تحليل البقاء
- قدّمه
- Edward L. Kaplan and Paul Meier
- السنة
- 1958
- النوع
- Method
- العائلة
- time-event-modeling
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
تحليل البقاء هو مجموعة من الأساليب الإحصائية لنمذجة الوقت من نقطة بداية محددة حتى وقوع حدث ذي أهمية (مرض، تعافٍ، وفاة، عطل في المعدات). لقد أتاح مقدِّر كابلان وماير اللامعلمي (1958) ونموذج المخاطر النسبية لديفيد كوكس (1972) معًا تحليل البيانات المبتورة — أي الأفراد الذين تكون أوقات أحداثهم غير معروفة لأنهم غادروا الدراسة أو كانوا لا يزالون خاليين من الحدث عند المتابعة. لا غنى عنه في علم الأورام، وأمراض القلب، وبحوث الأمراض المعدية، وهندسة الموثوقية، وأي مجال تكون فيه المدة الزمنية للحدث مهمة.
الفكرة الحدسية وراء الطريقة
تتبع العديد من الدراسات الأشخاص بمرور الوقت حتى يتعرضوا لنتيجة (تشخيص مرض، وفاة) أو تنتهي الدراسة. بعض الأفراد يتعرضون للنتيجة (أحداث)، بينما يكمل آخرون الدراسة دون التعرض للنتيجة (مبتورون). تتجاهل الأساليب الإحصائية القياسية البيانات المبتورة أو تضع افتراضات قوية، مما يؤدي إلى تحيز النتائج. يأخذ تحليل البقاء في الاعتبار البتر ووقت المتابعة، مما يسمح بمقارنة مناسبة لمعدلات الأحداث بين المجموعات. دالة البقاء S(t) = احتمال البقاء خاليًا من الحدث عند الزمن t. المخاطر h(t) = المعدل اللحظي لوقوع الحدث عند الزمن t. تقارن نسبة المخاطر معدلات الأحداث بين المجموعات: HR = 1 (لا يوجد فرق)، HR < 1 (مخاطر منخفضة)، HR > 1 (مخاطر متزايدة). يمكّن هذا الإطار الباحثين من تحديد تأثيرات العلاج، والعوامل التنبؤية، وتصنيف المخاطر على الرغم من البيانات غير المكتملة.
التاريخ
قدم كابلان وماير مقدرهما اللامعلمي للبقاء في عام 1958، مما أحدث ثورة في تحليل التجارب السريرية من خلال التعامل الصحيح مع البتر. وسع نموذج المخاطر النسبية لديفيد كوكس (1972) هذا ليشمل الإعدادات متعددة المتغيرات، ليصبح المعيار لتعديل المتغيرات المساعدة. أتاح نهج الاحتمالية الجزئية الحساب الفعال دون تحديد دالة المخاطر الأساسية. تشمل التطورات الحديثة ترجيح الاحتمالية العكسية للبتر الإعلامي (Robins, 1993)، ونماذج وقت الفشل المتسارع (Kalbfleisch & Prentice, 1980)، وتحليل المخاطر المتنافسة (Fine & Gray, 1999) للإعدادات التي تمنع فيها أنواع الأحداث المتعددة التحليل الفردي.
متى تُستخدم
استخدم تحليل البقاء عندما تكون النتيجة محل الاهتمام هي الوقت حتى وقوع الحدث وتحتوي البيانات على بتر. علم الأورام: مقارنة البقاء بين أذرع العلاج (التجارب العشوائية المعيارية). أمراض القلب: تحليل الوقت حتى وقوع الأحداث القلبية الوعائية (احتشاء عضلة القلب، السكتة الدماغية) في دراسات الأتراب. الأمراض المعدية: الوقت من الإصابة إلى الشفاء أو التقدم. الغرسات الطبية: فشل الجهاز أو وقت الاستبدال. الهندسة الصناعية: الوقت حتى فشل المعدات (تحليل الموثوقية). يمكن لأي دراسة طولية ذات دخول متدرج و/أو انسحاب مبكر استخدام أساليب البقاء. إذا لم يكن هناك بتر (تمت متابعة جميع المشاركين حتى الاكتمال)، فإن الأساليب الأبسط (اختبار t، الانحدار اللوجستي) تكفي، على الرغم من أن تحليل البقاء يظل صالحًا.
الحدود والاعتبارات
- افتراض المخاطر النسبية: يفترض نموذج كوكس تأثيرًا علاجيًا ثابتًا بمرور الوقت؛ تتطلب الانتهاكات أساليب بديلة (نماذج وقت الفشل المتسارع، معاملات متغيرة مع الزمن، طبقية).
- البيانات المتفرقة في أوقات المتابعة الطويلة: تصبح تقديرات البقاء أقل استقرارًا مع بتر المشاركين؛ تتسع فترات الثقة، مما يحد من الاستدلال للتنبؤ بالأحداث المتأخرة.
- البتر الإداري: إذا كان البتر مرتبطًا بالتكهن (بتر إعلامي)، فإن الأساليب القياسية تكون متحيزة؛ تتطلب نمذجة مشتركة أو ترجيح الاحتمالية العكسية.
- يفترض الاستقلال الشرطي بالنظر إلى المتغيرات المساعدة؛ التباس غير مقاس يهدد الاستدلال السببي، خاصة في الدراسات الرصدية.
- عدد الأحداث الصغيرة يقلل من قوة واستقرار معاملات كوكس؛ بشكل عام، يلزم وجود 10 أحداث على الأقل لكل متغير مساعد لتقدير مستقر.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يتعامل بشكل صحيح مع البيانات المبتورة دون تحيز: يستغل المعلومات من الأفراد المبتورين (وقت المتابعة) بدلاً من تجاهلهم.
- يقدّر بمرونة الارتباطات أحادية المتغير (كابلان-ماير) ومتعددة المتغيرات (كوكس)؛ يتم تعديل المتغيرات المساعدة الأساسية دون افتراض تأثيرات خطية.
- نسب المخاطر بديهية: مقياس واحد يقارن معدلات الأحداث، ويسهل تفسيره من قبل الأطباء وتوصيله في المنشورات.
- يمكن اكتشاف المخاطر غير النسبية: تنبه تشخيصات الافتراض الباحثين عندما تتغير تأثيرات العلاج بمرور الوقت؛ تعالج النماذج البديلة (AFT، الطبقية، المعاملات المتغيرة مع الزمن) الانتهاكات.
- تصنيف المخاطر: تمكن منحنيات البقاء المتوقعة الأطباء من تحديد كمية التكهن وتخصيص قرارات العلاج بناءً على الخصائص الأساسية.
التطبيقات
- تجارب الأورام: مقارنة البقاء الكلي والبقاء الخالي من الأمراض بين أنظمة العلاج الكيميائي، أو العلاجات المناعية، أو الأساليب الجراحية؛ وضع ممارسات الرعاية المعيارية.
- أبحاث القلب والأوعية الدموية: نمذجة الوقت من عوامل الخطر الأساسية (ارتفاع ضغط الدم، السكري، التدخين) إلى أول حدث قلبي وعائي سلبي كبير؛ تطوير خوارزميات التنبؤ بالمخاطر.
- الأمراض المعدية: تحليل الوقت من التشخيص إلى قمع الفيروس (فيروس نقص المناعة البشرية)، أو إكمال العلاج (السل)، أو التحسن السريري (كوفيد-19)؛ مقارنة فعالية العلاج.
- الأجهزة الطبية والغرسات: اختبار موثوقية أجهزة تنظيم ضربات القلب، والمفاصل الاصطناعية، والدعامات؛ التنبؤ بفشل الجهاز وتقدير فترات الاستبدال.
- علم الأوبئة المهنية: الوقت من التعرض المهني (الأسبستوس، غبار السيليكا) إلى تشخيص المرض؛ تحديد كمية الخطر ووضع حدود التعرض.
كيف يعمل
كيف يعمل
لإجراء تحليل البقاء، يجب تحديد: (1) تاريخ بدء الدراسة (مثل التشخيص، بدء العلاج، التسجيل في الدراسة)، (2) الحدث ذي الأهمية (مثل الوفاة، تكرار المرض)، و (3) مؤشر البتر (ما إذا كان الحدث قد وقع أو تم بتره). يتم متابعة المشاركين بشكل استباقي من خط الأساس إلى وقوع الحدث أو نهاية المتابعة. يتم تسجيل متغيرين رئيسيين: الوقت حتى وقوع الحدث (أيام/أشهر/سنوات من البداية إلى الحدث أو آخر اتصال) وحالة الحدث (1 = وقع الحدث، 0 = مبتور). يتم جمع الخصائص الأساسية (العمر، مجموعة العلاج، المؤشرات الحيوية) كمتغيرات مساعدة. يجب التأكد من أن تعريفات الأحداث محددة بوضوح ويتم التحقق منها باستمرار عبر المشاركين.
للبقاء الوصفي: استخدم طريقة كابلان-ماير. عند كل وقت حدث t_i، احسب S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)] حيث d_i هو عدد الأحداث عند t_i و n_i هو العدد المعرض للخطر (لم يقع الحدث بعد أو لم يتم بتره). ارسم منحنيات البقاء التراكمي حسب المجموعة؛ قارن باستخدام اختبار لوغاريتم الرتب (اختبار χ² للأحداث المرصودة مقابل المتوقعة تحت الفرضية الصفرية للبقاء المتساوي). للارتباط أحادي/متعدد المتغيرات: استخدم انحدار كوكس للمخاطر النسبية. دالة المخاطر h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...) حيث h₀(t) هي المخاطر الأساسية ومعاملات β تحدد تأثيرات المتغيرات المساعدة. قدّر المعاملات عبر الاحتمالية الجزئية؛ احسب نسب المخاطر (HR) = exp(β) مع فترات ثقة 95%. اختبر افتراض المخاطر النسبية: رسوم بيانية لبواقي شونفيلد واختبارات المعاملات المتغيرة مع الزمن (p > 0.05 يدعم الافتراض). أبلغ عن مؤشر التوافق (C-index): 0.5 = عشوائي، 0.7–0.8 = تمييز جيد، >0.8 = ممتاز.
ترسم منحنيات كابلان-ماير الاحتمالية التراكمية للبقاء خاليًا من الحدث بمرور الوقت؛ المنحنيات التي تتباعد مبكرًا تشير إلى تأثيرات علاجية أو جماعية قوية. تختبر قيمة p لاختبار لوغاريتم الرتب تساوي منحنيات البقاء؛ p < 0.05 يشير إلى فرق كبير. بالنسبة لانحدار كوكس، تُفسر نسب المخاطر على النحو التالي: HR = 1.5 لمتنبئ يعني مخاطر أعلى بنسبة 50% (معدل حدث) لكل زيادة وحدة، مع تعديل للمتغيرات المساعدة الأخرى. HR < 1 يشير إلى مخاطر منخفضة (تأثير وقائي). فترات الثقة التي تستبعد 1 تشير إلى الأهمية الإحصائية. افحص بواقي شونفيلد (ارسم المعامل بمرور الوقت) للتحقق من افتراض المخاطر النسبية؛ الانحرافات تشير إلى أن تأثير المتغير المساعد يتغير مع الوقت (يشير الانتهاك إلى ضرورة ملاءمة نموذج معامل متغير مع الزمن بدلاً من ذلك). ارسم المخاطر التراكمية أو المخاطر الأساسية التراكمية لتصور ملاءمة النموذج. استخدم منحنيات البقاء المتوقعة (مقسمة حسب مجموعات التعرض أو فئات المخاطر) لتوصيل النتائج سريريًا.
الأخطاء الشائعة
- معاملة البيانات المبتورة كفشل: يؤدي الترميز غير الصحيح للأوقات المبتورة كأحداث إلى تحيز تقديرات المخاطر نحو الأسفل ونسب المخاطر نحو 1.
- الفشل في التحقق من افتراض المخاطر النسبية: ارسم بواقي شونفيلد أو اختبر المعاملات المتغيرة مع الزمن؛ يؤدي الانتهاك إلى إبطال تفسير نموذج كوكس.
- إغفال مؤشرات البتر: يجب ترميز حالة الحدث صراحة (1 = وقع، 0 = مبتور)؛ يؤدي الترميز الخاطئ إلى احتمالية وتقديرات غير صحيحة.
- مقارنة المجموعات ذات أوقات المتابعة غير المتساوية دون تعديل: يأخذ تحليل البقاء في الاعتبار أوقات المتابعة المتغيرة، لكن المقارنة الساذجة لعدد الأحداث متحيزة.
- الإفراط في الملاءمة مع عدد كبير جدًا من المتغيرات المساعدة مقارنة بالأحداث: ينتج عن انحدار كوكس مع العديد من المتنبئات وعدد قليل من الأحداث تقديرات غير مستقرة وغير موثوقة؛ استخدم الانحدار المعاقب (ridge، lasso) أو تقليل الأبعاد.
- استخدام متوسط المتابعة كمبرر لإغفال تحليل البقاء: يصف متوسط المتابعة البيانات ولكنه لا يحل محل التحليل الصحيح لأوقات المتابعة الفردية.
الأسئلة الشائعة
ماذا تعني نسبة المخاطر البالغة 0.6، وكيف تختلف عن الخطر النسبي؟
نسبة المخاطر (HR) البالغة 0.6 تعني أن المعدل اللحظي للحدث (الخطر) هو 60% من معدل المجموعة المرجعية في أي وقت، مع تعديل للمتغيرات المساعدة — أي ما يعادل انخفاضًا في المخاطر بنسبة 40%. تأتي نسبة المخاطر من تحليل البقاء/كوكس. الخطر النسبي (RR) يأتي من بيانات الأتراب أو التجارب: RR = [الحدوث في المعرضين] / [الحدوث في غير المعرضين]. تقترب نسبة المخاطر من الخطر النسبي عندما تكون الأحداث نادرة (<10%)، لكنها تتباعد مع النتائج الشائعة. تقارن نسبة المخاطر على وجه التحديد معدلات الأحداث مع الأخذ في الاعتبار البتر ووقت المتابعة؛ لا يتطلب الخطر النسبي منهجية البقاء. أبلغ دائمًا عن المقياس الذي تستخدمه.
ما هو افتراض المخاطر النسبية، وماذا أفعل إذا تم انتهاكه؟
يعني افتراض المخاطر النسبية أن تأثير العلاج (نسبة المخاطر) ثابت بمرور الوقت. اختبره برسم بواقي شونفيلد مقابل الوقت؛ يشير الاتجاه إلى انتهاك. بدلاً من ذلك، قم بملاءمة نموذج معامل متغير مع الزمن: قم بتضمين تفاعل بين المتغير المساعد ودالة للوقت (مثل لوغاريتم الوقت). إذا تم انتهاك الافتراض، تشمل الخيارات: (1) تقسيم التحليل حسب المتغير الإشكالي (مخاطر أساسية منفصلة)، (2) استخدام نماذج وقت الفشل المتسارع (AFT)، أو (3) الإبلاغ عن تأثير العلاج عند نقاط زمنية محددة (مثل البقاء لمدة سنة واحدة، 5 سنوات) بشكل منفصل. تحقق دائمًا من هذا الافتراض وأبلغ عنه.
كيف يجب أن أفسر قيمة p لاختبار لوغاريتم الرتب في تحليل كابلان-ماير الخاص بي؟
يقارن اختبار لوغاريتم الرتب العدد المرصود للأحداث في كل مجموعة بالعدد المتوقع تحت الفرضية الصفرية (منحنيات بقاء متساوية). تشير قيمة p < 0.05 إلى فرق ذي دلالة إحصائية في البقاء بين المجموعات. مثل جميع قيم p، فإنه يختبر فرضية صفرية نقطية؛ لا تثبت قيمة p الكبيرة تساوي البقاء، بل فقط عدم كفاية الأدلة لرفض التساوي. أبلغ أيضًا عن متوسط وقت البقاء واحتمالات البقاء عند النقاط الزمنية الرئيسية (سنة واحدة، 5 سنوات)، وفترات الثقة، والعدد المعرض للخطر في كل فترة على مخطط كابلان-ماير.
كيف أتعامل مع النتائج المتعددة (مثل تكرار المرض والوفاة)؟
عندما تكون هناك أحداث متعددة ومميزة ممكنة، استخدم تحليل المخاطر المتنافسة. إذا قمت بنمذجة تكرار المرض باستخدام انحدار كوكس مع تجاهل الوفاة، فإنك تحيز التقديرات لأن الوفاة تبتر متابعة التكرار. يفصل نموذج مخاطر التوزيع الفرعي لـ Fine-Gray الاحتمالية الهامشية لكل حدث. احسب دالة الحدوث التراكمي (CIF) لكل نوع حدث (وليس 1 ناقص الآخر)؛ قارن باستخدام اختبار Gray. هذا النهج ضروري في علم الأورام (التكرار مقابل الوفاة غير السرطانية) وأمراض القلب (احتشاء عضلة القلب مقابل السكتة الدماغية).
طرق ذات صلة
المصادر
Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.
افتح مرجع DOIتم النسخ.Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220.
افتح مرجع DOIتم النسخ.