Nous avons évalué Cox et les modèles de régression logistique dans les études de cas-cohorte en utilisant l`ensemble de la cohorte de cas EPIC-CVD et les mêmes 25 SNP comme ci-dessus. En l`espèce, les estimations des effets étaient concordantes directionnellement pour les deux modèles pour 22 des 25 SNP (tableau 3), dont 21 avaient la même direction d`effet que dans la littérature (tableau supplémentaire S8). Comme dans la sous-cohorte, les estimations de l`effet des SNP qui étaient directionnellement discordantes entre les modèles se situent près de la valeur nulle et le PNA qui était directionnellement discordants avec la littérature a eu un faible effet sur la CHD dans les grands consortiums (tableau supplémentaire S8). Le modèle de régression logistique était plus précis que le modèle de Cox pour tous les SNP conduisant souvent à des valeurs de P beaucoup plus petites. Par exemple, le SNP rs974819 (chr11: g. 103660567C > T; un SNP situé en aval de la méthode RPDB) avait des tailles d`effet similaires pour les modèles de régression Cox (log (HR) = − 0.082) et logistique (log (ou) = − 5), mais les SEs étaient respectivement de 0,031 et 0,027. Cela a entraîné une plus petite valeur de P pour le modèle de régression logistique (P = 0,003 par rapport à P = 0,004). Encore une fois, les tailles d`effet du modèle de régression logistique ont tendance à être plus grandes en magnitude que celles du modèle de Cox pour les estimations d`effet de plus grande magnitude. Deux exemples de ce sont les SNPs rs9349379 (chr6: g. 12903957A > G; une variante intronic en PHACTR1) et rs2075650 (chr19: g.

45395619A > G; une variante intronic dans TOMM40 en amont de l`APOE) où les tailles d`effet étaient 0,03 et 0,013 plus grandes de magnitude pour la logistique modèle de régression par rapport au modèle Cox. Cette combinaison avec des SEs plus petites pour le modèle de régression logistique a entraîné des valeurs de P beaucoup plus petites pour ce modèle (tableau 3). Let (lambda (t | X_ {1i}, x_ {2i}, cdots, x_ {Ki}) ) désignent la fonction de danger pour la ième personne à la fois (t, i = 1, 2, cdots, n ), où les régressors K sont dénotés comme (x_ {1i}, x_ {2i}, cdots, x_ {Ki} ). La fonction de risque de base au moment t, c.-à-d., quand (x_ {1i} = 0, x_ {2i} = 0,…, x_ {Ki} = 0 ), est notée comme (lambda_0 (t) ). La fonction de risque de référence est analogue au terme d`interception dans un modèle de régression multiple ou de régression logistique. Notez que la fonction de danger de référence n`est pas spécifiée, mais doit être positive. Pour définir les facteurs pronostiques indépendants réduisant le temps de survie pour le cancer gastrique, nous avons comparé la régression logistique et les modèles de risque proportionnel de Cox appliqués aux patients qui ont subi une gastrectomie curative.