1. Tweaking the Model:
Proc Logistic and Beyond
Shulamit Gordon
Department of Health Information
Ministry of Health, Jerusalem, Israel

2. ‫תודות!!!‬
‫• ציונה חקלאי‬
‫• דמיטרי מוסטובוי‬
‫• כל צוות תחום מידע‬

3. ‫?‪Who? What? Where? When? Why? How‬‬
‫השאלה‬ ‫•‬
‫התשובה‬ ‫•‬
‫השלב הבא‬ ‫•‬
‫הבעיה‬ ‫•‬
‫הפתרון‬ ‫•‬

4. ‫ראיה כללית‬
‫• פטירות בבית חולים לאחר ניתוח‬
‫– לזהות גורמי הסיכון‬
‫– ללמוד איך יכולים לשפר הטיפולשירות‬

5. ‫מקור המידע: מאגר אשפוזים‬
‫• מנוהל בתחום מידע במשרד הבריאות‬
‫• פרטני, בלתי מזוהה‬
‫• כולל מידע על:‬
‫– דמוגרפיה‬
‫– תנועות במחלקות‬
‫– נתונים על האשפוז‬
‫– אבחנות ופעולות‬

6. ‫אוכלוסיית המחקר‬
‫מנותחים במשך שנתיים בבתי"ח כלליים‬ ‫•‬
‫עברו הניתוח‬ ‫•‬
‫אזרחי ישראל‬ ‫•‬
‫שהו בבית החולים לפחות לילה אחד‬ ‫•‬
‫בני 51 שנה ומעלה‬ ‫•‬
‫• סה"כ כ- 000,7 מנותחים‬

7. ‫משתנים במודל‬
‫• משתנים דמוגרפים‬
‫– קבוצות גיל‬
‫– מין‬
‫• משתני תחלואה‬
‫– מדד צ'רלסון, ללא סרטן‬
‫– סרטן- ללא סרטן, ללא גרורות, עם גרורות‬
‫– אשפוז קודם בחודש האחרון‬
‫– ניתוח דומה בשנה האחרונה‬
‫• משתנים נוכחיים‬
‫– סוג כניסה – דחוף מהמיון או מוזמן‬
‫– אפיון הניתוח‬
‫– שיטת הניתוח‬

8. ‫מודל ארצי‬
proc logistic data=t ;
class .... ;
model
events/nn = age gender .... method
/ expb lackfit
;
by &by_vars. ;
run ; quit ;

9. ‫ למודל הארצי‬Proc Logisitic ‫תוצאות‬
Parameter Value Odds Ratio
Age 15-39 1.00
40-54 2.03
55-64 4.39 **
65-74 7.47 **
75-120 13.97 **
Gender Female 1.00 C Statistic = 0.876
Male 1.01
Modified 0-1 1.00 H-L G-o-F = 0.184
Charlson 2+ 2.91 **
Method A 1.00
B 0.38 **
From ER no 1.00
Planned yes 8.25 **
....

10. ‫המודל הבסיסי‬
proc logistic data=t ;
class .... ;
model
events/nn = age gender ....
/ expb lackfit
;
by &by_vars. ;
score out=t_out ;
run ; quit ;

11. ‫המודל בסיסי + יחידה‬
proc logistic data=t ;
class .... unitcode ;
model
events/nn = age gender... unitcode
/ expb lackfit
;
by &by_vars. ;
score out=t_out ;
run ; quit ;

12. Original Variables
Unit Codes

13. ‫ נוסף‬PROC LOGISTIC + ‫מודל בסיסי‬
Taking the output of the basic model,
data t_out ; set t_out ;
the_beta = log(p_event / p_nonevent) ;
run ;
proc logistic data=t_out ;
class unitcode / ref=first ;
model
events / nn = unitcode the_beta
/ expb lackfit
;
by &by_vars. ;
run ; quit ;

14. Unit Codes
Original Variables

15. Original Variables
Unit Codes

16. ‫הרעיון‬
-‫ כדי ש‬bu u ‫למצוא לכל יחידה‬
 Actual
patients _ i
i   Expected b 
patients _ i
i u
in _ unit _ u in _ unit _ u
e bu P _ Eventi
0    yi
patients _ i   P _ Eventi   e P _ Eventi
bu
1 patients _ i
in _ unit _ u in _ unit _ u

17. ‫מרשם העוגה‬
Ingredients :
1 cup butter, at room temp.
2 cups sugar
3 cups sifted self-rising flour
4 eggs
Preheat oven to 350 degrees F.

18. ‫מרשם המאקרו‬
Ingredients :
1 proc datasets
2 proc transpose
3 proc sql
4 data steps
Stir gently, ...

19. ‫הקריאה למאקרו‬
%esg_tweak_logistic_wide(
f_in = t_out,
p_var = p_event,
events_var = events,
nn_var = nn,
by_Groups = &by_vars. unitcode,
lo = -100 ,
hi = 100 ,
n_iter = 100 ,
f_out = t_tweak,
out_var = tweak_beta
) run ; quit ;

20. ‫זמני החישוב‬
1,000.0
100.0
time (seconds)
10.0
1.0
1 10 100 1000 10000 100000 1000000
0.1
width of data
2 16 128 1024 8192 65536 524288

21. ‫חישוב משמעות‬
From Probability 101, for each unit u,
using the output of the BASIC MODEL
y
patients _ i
i   P _ Event
patients _ i
i
zu 
in _ unit _ u in _ unit _ u
 P _ Event  P _ NonEvent 
patients _ i
i i
in _ unit _ u
PValueu  21   z u 

22. ‫חישוב סטטיסטיקות המודל‬
Preparing the data:
%let bb = &by_vars. unitcode ; run ;
proc sort data= t_out ; by &bb ; run ;
proc sort data= t_tweak ; by &bb ; run ;
data t_new ; merge t_out t_tweak ; by &bb ; run ;
data t_new ; set t_new ;
O_R1 = p_event / (1-p_event) ;
O_R2 = exp(tweak_beta) ;
O_R = O_R1 * O_R2 ;
p_new = O_R / (1+O_R) ;
beta_new = log(O_R) ;
run ; quit ;

23. ‫חישוב סטטיסטיקות המודל‬
Using Proc Logistic:
proc logistic data=t ;
model
events / nn = the_beta
/ lackfit
;
by &by_vars. ;
run ; quit ;

24. ‫חישוב סטטיסטיקות המודל‬
Using Macros:
%esg_g_c_stats(
f = t_new, f_out = t_c,
events_var = events, nn_var = nn,
p_var = p_new, n_bins = 500,
by_vars = &by_vars.
) run ; quit ;
%esg_g_HosmerLemeshow(
f = t_new, f_out = t_HL,
events_var = events, nn_var = nn,
p_var = p_new, grps = 10,
by_vars = &by_vars.
) run ; quit ;

25. ‫השוות המודלים‬
‫‪C STATISTIC‬‬ ‫המודל‬
‫8578.0‬ ‫מודל ארצי (עם שיטת הניתוח)‬
‫6078.0‬ ‫מודל בסיסי‬
‫2978.0‬ ‫מודל בסיסי עם יחידה‬
‫5878.0‬ ‫מודל בסיסי + ‪ PROC LOGISTIC‬נוסף‬
‫6878.0‬ ‫מודל בסיסי + ‪TWEAKING‬‬

26. :‫בסיכום‬
:‫ניתן ליישם השיטה על מספר משתנים אחד אחרי השני‬
Proc Logistic
Tweak with var1
Update t_out
Tweak with var2
Update t_out
Tweak with var3
Update t_out
...
Calculate additional statistics

27. ‫המלצה‬
‫תהיו בריאים!!!‬

28. ‫תודה רבה‬
shulamit.gordon@moh.health.gov.il

29. Algebra
p OR porig
OR   p ORnew  eb
1 p 1  OR 1  porig
porig
eb
ORnew 1  porig
p new  
1  ORnew porig b
1 e
1  porig
e b porig
pnew 
1  p   e
orig
b
porig