Tidsvarierende variable

Variable der ændrer sig over opfølgningen: hvad kan variere, hvornår baseline er nok, og hvor det bliver svært

Published

July 2, 2026

Important

Det her er et svært emne, og siden er kun en kort orientering. Tidsvarierende analyse spænder fra en simpel omformning af data (som vi viser her) til hele den kausale maskine bag time-varying treatments - til sidstnævnte henvises bl.a. til What If, Part III.

Næsten alt i den øvrige guide bygger på én række per person med variable målt ved index (baseline). Men nogle ting ændrer sig under opfølgningen, og så holder den form ikke altid. Denne side hjælper dig med at afgøre, hvornår det er et problem, og hvad du så gør.

Note

Kodeeksemplet bruger generiske sti- og variabelnavne. Tilpas til dit projekt. survival skal være installeret i dit R-miljø på DST.

Hvad kan variere?

Tre forskellige ting kan variere over tid, og de kræver vidt forskellige svar:

  • Tidsvarierende kovariat / confounder: en baggrundsvariabel der ændrer sig (fx BMI, en blodprøve, en medicinstatus, civilstand). Den kan ikke stå som én værdi per person, hvis den ændrer sig undervejs.
  • Tidsvarierende eksponering / behandling: selve eksponeringen starter, stopper eller skifter undervejs (en behandling personen går til og fra). Det er her det bliver kausalt svært, se afsnittet om feedback nedenfor.
  • Censurering er også tidsvarierende: personer forlader opfølgningen på forskellige tidspunkter (emigration, død, loss to follow-up). Det håndteres allerede i din opfølgningstid og dit time-to-event-setup, se Time-to-event.

Hvornår er baseline-setup’et nok?

Ofte. Hvis din eksponering er fastlagt ved index (fx en diagnose eller en operation på en bestemt dato), og du justerer for confoundere målt ved baseline, så er det almindelige setup fra Fase 10-12 - én række per person, kovariater frosset ved index, ét opfølgningsinterval - det rigtige. Du skal ikke lave tidsvarierende analyse, bare fordi data strækker sig over tid. Overvej det først, når en variabel, der betyder noget for analysen, faktisk skifter værdi efter index.

Tip

Tommelfingerregel: spørg om den ekstra kompleksitet ændrer svaret. Skifter en kovariat lidt undervejs, men er ikke en stærk confounder, er baseline-værdien som regel fin. Skifter selve eksponeringen, eller skifter en stærk confounder systematisk med eksponeringen, så læs videre.

En tidsvarierende kovariat

Har du en kovariat, der ændrer sig undervejs (og som ikke er fanget i feedback med eksponeringen, se næste afsnit), er løsningen mekanisk: du laver start/stop-format (også kaldet counting-process-format). I stedet for én række per person får du én række per person-interval, hvor variablen er konstant inden for intervallet. Det bygger du med survival::tmerge() og analyserer med en almindelig Cox-model.

En person med to målinger bliver til to rækker, hver med sit tstart/tstop-interval og den værdi, der gælder i intervallet:

pnr tstart tstop maaling udfald
001 0 180 5.2 0
001 180 365 6.8 1

Byg start/stop-data med tmerge()

library(survival)                          # tmerge(), tdc(), event()

# base      = én række per person: pnr, exit_dag (slut på opfølgning), status (1 = udfald)
# maalinger = mange rækker per person: pnr, dag (tid for målingen), vaerdi

d <- tmerge(base, base, id = pnr,                 # initialisér start/stop-data fra base
            udfald = event(exit_dag, status))     # definér hændelsen ved exit-tidspunktet

d <- tmerge(d, maalinger, id = pnr,               # tilføj den tidsvarierende variabel
            maaling = tdc(dag, vaerdi))           # tdc = time-dependent covariate
# -> d har nu tstart, tstop, udfald og maaling (én række per interval)
  • event(tid, status) markerer, hvornår hændelsen sker.
  • tdc(dag, vaerdi) lader maaling skifte værdi på hver måledag.

Analysér i en Cox-model

coxph(Surv(tstart, tstop, udfald) ~ maaling + alder, data = d)  # tidsvarierende Cox-model

Selve time-to-event-analysen (Kaplan-Meier, Cox, antagelser) ligger i Time-to-event. Den detaljerede opskrift på tmerge() og tidsafhængige effekter står i survival-pakkens vignette (CRAN PDF).

Treatment-confounder feedback

Warning

Start/stop-Cox’en ovenfor er ikke altid nok - og kan endda være forkert. Den vigtigste fælde i tidsvarierende analyse er treatment-confounder feedback: når en tidsvarierende variabel både er en confounder for eksponeringen og selv påvirkes af tidligere eksponering.

Klassisk eksempel: en behandling (eksponering) påvirker en biomarkør, biomarkøren påvirker, om personen får mere behandling, og biomarkøren påvirker også udfaldet. Variablen er på én gang confounder (der normalt håndteres via justering) og et mellemled/mediator på vejen fra tidligere behandling til udfald (justerer du for den, blokerer du en del af den effekt, du vil måle, og introducerer bias).

I den situation kan du ikke bare smide variablen ind i en almindelig Cox-model, sådan som vi gjorde ovenfor. At justere og at lade være giver begge et forkert svar. Løsningen er en helt anden familie af metoder, g-metoder:

  • g-formlen (standardisering trin for trin over tid)
  • IP-vægtning / marginale strukturelle modeller: den mest tilgængelige g-metode. Selve vægtningsidéen introducerer guiden for en fast eksponering i IP-vægtning (IPTW og IPCW); marginale strukturelle modeller udvider den til tidsvarierende eksponering
  • g-estimation af strukturelle modeller

Det ligger uden for denne guide. Mistænker du feedback, så stop her, læs op (fx What If, Part III), og inddrag en biostatistiker, før du analyserer.

Se også

Note

Husk: alt der forlader DST skal gennem outputkontrol - ingen små celler, kun aggregerede resultater. Se Fase 14 - Eksport og hjemsendelse.

Back to top