प्रतिशत जोखिम रिग्रेशन मॉडल प्रतिस्पर्धी जोखिम डेटा के लिए सहवर्ती-समायोजित सेंसिंग भार के साथ उप-वितरण के लिए

प्रतिस्पर्धी जोखिम डेटा के साथ, अक्सर उपचार और सहवर्ती प्रभावों का आकलन करना आवश्यक होता है। फाइन और ग्रे ने एक प्रतिस्पर्धी जोखिम के उप-वितरण के लिए एक प्रतिशत जोखिम रिग्रेशन मॉडल प्रस्तावित किया, जिसमें यह मान लिया गया कि सेंसिंग वितरण और सहवर्ती स्वतंत्र हैं। मेडिकल अध्ययनों में कभी-कभी सहवर्ती-निर्भर सेंसिंग होती है। इस पत्र में, हम सहवर्ती-निर्भर सेंसिंग के लिए उचित समायोजन के साथ एक प्रतिस्पर्धी जोखिम के उप-वितरण के लिए प्रतिशत जोखिम रिग्रेशन मॉडल का अध्ययन करते हैं। हम सेंसिंग वितरण के लिए कॉक्स मॉडल को फिट करके और प्रत्येक व्यक्ति के लिए भविष्यवाणीकर्ता संभावना का उपयोग करके सहवर्ती-समायोजित भार कार्यशीलता पर विचार करते हैं। हमारा अनुकरण अध्ययन दिखाता है कि जब सेंसिंग समय सहवर्ती पर निर्भर करता है, तो सहवर्ती-समायोजित भार अनुमानक मौलिक रूप से बिना पूर्वाग्रह के होता है, और सहवर्ती-समायोजित भार दृष्टिकोण भी भिन्नता अनुमानक के लिए बेहतर काम करता है। हम अपने तरीकों को अंतरराष्ट्रीय रक्त और अस्थि मज्जा प्रत्यारोपण अनुसंधान केंद्र (CIBMTR) से अस्थि मज्जा प्रत्यारोपण डेटा के साथ स्पष्ट करते हैं। यहाँ कैंसर की पुनः वापसी और पूर्ण रिमिशन में मृत्यु दो प्रतिस्पर्धी जोखिम हैं।