Poisson and negative binomial regression
Modelleert de snelheid van events per patiënt, zoals exacerbaties of opnames, met inachtneming van de follow-uptijd.
Klinisch voorbeeld
Het aantal astma-exacerbaties tijdens de follow-up in twee behandelarmen, waarbij sommige patiënten korter gevolgd zijn dan andere.
Wanneer te gebruiken
- De uitkomst is een telling van events per patiënt.
- Patiënten kunnen verschillend lang gevolgd zijn.
- U wilt de eventsnelheid tussen groepen vergelijken, met of zonder correctie.
Aannames om te controleren
Follow-uptijd als offset
Neem de logaritme van de follow-uptijd op als offset, zodat patiënten die langer gevolgd zijn niet als een hogere snelheid tellen.
Controleer op overdispersie
Is de variantie van de tellingen veel groter dan het gemiddelde, dan geeft Poisson regression te smalle intervallen. Gebruik dan negatief binomiale regressie.
Controleer eerst
- Variantie ongeveer gelijk aan het gemiddelde
Wat te rapporteren
- Rate ratio met 95%-BI
- Aantal events en totale follow-uptijd per groep
- Of u Poisson of negatief binomiaal hebt gebruikt, en waarom
Veelgemaakte fouten
Controleer op overdispersie
Als de variantie van de tellingen veel groter is dan het gemiddelde, geeft Poisson regression te smalle intervallen. Gebruik dan negatief binomiale regressie.
Houd rekening met de follow-uptijd
Patiënten die langer gevolgd zijn, hebben meer tijd om events te krijgen. Neem de logaritme van de follow-uptijd op als offset.
In uw software
# R
library(MASS)
fit <- glm.nb(exacerbations ~ arm + age + offset(log(followup_years)), data = trial)
summary(fit)
COMPUTE log_followup = LN(followup_years).
EXECUTE.
GENLIN exacerbations WITH arm age
/MODEL arm age DISTRIBUTION=NEGBIN(MLE) LINK=LOG OFFSET=log_followup
/PRINT FIT SOLUTION (EXPONENTIATE).