Overlevingsanalyse (in R)

Cursusbeschrijving

Deze uitgebreide cursus is op maat gemaakt voor medische professionals, onderzoekers en Clinical Research Organizations (CRO's) die de statistische methoden voor het analyseren van medische overlevingsgegevens onder de knie willen krijgen. De analyse van overlevingsgegevens is een cruciaal hulpmiddel in medisch onderzoek, waarbij uitkomsten van tijd tot tijd worden bijgehouden, zoals sterfte, ziekteprogressie of doeltreffendheid van behandelingen. Onze cursus biedt een solide basis in R-programmering en geavanceerde statistische technieken, zodat je geavanceerde overlevingsanalyses kunt uitvoeren die een revolutie teweeg kunnen brengen in patiëntenzorg en medisch onderzoek.

Inhoud van de cursus:

1. Inleiding tot R: Uw statistische Zwitserse zakmes
   • Vol vertrouwen door de R-omgeving navigeren
   • Technieken voor het importeren van stamgegevens (CSV, Excel, SPSS)
   • Essentiële gegevensmanipulatie uitvoeren met dplyr en tidyr
   • Grafieken van publicatiekwaliteit maken met ggplot2
   • Voorbeeld: Importeer een dataset van een klinisch onderzoek en maak een basisvisualisatie van patiëntgegevens.
2. Visualisatie van gegevens: Uw gegevens tot leven brengen
   • Geavanceerde plottechnieken voor overlevingsgegevens verkennen
   • Informatieve en esthetisch aantrekkelijke overlevingscurves maken
   • Gebruik interactieve visualisaties voor dynamische gegevensverkenning
   • Voorbeeld: Ontwikkel een plot met meerdere lagen waarin de overlevingscurven van verschillende behandelingsgroepen worden vergeleken.
3. Levenstabellen: De bouwstenen van overlevingsanalyse
   • Levenstabellen construeren en interpreteren
   • Overlevingskansen en hazard rates berekenen
   • Het concept van censuur in overlevingsgegevens begrijpen
   • Voorbeeld: Een levenstabel maken voor een cohort kankerpatiënten die een nieuwe immunotherapiebehandeling ondergaan.
4. Kaplan-Meier overlevingscurves: De gouden standaard voor overlevingsanalyse
   • Overlevingsfuncties schatten met de Kaplan-Meier-methode
   • Vergelijk overlevingscurves over meerdere groepen
   • Log-rank tests uitvoeren voor statistische significantie
   • Voorbeeld: De werkzaamheid van een nieuw cardiovasculair geneesmiddel analyseren door Kaplan-Meier-curves van behandelde versus controlegroepen te vergelijken.
5. Cox regressiemodellen: Het ontrafelen van de complexiteit van overleven
   • Cox proportionele hazardmodellen implementeren en interpreteren
   • De invloed van meerdere covariaten op de overleving beoordelen
   • Test en behandel schendingen van de aanname van proportionele gevaren
   • Voorbeeld: De invloed van leeftijd, geslacht en biomarkers op de overlevingskansen in een longkankerstudie evalueren.
6. Parametrische overlevingsmodellen: Wanneer veronderstellingen je vrienden zijn
   • Weibull-, exponentiële en log-normale modellen verkennen
   • Begrijpen wanneer en hoe parametrische modellen moeten worden toegepast
   • Parametrische en semi-parametrische benaderingen vergelijken
   • Voorbeeld: Modelleer de tijd tot een hartgebeurtenis bij patiënten met coronaire hartziekte met behulp van een Weibull-verdeling.
7. Niet-parametrische methoden: Loskomen van distributieketens
   • Niet-parametrische tests voor overlevingsgegevens implementeren
   • De voordelen en beperkingen van distributievrije methoden begrijpen
   • Afvlakkingstechnieken toepassen op overlevingscurves
   • Voorbeeld: Een niet-parametrische benadering gebruiken om de overleving te analyseren in een heterogene populatie van patiënten met een beroerte.
8. Modellen met concurrerende risico's: Als één risico niet genoeg is
   • Het concept van concurrerende risico's in overlevingsanalyse begrijpen.
   • Fine-Gray modellen implementeren voor concurrerende risicogegevens
   • Cumulatieve incidentiefuncties interpreteren
   • Voorbeeld: Analyseren van de tijd tot ofwel terugkeer van kanker of overlijden door andere oorzaken in een langetermijnfollow-uponderzoek.

Tijdens de cursus werk je met echte medische datasets, waarbij je complexe overlevingsanalyseproblemen aanpakt die de uitdagingen in klinisch onderzoek weerspiegelen. Aan het eind van de cursus beschik je over een krachtige statistische toolkit waarmee je de medische kennis kunt vergroten en mogelijk de resultaten voor patiënten kunt verbeteren.

Disclaimer: Deze cursus vermindert het risico op verkeerde interpretatie van p-waarden en hazard ratio verwarring aanzienlijk, maar kan je neiging om levensgebeurtenissen te bekijken in termen van overlevingskansen vergroten. Bijwerkingen kunnen zijn: dromen in Kaplan-Meier curves en een onweerstaanbare drang om de mediane overlevingstijd van je kamerplanten te berekenen. Raadpleeg je statisticus als de symptomen aanhouden:)