Skip to content
بازگشت به نتایج جست‌وجو

تحلیل کاپلان-مایر — تخمین بقا ناپارامتری

معرفی‌شده توسط
Edward L. Kaplan and Paul Meier
سال
1958
نوع
Nonparametric survival estimator
خانواده
Clinical / epidemiology

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل کاپلان-مایر (KM) یک روش ناپارامتری برای تخمین تابع بقا از داده‌های زمان-به-رویداد است. این روش که در سال ۱۹۵۸ توسط کاپلان و مایر معرفی شد، منحنی بقای کلاسیک تابع پله‌ای را تولید می‌کند که احتمال بقا فراتر از هر زمان رویداد مشاهده شده را نشان می‌دهد و مشاهدات سانسور شده — شرکت‌کنندگانی که مطالعه را ترک کرده‌اند یا هنوز رویداد را تا پایان پیگیری تجربه نکرده‌اند — را به درستی در نظر می‌گیرد. این یکی از پرکاربردترین تکنیک‌ها در تحقیقات بالینی و اپیدمیولوژیک است.

شهود پشت روش

تصور کنید گروهی از بیماران سرطانی را دنبال می‌کنید تا ببینید پس از درمان چقدر زنده می‌مانند. برخی در طول مطالعه می‌میرند (رویدادهای مشاهده شده)؛ برخی دیگر در پایان مطالعه زنده هستند یا انصراف می‌دهند (سانسور شده). میانگین ساده سانسور را نادیده می‌گیرد و بقا را کمتر از واقع نشان می‌دهد. تخمین‌گر کاپلان-مایر به جای آن، مجموعه‌ای از احتمالات بقای شرطی را ضرب می‌کند — شانس بقا در هر زمان رویداد متوالی با توجه به بقا تا آن نقطه — که منجر به منحنی تابع پله‌ای می‌شود که فقط در زمان وقوع رویداد واقعی کاهش می‌یابد. مشاهدات سانسور شده مجموعه در معرض خطر را کاهش می‌دهند اما به عنوان رویداد شمرده نمی‌شوند، بنابراین اطلاعات آنها تا لحظه خروج استفاده می‌شود.

تاریخ

تحلیل کاپلان-مایر از یک مقاله برجسته در سال ۱۹۵۸ توسط ادوارد ال. کاپلان و پل مایر در ژورنال انجمن آماری آمریکا نشأت می‌گیرد. مایر تخمین‌گر حد حاصلضرب را به طور مستقل استخراج کرده بود؛ یک ویراستار مجله کار موازی را تشخیص داد و انتشار مشترک را تشویق کرد. این مقاله در ابتدا با علاقه متوسطی روبرو شد اما به یکی از پر استنادترین مقالات علمی منتشر شده تبدیل شد. آزمون لگ-رنک همراه آن توسط ناتان مانتل در سال ۱۹۶۶ توسعه یافت. این روش از دهه ۱۹۷۰ به بعد در گزارش‌دهی کارآزمایی‌های بالینی مرکزی شد و اکنون سازمان‌های نظارتی در سراسر جهان انتظار دارند منحنی‌های KM بخشی از هر ارسالی تحلیل زمان-به-رویداد باشد.

چه زمانی استفاده شود

از تحلیل کاپلان-مایر هر زمان که نتیجه، زمان تا یک رویداد واحد و به خوبی تعریف شده (مرگ، عود، ترخیص، شکست درمان) باشد و زمان‌های پیگیری در بین شرکت‌کنندگان متفاوت باشد، استفاده کنید. این اولین گام استاندارد در هر تحلیل بقا است و هم برای کارآزمایی‌های تصادفی و هم برای مطالعات کوهورت مشاهده‌ای مناسب است. منحنی‌های KM را برای نمایش توصیفی و مقایسه گروهی ترجیح دهید زمانی که فرض خطر متناسب برقرار است؛ زمانی که نیاز به تنظیم برای چندین متغیر همزمان دارید، به رگرسیون کاکس بروید. زمانی که رویداد نمی‌تواند بیش از یک بار در هر فرد رخ دهد و رویدادهای رقیب (مانند مرگ به دلیل دیگری قبل از رویداد مورد علاقه) وجود دارند، از KM استفاده نکنید — به جای آن از تحلیل خطرات رقیب استفاده کنید. KM همچنین زمانی نامناسب است که سانسور به احتمال زیاد مطلع‌کننده باشد، زمانی که تنظیم متغیر پیوسته مورد نیاز است، یا زمانی که نتیجه به جای زمان-به-رویداد، دوتایی است.

محدودیت‌ها و ملاحظات

  • نمی‌تواند به طور همزمان برای چندین عامل مخدوش‌کننده تنظیم کند — برای تخمین‌های تنظیم شده با متغیر کاکس از رگرسیون خطر متناسب کاکس استفاده کنید.
  • فرض سانسور غیرمطلع‌کننده؛ اگر سانسور با پیش‌آگهی مرتبط باشد، تخمین‌های مغرضانه حاصل می‌شود.
  • رویدادهای مکرر یا خطرات رقیب را بدون تعمیم به روش‌های تخصصی‌تر مدیریت نمی‌کند.
  • آزمون لگ-رنک که منحنی‌ها را مقایسه می‌کند، زمانی که نسبت خطر در طول زمان تغییر می‌کند (منحنی‌های متقاطع یا همگرا)، قدرت کمتری دارد.
  • تخمین‌ها در زمان‌های پیگیری طولانی که تعداد کمی از شرکت‌کنندگان در معرض خطر باقی می‌مانند، ناپایدار می‌شوند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • کاملاً ناپارامتری — هیچ فرضی در مورد شکل توزیع بقا نمی‌کند.
  • مشاهدات سانسور شده را به درستی در بر می‌گیرد و از تمام زمان پیگیری موجود حداکثر استفاده را می‌کند.
  • یک نمایش بصری قابل درک و بلافاصله قابل تفسیر (منحنی بقای تابع پله‌ای) تولید می‌کند.
  • زمان بقای میانه با فواصل اطمینان به راحتی به عنوان یک آماره خلاصه استخراج می‌شود.
  • به طور گسترده در بین مخاطبان بالینی، اپیدمیولوژیک و نظارتی درک می‌شود.

کاربردها

  • مقایسه بقای کلی بین بازوهای درمانی در کارآزمایی‌های تصادفی کنترل شده انکولوژی.
  • تخمین زمان بستری مجدد در بیمارستان پس از جراحی قلب در مطالعات کوهورت قلبی عروقی.
  • گزارش بقا بدون پیشرفت در ارسالی‌های نظارتی برای داروهای جدید انکولوژی.
  • تجزیه و تحلیل زمان قطع درمان یا شروع عوارض جانبی در مطالعات فارماکوویژیلانس.
  • تخمین بقای پیوند در رجیستری‌های پیوند و مطالعات رد عضو.
  • توصیف زمان عود پس از برداشت جراحی در کوهورت‌های سرطان کولورکتال یا پستان.

چگونه کار می‌کند

چگونه کار می‌کند

1

رویداد مورد علاقه (مانند مرگ، عود بیماری، بستری مجدد در بیمارستان)، مبدأ زمانی (مانند تاریخ تصادفی‌سازی، تاریخ تشخیص) و سازوکار سانسور را مشخص کنید. هر شرکت‌کننده زمان بقا و شاخص رویداد (۱ = رویداد رخ داده، ۰ = سانسور شده) را ارائه می‌دهد. اطمینان حاصل کنید که سانسور غیرمطلع‌کننده است — یعنی، شرکت‌کنندگانی که سانسور می‌شوند نباید از نظر پیش‌آگهی به طور سیستماتیک با کسانی که در معرض خطر باقی می‌مانند متفاوت باشند.

2

تمام زمان‌های رویداد مشاهده شده را از کوچک به بزرگ مرتب کنید. تساوی‌ها (رویدادهای متعدد در یک نقطه زمانی) با قرارداد استاندارد حل می‌شوند. در هر زمان رویداد متمایز t_i، n_i (تعداد شرکت‌کنندگان در معرض خطر درست قبل از t_i) و d_i (تعداد رویدادها در t_i) را ثبت کنید. مشاهدات سانسور شده‌ای که بین زمان‌های رویداد متوالی رخ می‌دهند، n_i را برای مراحل بعدی کاهش می‌دهند اما به عنوان رویداد شمرده نمی‌شوند.

3

احتمال بقا در هر زمان رویداد را با استفاده از فرمول حد حاصلضرب محاسبه کنید: S(t) = حاصلضرب روی تمام t_i <= t از (۱ - d_i / n_i). تخمین از S(0) = ۱ شروع می‌شود و فقط در زمان‌های رویداد به صورت پله‌ای کاهش می‌یابد و بین رویدادها ثابت می‌ماند. این روش هیچ فرضی در مورد توزیع زیربنایی زمان‌های بقا نمی‌کند.

فرمول
S(t) = \prod_{t_i \le t} \left(1 - \frac{d_i}{n_i}\right)
4

مشاهدات سانسور شده — شرکت‌کنندگانی که پیگیری آنها از دست رفته، انصراف داده‌اند، یا در پایان مطالعه بدون رویداد بوده‌اند — با حذف آنها از مجموعه در معرض خطر در زمان سانسورشان، پس از مشارکت در مخرج n_i تا آن نقطه، گنجانده می‌شوند. رسیدگی صحیح به سانسور حیاتی است: اگر سانسور مطلع‌کننده باشد (مرتبط با پیش‌آگهی)، تخمین KM مغرضانه خواهد بود و به روش‌های پیچیده‌تر نیاز است.

5

هنگامی که دو یا چند گروه (مانند درمان در مقابل کنترل) مقایسه می‌شوند، یک منحنی KM جداگانه برای هر گروه تخمین زده می‌شود و منحنی‌ها با هم نمایش داده می‌شوند. آزمون لگ-رنک (یا آزمون مانتل-کاکس) یک آزمون معناداری رسمی برای فرضیه صفر توابع بقای برابر ارائه می‌دهد. آزمون لگ-رنک زمانی بیشترین قدرت را دارد که نسبت خطر بین گروه‌ها تقریباً در طول زمان ثابت باشد (فرض خطر متناسب)؛ انواع وزن‌دار مانند ویلکاکسون-برسلو زمانی که تفاوت‌های اولیه مورد علاقه بیشتری دارند، در دسترس هستند.

6

منحنی‌های KM را به صورت گرافیکی با جدول تعداد در معرض خطر در زیر محور x نمایش دهید. زمان بقای میانه (زمانی که S(t) از ۰.۵ عبور می‌کند) را با فواصل اطمینان ۹۵٪ (معمولاً فرمول گرین‌وود) گزارش کنید. اگر مقایسه‌ای انجام شد، مقدار p آزمون لگ-رنک و نسبت خطر از مدل کاکس را گزارش کنید. اندازه کل نمونه، تعداد رویدادها و مدت پیگیری را مشخص کنید.

دام‌های رایج

  • نادیده گرفتن خطرات رقیب — استفاده از KM زمانی که شرکت‌کنندگان می‌توانند رویداد رقیبی را تجربه کنند (مانند مرگ قبل از عود) منجر به تخمین بیش از حد از شیوع تجمعی رویداد مورد علاقه می‌شود؛ به جای آن از رویکرد تابع شیوع تجمعی (CIF) فاین-گری یا مدل‌های خطر خاص علت استفاده کنید.
  • ارائه منحنی‌ها بدون جدول تعداد در معرض خطر — بخش‌های پایانی منحنی که بر اساس تعداد بسیار کمی از افراد است، بدون زمینه نامعتبر و گمراه‌کننده هستند.
  • سانسور مطلع‌کننده — اگر بیماران به دلیل وخامت حال و تغییر درمان سانسور شوند، گروه بازمانده به طور مصنوعی انتخاب می‌شود؛ باید تحلیل‌های حساسیت یا وزن‌دهی معکوس احتمال سانسور در نظر گرفته شود.
  • گزارش فقط مقدار p آزمون لگ-رنک بدون اندازه اثر — مقدار p معناداری را نشان می‌دهد اما نه بزرگی تفاوت را؛ همیشه آن را با نسبت خطر و فاصله اطمینان از رگرسیون کاکس همراه کنید.
  • منحنی‌های بقای متقاطع با یک آزمون لگ-رنک واحد — هنگامی که منحنی‌ها متقاطع می‌شوند، آزمون لگ-رنک ممکن است حتی زمانی که تفاوت واقعی اولیه یا دیررس وجود دارد، غیرمعنادار باشد؛ زمان بقای میانگین محدود شده یا آزمون‌های لگ-رنک وزن‌دار اطلاعات بیشتری ارائه می‌دهند.

پرسش‌های متداول

تفاوت بین منحنی کاپلان-مایر و منحنی خطر تجمعی چیست؟

منحنی KM، S(t) را نشان می‌دهد، یعنی احتمال بقا (عدم وقوع رویداد) فراتر از زمان t، که از ۱ به سمت ۰ کاهش می‌یابد. خطر تجمعی H(t) = -log S(t) در طول زمان افزایش می‌یابد و خطر آنی انباشته شده را نشان می‌دهد. هر دو نمایش معادل از داده‌های زیربنایی یکسان هستند؛ خطر تجمعی تحت توزیع نمایی در مقیاس لگاریتمی خطی است و برای بررسی مدل مفید است.

چه زمانی باید از آزمون لگ-رنک در مقابل مدل کاکس برای مقایسه گروه‌ها استفاده کنم؟

زمانی که یک آزمون معناداری ساده و ناپارامتری برای مقایسه دو یا چند منحنی KM تنظیم نشده می‌خواهید، از آزمون لگ-رنک استفاده کنید. زمانی که نیاز به تنظیم برای عوامل مخدوش‌کننده، گنجاندن پیش‌بینی‌کننده‌های پیوسته، یا به دست آوردن نسبت خطر به عنوان یک اندازه اثر خلاصه دارید، از رگرسیون کاکس استفاده کنید. هر دو رویکرد فرض خطر متناسب را دارند؛ زمانی که این فرض نقض می‌شود، تحلیل زمان بقای میانگین محدود شده را در نظر بگیرید.

چگونه فاصله اطمینان برای بقای میانه را محاسبه کنم؟

رویکرد استاندارد از فرمول گرین‌وود برای تخمین واریانس S(t) استفاده می‌کند، سپس باندهای اطمینان نقطه‌ای را در اطراف منحنی می‌سازد. فاصله اطمینان برای میانه مجموعه‌ای از نقاط زمانی است که باند اطمینان از خط احتمال ۰.۵ عبور می‌کند. اکثر نرم‌افزارهای آماری (بسته بقای R، SAS LIFETEST، Stata stci) این را به طور خودکار محاسبه می‌کنند.

آیا می‌توانم از کاپلان-مایر زمانی که خطرات رقیب دارم استفاده کنم؟

تحلیل استاندارد KM رویدادهای رقیب (مانند مرگ به دلیل دیگر قبل از رویداد مورد علاقه) را به عنوان مشاهدات سانسور شده در نظر می‌گیرد، که منجر به تخمین بیش از حد شیوع تجمعی می‌شود زیرا فرض می‌شود افراد سانسور شده در معرض خطر باقی می‌مانند. هنگامی که خطرات رقیب وجود دارد، به جای تخمین‌گر KM از تابع شیوع تجمعی (CIF) از رگرسیون فاین-گری یا مدل‌های خطر خاص علت استفاده کنید.

چه اندازه نمونه‌ای برای تخمین قابل اعتماد کاپلان-مایر نیاز دارم؟

قابلیت اطمینان عمدتاً به تعداد رویدادهای مشاهده شده بستگی دارد تا اندازه کل نمونه. به عنوان یک قاعده کلی، حداقل ۱۰-۲۰ رویداد در هر گروه برای تخمین‌های پایدار منحنی لازم است و باید محاسبات توان رسمی برای آزمون لگ-رنک بر اساس نرخ رویداد مورد انتظار، بقای میانه و توان مورد نظر انجام شود. در زمان‌های پیگیری طولانی که تعداد کمی از شرکت‌کنندگان در معرض خطر باقی می‌مانند (کمتر از حدود ۵-۱۰ نفر)، منحنی ناپایدار می‌شود و باید کوتاه شود یا با عدم قطعیت مناسب ارائه شود.

روش‌های مرتبط

منابع

  1. Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.

    باز کردن مرجع DOI
    کپی شد.
  2. Kaplan–Meier estimator. Wikipedia.

    باز کردن مرجع انتشار
    کپی شد.