Skip to content
بازگشت به نتایج جست‌وجو

تحلیل بقا

معرفی‌شده توسط
Edward L. Kaplan and Paul Meier
سال
1958
نوع
Method
خانواده
time-event-modeling

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

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل بقا مجموعه‌ای از روش‌های آماری برای مدل‌سازی زمان از یک نقطه شروع مشخص تا وقوع رویداد مورد علاقه (بیماری، بهبودی، مرگ، خرابی تجهیزات) است. تخمین‌گر ناپارامتری کاپلان و مایر (۱۹۵۸) و مدل نسبت خطر متناسب دیوید کاکس (۱۹۷۲) با هم امکان تحلیل داده‌های سانسور شده را فراهم کردند - افرادی که زمان رویداد آن‌ها نامشخص است زیرا مطالعه را ترک کرده‌اند یا در پیگیری هنوز بدون رویداد بوده‌اند. این روش‌ها در انکولوژی، قلب و عروق، تحقیقات بیماری‌های عفونی، قابلیت اطمینان مهندسی و هر میدانی که زمان تا رویداد اهمیت دارد، ضروری هستند.

شهود پشت روش

بسیاری از مطالعات افراد را در طول زمان دنبال می‌کنند تا زمانی که نتیجه‌ای را تجربه کنند (تشخیص بیماری، مرگ) یا مطالعه به پایان برسد. برخی از افراد نتیجه را تجربه می‌کنند (رویدادها)، در حالی که برخی دیگر بدون نتیجه به پایان مطالعه می‌رسند (سانسور شده). روش‌های آماری استاندارد داده‌های سانسور شده را نادیده می‌گیرند یا مفروضات قوی دارند که منجر به سوگیری نتایج می‌شود. تحلیل بقا سانسور و زمان پیگیری را در نظر می‌گیرد و امکان مقایسه صحیح نرخ رویداد بین گروه‌ها را فراهم می‌کند. تابع بقا S(t) = احتمال عاری از رویداد بودن در زمان t. نرخ خطر h(t) = نرخ لحظه‌ای وقوع رویداد در زمان t. نسبت خطر، نرخ رویداد بین گروه‌ها را مقایسه می‌کند: HR = ۱ (بدون تفاوت)، HR < ۱ (کاهش خطر)، HR > ۱ (افزایش خطر). این چارچوب به محققان امکان می‌دهد تا اثرات درمان، عوامل پیش‌آگهی و طبقه‌بندی ریسک را علی‌رغم داده‌های ناقص شناسایی کنند.

تاریخ

کاپلان و مایر تخمین‌گر بقای ناپارامتری خود را در سال ۱۹۵۸ معرفی کردند و با مدیریت صحیح سانسور، تحلیل کارآزمایی بالینی را متحول ساختند. مدل نسبت خطر متناسب دیوید کاکس (۱۹۷۲) این را به تنظیمات چندمتغیره گسترش داد و به استاندارد تنظیم کوواریت تبدیل شد. رویکرد احتمال جزئی، محاسبه کارآمد را بدون نیاز به تعیین تابع خطر پایه امکان‌پذیر کرد. تحولات مدرن شامل وزن‌دهی احتمال معکوس برای سانسور آموزنده (رابینز، ۱۹۹۳)، مدل‌های شتاب‌دهنده زمان شکست (کالفلیش و پرنتیس، ۱۹۸۰)، و تحلیل خطرات رقیب (فاین و گری، ۱۹۹۹) برای موقعیت‌هایی است که انواع متعدد رویدادها مانع تحلیل واحد می‌شوند.

چه زمانی استفاده شود

هنگامی که نتیجه مورد علاقه زمان تا رویداد است و داده‌ها حاوی سانسور هستند، از تحلیل بقا استفاده کنید. انکولوژی: مقایسه بقا بین بازوهای درمانی (کارآزمایی‌های تصادفی استاندارد). قلب و عروق: تحلیل زمان تا رویدادهای قلبی عروقی (MI، سکته مغزی) در مطالعات کوهورت. بیماری‌های عفونی: زمان از عفونت تا بهبودی یا پیشرفت. ایمپلنت‌های پزشکی: زمان خرابی یا تعویض دستگاه. مهندسی صنعتی: زمان خرابی تجهیزات (تحلیل قابلیت اطمینان). هر مطالعه طولی با ورود متناوب و/یا خروج زودهنگام می‌تواند از روش‌های بقا استفاده کند. اگر سانسوری وجود نداشته باشد (همه شرکت‌کنندگان تا پایان پیگیری شده‌اند)، روش‌های ساده‌تر (آزمون t، رگرسیون لجستیک) کافی هستند، اگرچه تحلیل بقا معتبر باقی می‌ماند.

محدودیت‌ها و ملاحظات

  • فرض تناسب خطر: مدل کاکس فرض می‌کند که اثر درمان (نسبت خطر) در طول زمان ثابت است؛ نقض‌ها نیازمند روش‌های جایگزین (مدل‌های شتاب‌دهنده زمان شکست، ضرایب متغیر با زمان، طبقه‌بندی) هستند.
  • داده‌های پراکنده در زمان‌های پیگیری طولانی: تخمین‌های بقا با افزایش تعداد شرکت‌کنندگان سانسور شده، کمتر پایدار می‌شوند؛ فواصل اطمینان گسترده‌تر می‌شوند و استنتاج برای پیش‌بینی رویدادهای دیررس را محدود می‌کنند.
  • سانسور اداری: اگر سانسور با پیش‌آگهی مرتبط باشد (سانسور آموزنده)، روش‌های استاندارد سوگیرانه هستند؛ نیازمند مدل‌سازی مشترک یا وزن‌دهی احتمال معکوس است.
  • استقلال شرطی با توجه به کوواریت‌ها را فرض می‌کند؛ مخدوش‌کننده اندازه‌گیری نشده، استنتاج علی را تهدید می‌کند، به ویژه در مطالعات مشاهده‌ای.
  • تعداد کم رویدادها، توان و پایداری ضرایب کاکس را کاهش می‌دهد؛ به طور کلی برای تخمین پایدار به ≥۱۰ رویداد به ازای هر کوواریت نیاز است.

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

نقاط قوت

  • داده‌های سانسور شده را بدون سوگیری به درستی مدیریت می‌کند: از اطلاعات افراد سانسور شده (زمان پیگیری) بهره می‌برد به جای اینکه آن‌ها را دور بریزد.
  • به طور انعطاف‌پذیر همبستگی‌های تک‌متغیره (کاپلان-مایر) و چندمتغیره (کاکس) را تخمین می‌زند؛ کوواریت‌های خط پایه بدون فرض اثرات خطی تنظیم می‌شوند.
  • نسبت‌های خطر بصری هستند: یک معیار واحد که نرخ رویداد را مقایسه می‌کند، به راحتی توسط پزشکان تفسیر شده و در نشریات منتشر می‌شود.
  • خطرات نامتناسب قابل تشخیص هستند: تشخیص‌های فرض، محققان را در زمانی که اثرات درمان با گذشت زمان تغییر می‌کند، هشدار می‌دهد؛ مدل‌های جایگزین (AFT، طبقه‌بندی، ضرایب متغیر با زمان) نقض‌ها را برطرف می‌کنند.
  • طبقه‌بندی ریسک: منحنی‌های بقای پیش‌بینی شده به پزشکان امکان می‌دهد تا پیش‌آگهی را کمی کرده و تصمیمات درمانی فردی را بر اساس ویژگی‌های خط پایه اتخاذ کنند.

کاربردها

  • کارآزمایی‌های انکولوژی: مقایسه بقای کلی و بقای بدون بیماری بین رژیم‌های شیمی‌درمانی، ایمونوتراپی‌ها یا رویکردهای جراحی؛ ایجاد شیوه‌های استاندارد مراقبت.
  • تحقیقات قلبی عروقی: مدل‌سازی زمان از عوامل خطر پایه (فشار خون بالا، دیابت، سیگار کشیدن) تا اولین رویداد قلبی نامطلوب عمده؛ توسعه الگوریتم‌های پیش‌بینی ریسک.
  • بیماری‌های عفونی: تحلیل زمان از تشخیص تا سرکوب ویروسی (HIV)، تکمیل درمان (سل)، یا بهبود بالینی (COVID-19)؛ مقایسه اثربخشی درمان.
  • دستگاه‌ها و ایمپلنت‌های پزشکی: آزمایش قابلیت اطمینان پیس‌میکرها، مفاصل مصنوعی، استنت‌ها؛ پیش‌بینی خرابی دستگاه و تخمین فواصل تعویض.
  • اپیدمیولوژی شغلی: زمان از مواجهه شغلی (آزبست، گرد و غبار سیلیس) تا تشخیص بیماری؛ کمی‌سازی خطر و تعیین حدود مواجهه.

چگونه کار می‌کند

چگونه کار می‌کند

1

تحلیل بقا را با تعریف موارد زیر اجرا کنید: (۱) تاریخ شروع مطالعه (مثلاً تشخیص، شروع درمان، ثبت‌نام در مطالعه)، (۲) رویداد مورد علاقه (مثلاً مرگ، عود بیماری)، و (۳) شاخص سانسور (چه رویداد رخ داده باشد یا سانسور شده باشد). شرکت‌کنندگان را از خط پایه تا وقوع رویداد یا پایان پیگیری به صورت آینده‌نگر دنبال کنید. دو متغیر کلیدی را ثبت کنید: زمان تا رویداد (روز/ماه/سال از شروع تا رویداد یا آخرین تماس) و وضعیت رویداد (۱ = رویداد رخ داده، ۰ = سانسور شده). ویژگی‌های خط پایه (سن، گروه درمانی، نشانگرهای زیستی) را به عنوان کوواریت جمع‌آوری کنید. اطمینان حاصل کنید که تعاریف رویداد به وضوح عملیاتی شده و به طور مداوم در بین شرکت‌کنندگان تأیید شده‌اند.

2

برای بقای توصیفی: از روش کاپلان-مایر استفاده کنید. در هر زمان رویداد t_i، محاسبه کنید S(t_i) = S(t_{i-1}) × [۱ − (d_i / n_i)] که در آن d_i تعداد رویدادها در t_i و n_i تعداد در معرض خطر (هنوز رویداد نداشته یا سانسور شده) است. منحنی‌های بقای تجمعی را بر اساس گروه رسم کنید؛ با استفاده از آزمون لگ-رنک (آزمون χ² رویدادهای مشاهده شده در مقابل مورد انتظار تحت فرضیه صفر بقای برابر) مقایسه کنید. برای ارتباط تک‌متغیره/چندمتغیره: از رگرسیون نسبت خطر متناسب کاکس استفاده کنید. تابع خطر h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...)، که در آن h₀(t) خطر پایه است و ضرایب β اثرات کوواریت را کمی می‌کنند. ضرایب را از طریق احتمال جزئی تخمین بزنید؛ نسبت‌های خطر (HR) = exp(β) را با فواصل اطمینان ۹۵٪ محاسبه کنید. فرض تناسب خطر را آزمایش کنید: نمودارهای باقیمانده شونفلد و آزمون ضرایب متغیر با زمان (p > ۰.۰۵ فرض را تأیید می‌کند). شاخص هم‌خوانی (C-index) را گزارش کنید: ۰.۵ = تصادفی، ۰.۷–۰.۸ = تمایز خوب، >۰.۸ = عالی.

3

منحنی‌های کاپلان-مایر احتمال تجمعی عاری از رویداد بودن در طول زمان را نشان می‌دهند؛ منحنی‌هایی که زودتر واگرا می‌شوند، اثرات قوی درمان یا گروه را نشان می‌دهند. مقدار p آزمون لگ-رنک برابری منحنی‌های بقا را آزمایش می‌کند؛ p < ۰.۰۵ نشان‌دهنده تفاوت معنی‌دار در بقا بین گروه‌ها است. برای رگرسیون کاکس، نسبت‌های خطر را به این صورت تفسیر کنید: HR = ۱.۵ برای یک پیش‌بینی‌کننده به معنای ۵۰٪ خطر بالاتر (نرخ رویداد) به ازای هر واحد افزایش، با تنظیم برای سایر کوواریت‌ها است. HR < ۱ خطر کاهش یافته (اثر محافظتی) را نشان می‌دهد. فواصل اطمینان که ۱ را شامل نمی‌شوند، معنی‌داری آماری را نشان می‌دهند. باقیمانده‌های شونفلد را بررسی کنید (ضریب را در طول زمان رسم کنید) تا فرض تناسب خطر را تأیید کنید؛ انحرافات نشان می‌دهد که اثر کوواریت با زمان تغییر می‌کند (نقض فرض، مدل ضرایب متغیر با زمان را پیشنهاد می‌کند). برای تجسم برازش مدل، خطر تجمعی یا خطر پایه تجمعی را رسم کنید. از منحنی‌های بقای پیش‌بینی شده (طبقه‌بندی شده بر اساس گروه‌های مواجهه یا دسته‌های ریسک) برای انتقال نتایج بالینی استفاده کنید.

دام‌های رایج

  • رفتار با داده‌های سانسور شده به عنوان شکست: کدگذاری نادرست زمان‌های سانسور شده به عنوان رویداد، تخمین‌های خطر را به سمت پایین و نسبت‌های خطر را به سمت ۱ سوگیرانه می‌کند.
  • عدم بررسی فرض تناسب خطر: نمودار باقیمانده‌های شونفلد یا آزمون ضرایب متغیر با زمان؛ نقض فرض، تفسیر مدل کاکس را نامعتبر می‌کند.
  • حذف شاخص‌های سانسور: باید وضعیت رویداد را به صراحت کدگذاری کرد (۱ = رخ داده، ۰ = سانسور شده)؛ کدگذاری نادرست منجر به احتمال و تخمین‌های نادرست می‌شود.
  • مقایسه گروه‌ها با زمان‌های پیگیری نابرابر بدون تنظیم: تحلیل بقا زمان‌های پیگیری متغیر را در نظر می‌گیرد، اما مقایسه خام تعداد رویدادها سوگیرانه است.
  • بیش‌برازش با کوواریت‌های زیاد نسبت به رویدادها: رگرسیون کاکس با پیش‌بینی‌کننده‌های زیاد و رویدادهای کم، تخمین‌های ناپایدار و غیرقابل اعتمادی تولید می‌کند؛ از رگرسیون جریمه‌شده (ridge, lasso) یا کاهش ابعاد استفاده کنید.
  • استفاده از میانه پیگیری به عنوان توجیهی برای حذف تحلیل بقا: میانه پیگیری داده‌ها را توصیف می‌کند اما جایگزین تحلیل مناسب زمان‌های پیگیری فردی نمی‌شود.

پرسش‌های متداول

نسبت خطر ۰.۶ به چه معناست و چه تفاوتی با ریسک نسبی دارد؟

نسبت خطر (HR) ۰.۶ به این معنی است که نرخ رویداد لحظه‌ای (خطر) ۶۰٪ از گروه مرجع در هر زمان معین است، با تنظیم برای کوواریت‌ها - معادل ۴۰٪ کاهش ریسک. HR از تحلیل بقا/کاکس به دست می‌آید. ریسک نسبی (RR) از داده‌های کوهورت یا کارآزمایی به دست می‌آید: RR = [وقوع در گروه مواجهه یافته] / [وقوع در گروه مواجهه نیافته]. HR تقریباً RR است زمانی که رویدادها نادر هستند (<۱۰٪)، اما با پیامدهای رایج واگرا می‌شوند. HR به طور خاص نرخ رویدادها را با در نظر گرفتن سانسور و زمان پیگیری مقایسه می‌کند؛ RR نیازی به روش بقا ندارد. همیشه مشخص کنید از کدام معیار استفاده می‌کنید.

فرض تناسب خطر چیست و اگر نقض شود چه کاری باید انجام دهم؟

فرض تناسب خطر به این معنی است که اثر درمان (نسبت خطر) در طول زمان ثابت است. با رسم باقیمانده‌های شونفلد در برابر زمان آن را آزمایش کنید؛ یک روند نشان‌دهنده نقض فرض است. به طور متناوب، یک مدل ضرایب متغیر با زمان را برازش دهید: یک تعامل بین کوواریت و تابعی از زمان (مثلاً لگاریتم زمان) را شامل شود. اگر فرض نقض شود، گزینه‌ها عبارتند از: (۱) تحلیل را بر اساس متغیر مشکل‌ساز طبقه‌بندی کنید (خطرات پایه جداگانه)، (۲) از مدل‌های شتاب‌دهنده زمان شکست (AFT) استفاده کنید، یا (۳) اثر درمان را در نقاط زمانی خاص (مثلاً بقای ۱ ساله، ۵ ساله) به طور جداگانه گزارش کنید. همیشه این فرض را بررسی و گزارش کنید.

مقدار p آزمون لگ-رنک را در تحلیل کاپلان-مایر خود چگونه تفسیر کنم؟

آزمون لگ-رنک تعداد رویدادهای مشاهده شده در هر گروه را با تعداد مورد انتظار تحت فرضیه صفر (منحنی‌های بقای برابر) مقایسه می‌کند. p < ۰.۰۵ نشان‌دهنده تفاوت معنی‌دار آماری در بقا بین گروه‌ها است. مانند تمام مقادیر p، این آزمون فرضیه صفر نقطه‌ای را آزمایش می‌کند؛ یک مقدار p بزرگ، بقای برابر را اثبات نمی‌کند، بلکه فقط شواهد ناکافی برای رد برابری را نشان می‌دهد. همچنین زمان بقای میانه و احتمالات بقا در نقاط زمانی کلیدی (۱ ساله، ۵ ساله)، فواصل اطمینان، و تعداد در معرض خطر در هر بازه زمانی در نمودار کاپلان-مایر را گزارش کنید.

چگونه با پیامدهای متعدد (مانند عود بیماری و مرگ) برخورد کنم؟

هنگامی که چندین رویداد متمایز ممکن است، از تحلیل خطرات رقیب استفاده کنید. اگر عود بیماری را با رگرسیون کاکس مدل‌سازی کنید و مرگ را نادیده بگیرید، تخمین‌ها را سوگیرانه می‌کنید زیرا مرگ، پیگیری عود را سانسور می‌کند. مدل خطرات زیرتوزیع فاین-گری احتمال حاشیه‌ای هر رویداد را جدا می‌کند. تابع احتمال وقوع تجمعی (CIF) را برای هر نوع رویداد محاسبه کنید (نه ۱ منهای دیگری)؛ با استفاده از آزمون گری مقایسه کنید. این رویکرد در انکولوژی (عود در مقابل مرگ غیر سرطانی) و قلب و عروق (MI در مقابل سکته مغزی) ضروری است.

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. Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220.

    باز کردن مرجع DOI
    کپی شد.