R 时间相关Cox模型

考虑附带的（虚拟）样本csv文件，其中使用了两种方法（即方法A和方法B）来评估癌症患者的进展时间（PFS）。对于每个患者，我们也有总生存率（OS）

数据可作为CSV从

我想调查的是，采用方法A或方法B的PFS是否能更好地预测患者的总体生存率

我考虑了两个Cox模型，其中PFS（方法A或方法B）作为时间相关协变量（使用coxph）包括在内，然后比较两个模型的性能，例如C指数或Brier分数（例如pec库）。这种做法合理吗

不幸的是，我已经很难正确设置所需的数据框（因为尽管相关列中的疾病进展与基础数据不一致，但通过tmerge生成的methodA或B列包含NA值）：

库（生存）
df_检验我一直认为“PFS”与“总体生存率”在同一句话中讨论是相当奇怪的，因为在终点为“进展”的模型中，其他原因导致的死亡会引起审查标志。谢谢你的评论。我认为调查PFS作为OS替代物的潜力是一个有效的问题（即，在我的案例中，通过方法a或方法B定义的PFS是否是更好的替代物）。PubMed上列出了很多关于这个主题的研究：看到这一点，如果进展的预测因子与总生存率的预测因子强烈重叠和相关，那么它将是可靠的。只有在复发后不久死亡的情况下才会出现这种情况。共病将是一个严重的混杂因素。如果情况并非如此，那就不可能是真的，因为乳腺癌和前列腺癌是两种复发后长期存活的常见癌症。我发现很难理解这些数据是如何安排的。难道不应该有一个“事件顺序”变量来显示方法A或B是第一位的吗？他们的研究对象是生存率很低的脑肿瘤（中位数，但你有同时发生这两种情况的受试者。不需要考虑顺序，因为除非进展发生，否则你不会选择第二种方法？
library(survival)

df_test <- read.table(file = "https://www.dropbox.com/s/vqns04vheqt57nk/cox.csv?dl=1", header = TRUE, sep=";")

df_test_methodA<-tmerge(data1=df_test,data2=df_test,id=Patient_ID,
                endpt = event(OS_time, OS_event),
                methodA = tdc(Method_A_PFS_time,Method_A_PFS_event))

  df_test_methodB<-tmerge(data1=df_test,data2=df_test,id=Patient_ID,
                    endpt = event(OS_time, OS_event),
                    methodB = tdc(Method_B_PFS_time,Method_B_PFS_event))

View(df_test_methodA)
View(df_test_methodB)