone-tempo
PT1PT0
PT
Esposti (D1)Non Esposti (D0)
Totale
6
Esempio:
Studio di coorte sulla relazione tra la somministrazione ripetuta di esami radiografici al torace e l’occorrenza del tumore al seno in donne con la tubercolosi (Boice & Monson. J Natl Cancer Inst 1977;59:823-32).
Radiazioni SI (D1)NO (D0)
Totale
Casi di tumore al seno
4115
56
Persone-anno
2801019017
47027
���� INFERENZA SU TASSI DI INCIDENZA
Esempio (continua):
Radiazioni SI (D1)NO (D0)
Totale
Casi di tumore al seno
4115
56
Persone-anno
2801019017
47027
I1 = 41 / 28010 persone-anno
= 0.00146 casi per persona-anno
= 146 casi per 100000 persone-anno
I0 = 15 / 19017 persone-anno
= 0.00079 casi per persona-anno
= 79 casi per 100000 persone-anno
7
rischio relativo (RR) = I1 / I0
MISURA DELL’EFFETTO RELATIVO
RR > 1 l’esposizione è un fattore di rischio
RR < 1 l’esposizione è un fattore protettivo
RR = 1 l’esposizione non è un determinante
Esempio (continua):
Radiazioni SI (D1)NO (D0)
Totale
Casi di tumore al seno
4115
56
Persone-anno
2801019017
47027
RR = I1 / I0 = 1.86
Una malata di tubercolosi esposta a ripetuti esami radiografici al torace ha un rischio di sviluppare un tumore al seno superiore dell’86% del rischio per una malata di tubercolosi non esposta.
8
DISEGNO DI COORTE:
ANALISI DELLA SOPRAVVIVENZA
• esposizione ad un potenziale determinante
• trattamento
‘survival time’(durata della sopravvivenza)
‘failure time’(tempo di insuccesso)
OUTCOME
tempo
EVENTO INIZIALEEVENTO CRITICO DI
INTERESSE (ENDPOINT)
SURVIVAL TIME
ENDPOINT:
• morte per qualsiasi causa ���� overall survival
• morte per causa specifica ���� survival
• progressione della malattia, mancata risposta, remissione parziale, recidiva locale e/o metastasi a distanza, grave tossicità, morte
���� event free survival
• ricorrenza della malattia (se in remissione all’inizio del follow-up)
���� disease free survival
EVENTO INIZIALE:
• studi clinici ���� diagnosi, randomizzazione, inizio trattamento
• studi epidemiologici ���� esposizione
9
PERIODODI RECLUTAMENTO
PERIODO MINIMODI OSSERVAZIONE
WITHDRAWNALIVE
DROP-OUT
INIZIO DELLOSTUDIO
FINE DELRECLUTAMENTO
TEMPO DIENTRATA
TEMPO DI CALENDARIO TEMPO DI OSSERVAZIONE
PA
ZIE
NT
E
PA
ZIE
NT
E
FINE DELLOSTUDIO
1/1/1990 31/12/1993 31/12/1997 0
EVENTO
TEMPO MASSIMO DIOSSERVAZIONE
96 mesi
Censura informativa vs non informativa:
MECCANISMO DI CENSURA
DROP OUT INTERRUZIONE DELLA TERAPIA ASSEGNATA
FINE DELLO STUDIO
potenzialmente informativa
probabilmente non informativa
10
CENSURA A DESTRA: sappiamo soltanto che il tempo di sopravvivenza supera
una certa durata
esempio: studio di mortalità per cancro (durata = 5 anni)
tempi di sopravvivenza censurati a destra per:
- pazienti vivi al termine dei 5 anni (withdrawn alive)
- pazienti persi durante il follow-up (drop out)
- pazienti morti per altre cause durante lo studio
CARATTERISTICHE DEI DATI DI SOPRAVVIVENZA:
coppia di variabili (T, δ) � T = tempo dall’entrata nello studio
1) T ≥ 0
2) T ha distribuzione con asimmetria positiva
� δ = indicatore di occorrenza dell’evento critico
(1 = evento osservato, 0 = tempo censurato)
Esempio (Freireich et al, 1963):
trial clinico multicentrico, 42 bambini con leucemia linfoblastica acuta in remissionecompleta, assegnazione randomizzata di 6-mercaptopurina o placebo, endpoint = ricorrenza della leucemia
Tempo di ricaduta perpazienti con placebo
(settimane)
Tempo di ricaduta perpazienti con 6-MP
(settimane)
1 61 62 62 6+3 74 9+4 105 10+5 11+8 138 168 17+8 19+11 20+11 2212 2312 25+15 32+17 32+22 34+23 35+
11
T
censura (δδδδ=0)
δδδδ
evento (δδδδ=1)
DISTRIBUZIONE DEL TEMPO DI INSUCCESSO (T):
1. funzione distribuzione: F(t) = Prob(T≤≤≤≤ t)→→→→ probabilità che il tempo di insuccesso sia ≤≤≤≤ t
→→→→ F(0) = 0 e limt→∝→∝→∝→∝ F(t) = 1
2. funzione sopravvivenza: S(t) = 1 - F(t) = Prob(T > t)→→→→ probabilità di sopravvivenza al tempo t
→→→→ S(0) = 1 e limt→∝→∝→∝→∝ S(t) = 0
3. funzione rischio: λλλλ(t) = [dF(t)/dt] / S(t)→→→→ tasso istantaneo di insuccesso nell’intervallo infinitesimale (t,t+dt)
12
OBIETTIVI DELL’ANALISI DELLA SOPRAVVIVENZA:
• stimare la distribuzione del tempo di insuccesso
• confrontare la sopravvivenza tra gruppi diversi di soggetti
• valutare l’effetto di differenti variabili (caratteristiche demografiche, cliniche, patologiche, fattori di rischio, trattamenti) sulla sopravvivenza
ASSUNZIONI DELL’ANALISI DELLA SOPRAVVIVENZA:
• indipendenza delle N osservazioni {{{{(ti,δδδδi), i=1,..,N}}}}
• censura non informativa ���� i soggetti ‘censurati’ hanno la stessaprobabilità d’insuccesso dei soggetti ‘non censurati’
1. STIMARE LA DISTRIBUZIONE DEL TEMPO DI INSUCCESSO:
MODELLI PARAMETRICI
• assumere una particolare forma funzionale per la distribuzione del tempo di insuccesso
• stimare i parametri della distribuzione
13
DISTRIBUZIONE DI WEIBULL
λλλλ(t) = λγλγλγλγ (λλλλt)γγγγ-1 S(t) = exp[- (λλλλt)γγγγ]
0
1
2
3
4
5
0 1 2 3 4 5 6
λλλλ(t)
tempo
λλλλ = 1 γγγγ = 1.5
γγγγ = 1
γγγγ = 0.5
0
0,25
0,5
0,75
1
0 1 2 3 4 5 6
S(t)
tempo
DISTRIBUZIONE ESPONENZIALE
λλλλ(t) = λλλλ S(t) = exp(- λλλλt)
0
0,5
1
1,5
2
0 1 2 3 4 5 6
tempo
λλλλ(t)
λλλλ = 1
0
0,25
0,5
0,75
1
0 1 2 3 4 5 6
tempo
S(t)
1. STIMARE LA DISTRIBUZIONE DEL TEMPO DI INSUCCESSO:
METODO NON PARAMETRICO
• funzione sopravvivenza: S(t) = Prob(T > t)
→→→→ probabilità di sopravvivenza al tempo t
STIMATORE NON-PARAMETRICO DI S(t): KAPLAN-MEIER
assenza/scarsità di informazioni a priori sulla forma di S(t)
14
STIMATORE NON-PARAMETRICO DI S(t): KAPLAN-MEIER (dati non censurati)
• N soggetti →→→→ k (≤≤≤≤ N) tempi di insuccesso ordinati: t(1), t(2), … , t(k)
• di = numero di eventi in t(i)
• ni = numero di soggetti a rischio in t(i)
d1
n1 = N
d2
n2 = n1 - d1 = N - d1
0 tempot(k)t(1) t(2) t(3)
d3
n3 = n2 - d2 = N - d1 - d2
prob. condizionale
sogg. a rischio: n2
sogg. a rischio: n3
S(0) = 1^
^
^S(t(k)) = Prob(T > t(k)) = (N - d1 - d2 - … - dk-1 - dk) / N
se N eventi ���� S(t(k)) = 0
S(t(3)) = Prob(T > t(3))
= Prob(T > t(1)) * Prob(T > t(2)T > t(1)) * Prob(T > t(3)T > t(2))
= [(N - d1 - d2) / N] * [(N - d1 - d2 - d3) / (N - d1 - d2)] = (N - d1 - d2 - d3) / N
S(t(2)) = Prob(T > t(2)) = Prob(T > t(1)) * Prob(T > t(2)T > t(1))
= [(N - d1) / N] * [(N - d1 - d2) / (N - d1)] = (N - d1 - d2) / N
S(t(1)) = Prob(T > t(1)) = (N - d1) / N
15
Tempo(settimane)
No.eventi
No. soggettia rischio
Prob. condizionaledi remissione
Prob. cumulativa diremissione: S(t)
1 2 21 19/21 = 0.90476 0.9048
2 2 19 17/19 = 0.89474 0.9048 * 0.8947 = 0.8095
3 1 17 16/17 = 0.94118 0.8095 * 0.9412 = 0.7619
4 2 16 14/16 = 0.87500 0.7619 * 0.8750 = 0.6667
5 2 14 12/14 = 0.85714 0.6667 * 0.8571 = 0.5714
8 4 12 8/12 = 0.66667 0.5714 * 0.6667 = 0.3810
11 2 8 6/8 = 0.75000 0.3810 * 0.7500 = 0.2857
12 2 6 4/6 = 0.66667 0.2857 * 0.6667 = 0.1905
15 1 4 3/4 = 0.75000 0.1905 * 0.7500 = 0.1429
17 1 3 2/3 = 0.66667 0.1429 * 0.6667 = 0.0952
22 1 2 1/2 = 0.50000 0.0952 * 0.5000 = 0.0476
23 1 1 0/1 = 0.00000 0.0476 * 0.0000 = 0.0000
0
0,25
0,5
0,75
1
0 5 10 15 20 25 30 35
tempo (settimane)
S(t)^
Esempio:
gruppo con placebo
DATI NON CENSURATI
8
0.3810
5
0.5714
STIMATORE NON-PARAMETRICO DI S(t): KAPLAN-MEIER (dati censurati)
• N soggetti →→→→ k (≤≤≤≤ N) tempi di insuccesso ordinati: t(1), t(2), … , t(k)
• ci = numero di soggetti con censura tra t(i-1) e t(i)
• di = numero di eventi in t(i)
• ni = numero di soggetti a rischio in t(i)
tempo0
d1
n1 = N - c1
d2
n2 = n1 - d1 - c2
= N - c1 - d1 - c2
t(k)t(1) t(2) t(3)
d3
n3 = n2 - d2 - c3
= N - c1 - d1 - c2 - d2 - c3
nk = nk-1 - dk-1 - ck
dk
c1 c2 c3 ck
16
S(0) = 1^
^
^
S(t(k)) = Prob(T > t(k)) = [(n1 - d1) / n1] * [(n2 - d2) / n2] * … * [(nk - dk) / nk]
se l’ultimo tempo osservato è di insuccesso ���� nk = dk ���� S(t(k)) = 0
^S(t(3)) = Prob(T > t(3))
= Prob(T > t(1)) * Prob(T > t(2)T > t(1)) * Prob(T > t(3)T > t(2))
= [(n1 - d1) / n1] * [(n2 - d2) / n2] * [(n3 - d3) / n3]
S(t(2)) = Prob(T > t(2)) = Prob(T > t(1)) * Prob(T > t(2)T > t(1))
= [(n1 - d1) / n1] * [(n2 - d2) / n2]
S(t(1)) = Prob(T > t(1)) = (n1 - d1) / n1
Esempio:
gruppo con 6-MP
0
0,25
0,5
0,75
1
0 5 10 15 20 25 30 35
S(t)^
tempo (settimane)
Tempo(settimane)
No. daticensurati
No.eventi
No. soggettia rischio
Prob. condizionaledi remissione
Prob. cumulativa diremissione: S(t)
6 1 3 21 18/21 = 0.85714 0.8571
7 1 17 16/17 = 0.94118 0.8571 * 0.9412 = 0.8067
9 1
10 1 1 15 14/15 = 0.93333 0.8067 * 0.9333 = 0.7529
11 1
13 1 12 11/12 = 0.91667 0.7529 * 0.9167 = 0.6902
16 1 11 10/11 = 0.90909 0.6902 * 0.9091 = 0.6275
17 1
19 1
20 1
22 1 7 6/7 = 0.85714 0.6275 * 0.8571 = 0.5378
23 1 6 5/6 = 0.83333 0.5378 * 0.8333 = 0.4482
25 1
32 2
34 1
35 1
17
MODELLO PARAMETRICO VS STIMA NON PARAMETRICA
gruppo con placebo
gruppo con 6-MP
21
19
1716
14
12
8
6
43
21
0.00
0.25
0.50
0.75
1.00
0 5 10 15 20 25analysis time
Kaplan-Meier survival estimate
21
1716
13
11
10
6
5
0.00
0.25
0.50
0.75
1.00
0 10 20 30 40analysis time
Kaplan-Meier survival estimate
gruppo con placebo
gruppo con 6-MP
n°soggetti a rischio
n°soggetti a rischio all’inizio dell’intervallo di tempo
18
VARIABILITA’ DELLE STIME DI KAPLAN-MEIER
• stime soggette a variazione casuale
• associare a ciascuna stima della probabilità cumulativa di sopravvivenza S(t) una misura di precisione →→→→ intervallo di confidenza (formula di Greenwood)
^
S(16) = 0.63 95%CI = [0.42, 0.79]^
0
0,25
0,5
0,75
1
0 5 10 15 20 25 30 35
tempo (settimane)
S(t)^
TEMPO DI SOPRAVVIVENZA MEDIANO
• tempo (t0.5) in corrispondenza del quale si ha S(t) = 0.5
• stima il tempo fino al quale il 50% dei soggetti è atteso sopravvivere
^
^
^• non è calcolabile se S(t) è sempre >0.5
• può essere molto inaccurato se S(t) non decresce rapidamente
t0.5 = 8 settimane 95%CI = [4,11]
19
2. CONFRONTARE LA SOPRAVVIVENZA TRA GRUPPI DIVERSI DI SOGGETTI:
TEST DI MANTEL-HAENZEL (LOG-RANK TEST)
• confronto tra due (o più) gruppi
• permette di verificare il sistema di ipotesi
H0: λλλλ1(t) = λλλλ0(t)
H1: λλλλ1(t) = θθθθ λλλλ0(t) (rischi proporzionali)
se θθθθ < 1 ���� ‘migliore’ sopravvivenza nel gruppo esposto
se θθθθ > 1 ���� ‘migliore’ sopravvivenza nel gruppo non esposto
uguale sopravvivenza
RISCHI PROPORZIONALI
S(t)
RISCHI NON PROPORZIONALI
S(t)
• statistica test di Mantel-Haenzel:
{ ΣΣΣΣ [d1i - E(d1i)] }2
QM-H =ΣΣΣΣ VAR(d1i)
0.00
0.25
0.50
0.75
1.00
0 10 20 30 40analysis time
tratt = placebo tratt = 6-MP
Kaplan-Meier survival estimates, by tratt
QM-H = 16.8 p<0.001 ���� efficacia del farmaco 6-MP
numero di eventi attesi sotto H0nel gruppo esposto al tempo t(i)
numero di eventi osservati nel gruppo esposto al tempo t(i)
• sotto H0 (se è vera H0), QM-H ha distribuzione chi-quadrato con 1 grado di libertà
20
3. ANALISI MULTIVARIATA MEDIANTE MODELLI DI REGRESSIONE
SCOPI:
• valutare l’effetto di più variabili sulla durata della sopravvivenza
• valutare l’interazione tra due o più variabili (i.e., modificazione di effetto)
• controllare il confondimento
→→→→ sbilanciamento di fattori rilevanti per la durata della sopravvivenza
nei gruppi di interesse
DATI DI SOPRAVVIVENZA:
• coppia di variabili (T, δδδδ)
• (X1, X2, … , Xr) = covariate
���� N osservazioni {{{{(ti,δδδδi,x1i,x2i, … ,xri), i=1,..,N}}}}
T δδδδ
placebo (X1=0)
6-MP (X1=1)
X1variabile dummy
21
3. ANALISI MULTIVARIATA MEDIANTE MODELLI DI REGRESSIONE:
MODELLO DI COX (A RISCHI PROPORZIONALI)
funzione non esplicitata del tempo t uguale per tutti i soggetti
���� modello semi-parametrico
Xquantità che dipende dal valore delle covariate attraverso i coefficienti di regressione (ββββ1,ββββ2,..,ββββr), ma che nondipende dal tempo
ASSUNZIONI:
1. proporzionalità dei rischi
2. covariate costanti nel tempo
3. effetto moltiplicativo sul rischio di covariate indipendenti
λλλλ(t,xi) = λλλλ0(t) exp(ββββ1x1i + ββββ2x2i + .. + ββββrxri)
RISCHI PROPORZIONALI:
X1 = trattamento (0 = standard (A), 1 = sperimentale (B))
X2 = sesso (0 = femmina, 1 = maschio)
soggetto 1 (tratt. B, maschio) →→→→ (x11, x21) = (1,1)
λλλλ(t,x1) = λλλλ0(t) exp(ββββ1x11 + ββββ2x21) = λλλλ0(t) exp(ββββ1 + ββββ2)
soggetto 2 (tratt. A, maschio) →→→→ (x12, x22) = (0,1)
λλλλ(t,x2) = λλλλ0(t) exp(ββββ1x12 + ββββ2x22) = λλλλ0(t) exp(ββββ2)
22
λλλλ(t,x1) λλλλ0(t) exp(ββββ1x11 + ββββ2x21)
λλλλ(t,x2) λλλλ0(t) exp(ββββ1x12 + ββββ2x22)=
= exp(ββββ1(x11 - x12) + ββββ2(x21 - x22))
= exp(ββββ1(1 - 0) + ββββ2(1 - 1))
= exp(ββββ1)non dipende da t
soggetto 3 (tratt. A, femmina) →→→→ (x13, x23) = (0,0)
λλλλ(t,0) = λλλλ0(t) exp(ββββ10 + ββββ20) = λλλλ0(t) exp(0) = λλλλ0(t)
funzione rischio ‘baseline’
ββββ1 > 0 ���� HR(B vs A) = exp(ββββ1) > 1 (‘peggiore’ sopravvivenza in B)
ββββ1 < 0 ���� 0 < HR(B vs A) = exp(ββββ1) < 1 (‘migliore’ sopravvivenza in B)
ββββ1 = 0 ���� HR(B vs A) = exp(ββββ1) = 1 (‘uguale’ sopravvivenza)
SIGNIFICATO DEI PARAMETRI:
Gruppo X1 λλλλ(t,x1) = λλλλ0(t) exp(ββββ1x1) lnλλλλ(t,x1) = lnλλλλ0(t) + ββββ1x1
A 0 λλλλ(t,0) = λλλλ0(t) lnλλλλ(t,0) = lnλλλλ0(t)
B 1 λλλλ(t,1) = λλλλ0(t) exp(ββββ1) lnλλλλ(t,1) = lnλλλλ0(t) + ββββ1
exp(ββββ1) = λλλλ(t,1) / λλλλ(t,0) ββββ1 = lnλλλλ (t,1) - lnλλλλ0(t)Hazard Ratio (HR)
ββββ1 < 0
23
HR(B vs A) = exp(ββββ1)
= effetto del trattamento, al nettodell’effetto del sesso
HR(M vs F) = exp(ββββ2)
= effetto del sesso, al nettodell’effetto del trattamento
ββββ1 < 0ββββ2 > 0
Gruppo (X1,X2) λλλλ(t,x) = λλλλ0(t) exp(ββββ1x1 + ββββ2x2) lnλλλλ(t,x) = lnλλλλ0(t) + ββββ1x1 + ββββ2x2
A,F (0,0) λλλλ0(t) lnλλλλ0(t)
B,F (1,0) λλλλ0(t) exp(ββββ1) lnλλλλ0(t) + ββββ1
A,M (0,1) λλλλ0(t) exp(ββββ2) lnλλλλ0(t) + ββββ2
B,M (1,1) λλλλ0(t) exp(ββββ1 + ββββ2) = λλλλ0(t) exp(ββββ1) exp(ββββ2) lnλλλλ0(t) + ββββ1 + ββββ2
effetto moltiplicativoeffetto additivo
Esempio (Iacono et al, 2001):
studio clinico osservazionale, 25 pazienti con adenocarcinoma duttale pancreatico in R0, confronto tra pancreaticoduodenectomia standard (SPD) ed estesa (EPD)
Evento iniziale: trattamento (intervento chirurgico)
Endpoint: morte
HR Std. Err. P-value [95% Conf. Interval]
Treatment(SPD vs EPD) 4.82 2.62 0.004 1.66-14.00
Grading of tumor differentiation(poor vs moderate) 4.33 2.36 0.007 1.49-12.61
Type of resection(pylorus-preserving vs hemigastrectomy) 1.49 0.74 0.422 0.56-3.95
H0: ββββ = 0
H1: ββββ ≠≠≠≠ 0
H0: exp(ββββ) = 1
H1: exp(ββββ) ≠≠≠≠ 1
24
3. ANALISI MULTIVARIATA MEDIANTE MODELLI DI REGRESSIONE:
MODELLI PARAMETRICI (A RISCHI PROPORZIONALI)
funzione esplicitata del tempo t uguale per tutti i soggetti
WEIBULL: λλλλ0(t) = λγλγλγλγ (λλλλt)γγγγ-1
00,250,5
0,751
1,251,5
1,752
0 1 2 3 4 5 6
ESPONENZIALE: λλλλ0(t) = λλλλ
tempo
λλλλ0(t) = 1
λλλλ0(t)*exp(ββββ)
0
1
2
3
4
5
6
0 1 2 3 4 5 6
λλλλ0(t) = 1.5 t0.5
λλλλ0(t)*exp(ββββ)
HR = 1.5
tempo
λλλλ = 1 γγγγ = 1.5
λλλλ = 1
λλλλ(t,xi) = λλλλ0(t) exp(ββββ1x1i + ββββ2x2i + .. + ββββrxri)