Mô hình hồi quy Cox là gì? Cách hiểu và ứng dụng

Trong phân tích dữ liệu, mô hình hồi quy Cox là phương pháp thống kê quan trọng để phân tích thời gian xảy ra một sự kiện và xác định mức độ ảnh hưởng của các yếu tố đến khả năng xảy ra sự kiện đó. Vậy mô hình Cox là gì, được hiểu như thế nào và thường được ứng dụng trong những trường hợp nào? Hãy cùng VietGuru tìm hiểu nhé!

1. Khi nào nên sử dụng mô hình hồi quy Cox?

Mô hình hồi quy Cox phù hợp khi nghiên cứu tập trung vào thời gian xảy ra một sự kiện (time-to-event) và muốn đánh giá mức độ ảnh hưởng của một hoặc nhiều yếu tố đến khả năng sự kiện đó xảy ra. Mô hình thường được sử dụng trong nghiên cứu y khoa, dịch tễ học, kỹ thuật, kinh tế và khoa học xã hội.

Thông thường, bạn nên cân nhắc sử dụng mô hình hồi quy Cox khi dữ liệu có 3 đặc điểm chính:

• Có một sự kiện cần theo dõi: Chẳng hạn như tử vong, tái phát bệnh, xuất hiện biến chứng, bỏ học, chấm dứt hợp đồng hoặc hỏng thiết bị.
• Có biến thời gian: Ghi nhận khoảng thời gian từ thời điểm bắt đầu theo dõi đến khi sự kiện xảy ra hoặc kết thúc thời gian nghiên cứu.
• Có dữ liệu kiểm duyệt (censoring): Một số đối tượng chưa xảy ra sự kiện khi nghiên cứu kết thúc, mất theo dõi hoặc không tiếp tục tham gia. Những trường hợp này vẫn có thể được đưa vào phân tích thay vì loại bỏ hoàn toàn.

Khi nào nên sử dụng mô hình hồi quy Cox?

Ví dụ:

Giả sử một nghiên cứu theo dõi thời gian sống của bệnh nhân sau điều trị. Mỗi bệnh nhân có thông tin về tuổi, giới tính, tình trạng bệnh, phương pháp điều trị và thời gian theo dõi. Một số bệnh nhân tử vong trong thời gian nghiên cứu, trong khi những người khác vẫn còn sống khi nghiên cứu kết thúc.

Trong trường hợp này, mô hình hồi quy Cox có thể được sử dụng để xác định các yếu tố liên quan đến nguy cơ tử vong và ước tính Hazard Ratio (HR). Chẳng hạn, HR của nhóm bệnh nhân có một yếu tố nguy cơ so với nhóm không có yếu tố đó có thể cho biết nguy cơ xảy ra sự kiện cao hơn hay thấp hơn ở nhóm được xem xét.

Đối với biến liên tục như tuổi hoặc huyết áp, mô hình còn cho phép đánh giá sự thay đổi của HR khi biến độc lập tăng thêm một đơn vị xác định. Ví dụ, có thể phân tích mức thay đổi nguy cơ tử vong tương ứng với mỗi 1 tuổi tăng thêm.

2. Phương trình tổng quát của mô hình hồi quy Cox

Mô hình hồi quy Cox được xây dựng dựa trên hàm nguy cơ (hazard function), nhằm mô tả nguy cơ một sự kiện xảy ra tại thời điểm t dựa trên các biến giải thích trong mô hình. Phương trình tổng quát được biểu diễn như sau:

Phương trình tổng quát của mô hình hồi quy Cox

Trong đó:

• h(t): Nguy cơ (hazard) xảy ra sự kiện đối với một đối tượng tại thời điểm t.
• h0(t): Nguy cơ nền (baseline hazard) tại thời điểm t, tức nguy cơ khi các biến độc lập X1, X2,…,Xk được đặt bằng 0.
• X1, X2,…,Xk: Các biến độc lập hoặc yếu tố nguy cơ được đưa vào mô hình, chẳng hạn tuổi, giới tính, phương pháp điều trị, tình trạng bệnh…
• b1, b2,…,bk: Các hệ số hồi quy được ước lượng từ dữ liệu nghiên cứu.
• exp: Hàm số mũ, với cơ số e ≈ 2,718

Về bản chất, phương trình cho thấy nguy cơ xảy ra sự kiện tại thời điểm t được xác định bởi nguy cơ nền và tác động của các biến giải thích. Mỗi biến Xi sẽ góp phần làm tăng hoặc giảm hazard thông qua hệ số bi.

3. Cách đọc kết quả hồi quy Cox

Khi đọc kết quả mô hình hồi quy Cox, cần tập trung vào 4 thành phần chính gồm” hệ số hồi quy (Coefficient), Hazard Ratio (HR), p-value và khoảng tin cậy 95% (95% CI). Trong đó, HR thường được chú trọng nhất vì cho phép diễn giải trực tiếp mức độ thay đổi của nguy cơ xảy ra sự kiện theo thời gian.

Hệ số hồi quy (Coefficient)

Hệ số hồi quy b cho biết chiều tác động của biến độc lập đến hazard. Hệ số dương cho thấy biến có xu hướng làm tăng nguy cơ xảy ra sự kiện, trong khi hệ số âm cho thấy nguy cơ có xu hướng giảm.

Tuy nhiên, hệ số thường khó diễn giải trực tiếp nên trong thực tế, người nghiên cứu thường quan tâm đến Hazard Ratio, được tính bằng:

Cách đọc kết quả hồi quy Cox

Hazard Ratio (HR)

HR là chỉ số quan trọng nhất khi diễn giải mô hình hồi quy Cox, cho biết mức độ thay đổi của hazard khi biến độc lập thay đổi, trong điều kiện các yếu tố khác được giữ nguyên.

Có thể diễn giải HR theo 3 trường hợp:

• HR > 1: Nguy cơ xảy ra sự kiện tăng
• HR < 1: Nguy cơ xảy ra sự kiện giảm
• HR = 1: Không có sự thay đổi về hazard

Ví dụ: Một biến có HR = 1,50 và kết quả có ý nghĩa thống kê. Điều này có nghĩa là đối tượng thuộc nhóm có đặc điểm đó có hazard xảy ra sự kiện cao hơn khoảng 50% so với nhóm tham chiếu, khi các yếu tố khác được giữ cố định.

Ngược lại, nếu HR = 0,70, hazard giảm khoảng 30% so với nhóm tham chiếu.

P-value

P-value được sử dụng để đánh giá ý nghĩa thống kê của biến trong mô hình. Thông thường, nếu p-value < 0,05, tác động của biến được xem là có ý nghĩa thống kê ở mức 5%.

Tuy nhiên, không nên chỉ dựa vào p-value để kết luận. Cần kết hợp p-value với HR và khoảng tin cậy 95% để đánh giá đầy đủ cả ý nghĩa thống kê và mức độ tác động.

Khoảng tin cậy 95% (95% CI)

Khoảng tin cậy 95% cho biết khoảng giá trị mà HR thực tế có khả năng nằm trong đó với mức độ tin cậy 95% theo cách diễn giải thống kê thông thường.

Khi đọc kết quả:

• 95% CI không chứa 1: HR thường có ý nghĩa thống kê ở mức 5%.
• 95% CI chứa 1: Chưa có đủ bằng chứng để kết luận HR khác 1 ở mức 5%.

Ví dụ: Nếu HR = 1,50 và 95% CI = 1,20–1,90, khoảng tin cậy không chứa 1 nên kết quả có ý nghĩa thống kê. Ngược lại, nếu 95% CI = 0,90–2,10 thì khoảng này chứa 1, do đó chưa thể kết luận biến có ảnh hưởng có ý nghĩa thống kê.

4. Ứng dụng mô hình hồi quy Cox trong nghiên cứu y học, kinh tế

Mô hình hồi quy Cox được ứng dụng rộng rãi trong các nghiên cứu có dữ liệu về thời gian xảy ra sự kiện. Thay vì chỉ xác định sự kiện có xảy ra hay không, mô hình còn giúp đánh giá thời điểm xảy ra và mức độ ảnh hưởng của các yếu tố đến nguy cơ xuất hiện sự kiện theo thời gian.

Trong nghiên cứu y học

Trong y học và dịch tễ học, mô hình hồi quy Cox thường được sử dụng để phân tích thời gian sống sót, tử vong, tái phát bệnh hoặc xuất hiện biến chứng. Mô hình giúp xác định các yếu tố nguy cơ và đánh giá hiệu quả của phương pháp điều trị.

Một số ứng dụng phổ biến:

• Đánh giá hiệu quả của thuốc hoặc phương pháp điều trị đối với thời gian sống của bệnh nhân.
• Xác định các yếu tố làm tăng hoặc giảm nguy cơ tử vong.
• Phân tích nguy cơ tái phát bệnh sau điều trị.
• Đánh giá thời gian xuất hiện biến chứng hoặc một kết cục lâm sàng.
• Kiểm soát các yếu tố gây nhiễu như tuổi, giới tính, tình trạng bệnh và tiền sử bệnh.

Ứng dụng mô hình hồi quy Cox trong nghiên cứu y học, kinh tế

Ví dụ: Một nghiên cứu theo dõi 300 bệnh nhân sau phẫu thuật tim trong 3 năm, với sự kiện quan tâm là tử vong. Các biến giải thích gồm tuổi, giới tính, tăng huyết áp, tiểu đường và phương pháp điều trị. Hồi quy Cox có thể xác định yếu tố nào liên quan đến nguy cơ tử vong và mức độ ảnh hưởng của từng yếu tố.

Trong kinh tế và khoa học xã hội

Không chỉ giới hạn trong y học, mô hình hồi quy Cox còn phù hợp với nhiều bài toán kinh tế và xã hội khi thời gian đến một sự kiện là biến kết quả.

Một số trường hợp tiêu biểu:

• Phân tích thời gian khách hàng rời bỏ dịch vụ (customer churn).
• Nghiên cứu thời gian thất nghiệp trước khi tìm được việc làm.
• Phân tích thời gian từ khi kết hôn đến khi ly hôn.
• Đánh giá thời gian một doanh nghiệp duy trì hoạt động trước khi rời khỏi thị trường.
• Nghiên cứu thời gian từ khi một chính sách được triển khai đến khi xuất hiện một kết quả cụ thể.

Ví dụ: Khi nghiên cứu khách hàng sử dụng một dịch vụ, thay vì chỉ phân loại khách hàng “đã rời bỏ” và “chưa rời bỏ”, mô hình hồi quy Cox còn cho phép xác định khách hàng có nguy cơ rời bỏ dịch vụ cao hơn bao nhiêu và nguy cơ đó thay đổi theo thời gian như thế nào.

5. Lời kết

Nếu bạn đang gặp khó khăn trong việc xây dựng mô hình, xử lý số liệu hay diễn giải kết quả nghiên cứu, VietGuru cung cấp dịch vụ viết thuê nghiên cứu khoa học với đội ngũ hỗ trợ chuyên môn trong nhiều lĩnh vực. VietGuru sẽ đồng hành cùng bạn trong các công việc như phân tích dữ liệu, xử lý SPSS/AMOS/Stata, kiểm định mô hình và trình bày kết quả theo yêu cầu. 

Hy vọng bài viết trên đã giúp bạn hiểu rõ về mô hình hồi quy Cox, từ phương trình tổng quát, cách đọc HR, p-value, khoảng tin cậy đến các ứng dụng trong nghiên cứu thực tế. Nắm vững những nội dung này sẽ giúp bạn lựa chọn và diễn giải mô hình phù hợp khi phân tích dữ liệu thời gian xảy ra sự kiện.