Analisi di Kaplan-Meier — Stima non parametrica della sopravvivenza
- Introdotto da
- Edward L. Kaplan and Paul Meier
- Anno
- 1958
- Tipo
- Nonparametric survival estimator
- Famiglia
- Clinical / epidemiology
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
L'analisi di Kaplan-Meier (KM) è un metodo non parametrico per stimare la funzione di sopravvivenza da dati di tempo all'evento.
Introdotta da Kaplan e Meier nel 1958, produce la classica curva di sopravvivenza a gradini che mostra la probabilità di sopravvivere oltre ogni tempo di evento osservato, tenendo correttamente conto delle osservazioni censurate — partecipanti che hanno lasciato lo studio o che non avevano ancora sperimentato l'evento alla fine del follow-up. È una delle tecniche più ampiamente utilizzate nella ricerca clinica ed epidemiologica.
L’intuizione alla base del metodo
Si immagini di seguire un gruppo di pazienti oncologici per vedere quanto tempo sopravvivono dopo il trattamento. Alcuni muoiono durante lo studio (eventi osservati); altri sono ancora vivi alla fine dello studio o si ritirano (censurati). Una semplice media ignora la censura e sottostima la sopravvivenza. Lo stimatore di Kaplan-Meier, invece, moltiplica una serie di probabilità di sopravvivenza condizionate — la probabilità di sopravvivere a ogni tempo di evento successivo data la sopravvivenza fino a quel punto — producendo una curva a gradini che diminuisce solo quando si verifica un evento reale. Le osservazioni censurate riducono l'insieme a rischio ma non contano come eventi, quindi le loro informazioni vengono utilizzate fino al momento in cui escono dallo studio.
Storia
L'analisi di Kaplan-Meier ha origine da un articolo fondamentale del 1958 di Edward L. Kaplan e Paul Meier nel Journal of the American Statistical Association. Meier aveva derivato lo stimatore prodotto-limite indipendentemente; un editore di rivista riconobbe il lavoro parallelo e incoraggiò una pubblicazione congiunta. L'articolo fu inizialmente accolto con modesto interesse ma divenne uno degli articoli scientifici più citati mai pubblicati. Il test del log-rank di accompagnamento fu sviluppato da Nathan Mantel nel 1966. Il metodo divenne centrale per la rendicontazione degli studi clinici dagli anni '70 in poi, e le agenzie regolatorie di tutto il mondo ora si aspettano le curve KM come parte di qualsiasi presentazione di analisi tempo all'evento.
Quando usarlo
Utilizzare l'analisi di Kaplan-Meier ogni volta che l'esito è il tempo a un singolo evento ben definito (morte, ricaduta, dimissione, fallimento del trattamento) e i tempi di follow-up variano tra i partecipanti. È il primo passo standard in qualsiasi analisi di sopravvivenza ed è appropriata sia per studi randomizzati che per studi di coorte osservazionali. Preferire le curve KM per la visualizzazione descrittiva e il confronto tra gruppi quando l'assunzione di rischi proporzionali è valida; passare alla regressione di Cox quando è necessario aggiustare per più covariate contemporaneamente. Non utilizzare KM quando l'evento non può verificarsi più di una volta per persona e sono presenti eventi competitivi (ad esempio, morte per una causa diversa prima dell'evento di interesse) — utilizzare invece l'analisi dei rischi competitivi. KM è anche inadatta quando la censura è probabilmente informativa, quando è necessario un aggiustamento continuo delle covariate, o quando l'esito è binario piuttosto che tempo all'evento.
Limiti e considerazioni
- Non può aggiustare per più fattori di confondimento contemporaneamente — utilizzare i rischi proporzionali di Cox per stime aggiustate per covariate.
- Assume una censura non informativa; si ottengono stime distorte se la censura è correlata alla prognosi.
- Non gestisce eventi ricorrenti o rischi competitivi senza estensione a metodi più specializzati.
- Il test del log-rank che confronta le curve ha una potenza ridotta quando il rapporto di rischio cambia nel tempo (curve che si incrociano o convergono).
- Le stime diventano instabili a tempi di follow-up lunghi quando pochi partecipanti rimangono a rischio.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Completamente non parametrico — non fa alcuna assunzione sulla forma della distribuzione di sopravvivenza.
- Incorpora correttamente le osservazioni censurate, massimizzando l'uso di tutto il tempo di follow-up disponibile.
- Produce una visualizzazione intuitiva e immediatamente interpretabile (la curva di sopravvivenza a gradini).
- La sopravvivenza mediana con intervalli di confidenza è facilmente derivabile come statistica riassuntiva.
- Ampiamente compreso da pubblico clinico, epidemiologico e regolatorio.
Applicazioni
- Confronto della sopravvivenza globale tra bracci di trattamento in studi clinici randomizzati in oncologia.
- Stima del tempo alla riammissione ospedaliera dopo chirurgia cardiaca in studi di coorte cardiovascolari.
- Rendicontazione della sopravvivenza libera da progressione nelle sottomissioni regolatorie per nuovi farmaci oncologici.
- Analisi del tempo alla sospensione del trattamento o all'insorgenza di eventi avversi in studi di farmacovigilanza.
- Stima della sopravvivenza dell'innesto nei registri dei trapianti e negli studi sul rigetto d'organo.
- Descrizione del tempo alla recidiva dopo resezione chirurgica in coorti di cancro colorettale o al seno.
Come funziona
Come funziona
Specificare l'evento di interesse (ad esempio, decesso, recidiva di malattia, riammissione ospedaliera), l'origine del tempo (ad esempio, data di randomizzazione, data di diagnosi) e il meccanismo di censura. Ogni partecipante contribuisce con un tempo di sopravvivenza e un indicatore di evento (1 = evento verificato, 0 = censurato). Assicurarsi che la censura sia non informativa — cioè, i partecipanti censurati non dovrebbero differire sistematicamente nella prognosi da quelli che rimangono a rischio.
Ordinare tutti i tempi di evento osservati dal più piccolo al più grande. I pareggi (eventi multipli nello stesso punto temporale) vengono risolti secondo la convenzione standard. Ad ogni tempo di evento distinto t_i, registrare n_i (il numero di partecipanti a rischio appena prima di t_i) e d_i (il numero di eventi a t_i). Le osservazioni censurate che si verificano tra tempi di evento consecutivi riducono n_i per i passaggi successivi ma non vengono contate come eventi.
Calcolare la probabilità di sopravvivenza ad ogni tempo di evento utilizzando la formula del prodotto-limite: S(t) = prodotto su tutti i t_i <= t di (1 - d_i / n_i). La stima inizia a S(0) = 1 e diminuisce a gradini solo ai tempi di evento, rimanendo costante tra gli eventi. Questo non fa alcuna assunzione sulla distribuzione sottostante dei tempi di sopravvivenza.
Formula
S(t) = \prod_{t_i \le t} \left(1 - \frac{d_i}{n_i}\right)Le osservazioni censurate — partecipanti persi al follow-up, ritirati o senza eventi al cutoff dello studio — vengono incorporate rimuovendole dall'insieme a rischio al loro tempo di censura, dopo aver contribuito al denominatore n_i fino a quel punto. Una corretta gestione della censura è fondamentale: se la censura è informativa (correlata alla prognosi), la stima KM sarà distorta e saranno necessari metodi più sofisticati.
Quando due o più gruppi (ad esempio, trattamento vs. controllo) vengono confrontati, viene stimata una curva KM separata per ciascun gruppo e le curve vengono visualizzate insieme. Il test del log-rank (o test di Mantel-Cox) fornisce un test di significatività formale per l'ipotesi nulla di funzioni di sopravvivenza uguali. Il test del log-rank è più potente quando il rapporto di rischio tra i gruppi è approssimativamente costante nel tempo (assunzione di rischi proporzionali); varianti ponderate come Wilcoxon-Breslow sono disponibili quando le differenze precoci sono di maggiore interesse.
Presentare graficamente le curve KM con una tabella dei numeri a rischio sotto l'asse x. Riportare il tempo di sopravvivenza mediano (il tempo in cui S(t) attraversa 0.5) con intervalli di confidenza al 95% (tipicamente la formula di Greenwood). Se è stato fatto un confronto, riportare il p-value del log-rank e l'hazard ratio da un modello di Cox. Specificare la dimensione totale del campione, il numero di eventi e la durata del follow-up.
Errori comuni
- Ignorare i rischi competitivi — l'uso di KM quando i partecipanti possono sperimentare un evento competitivo (ad esempio, morte prima della ricaduta) porta a una sovrastima dell'incidenza cumulativa dell'evento di interesse; utilizzare invece l'approccio di Fine-Gray o l'hazard specifico per causa.
- Presentare le curve senza una tabella dei numeri a rischio — le porzioni tardive della curva basate su pochissimi individui sono inaffidabili e fuorvianti senza contesto.
- Censura informativa — se i pazienti vengono censurati perché le loro condizioni sono peggiorate e hanno cambiato trattamento, la coorte sopravvissuta è artificialmente selezionata; dovrebbero essere considerate analisi di sensibilità o ponderazione inversa della probabilità di censura.
- Riportare solo il p-value del log-rank senza una dimensione dell'effetto — il p-value indica la significatività ma non l'entità della differenza; accompagnarlo sempre con un hazard ratio e un intervallo di confidenza dalla regressione di Cox.
- Curve di sopravvivenza che si incrociano con un singolo test del log-rank — quando le curve si incrociano, il test del log-rank può non essere significativo anche quando c'è una reale differenza precoce o tardiva; il tempo di sopravvivenza medio ristretto o i test del log-rank ponderati sono più informativi.
Domande frequenti
Qual è la differenza tra la curva di Kaplan-Meier e la curva di rischio cumulativo?
La curva KM mostra S(t), la probabilità di sopravvivere (non sperimentare l'evento) oltre il tempo t, che diminuisce da 1 verso 0. Il rischio cumulativo H(t) = -log S(t) aumenta nel tempo e rappresenta il rischio istantaneo accumulato. Entrambe sono rappresentazioni equivalenti degli stessi dati sottostanti; il rischio cumulativo è lineare su scala logaritmica sotto una distribuzione esponenziale, rendendolo utile per la verifica del modello.
Quando dovrei usare il test del log-rank rispetto a un modello di Cox per confrontare i gruppi?
Utilizzare il test del log-rank quando si desidera un test di significatività semplice e non parametrico che confronti due o più curve KM non aggiustate. Utilizzare la regressione di Cox quando è necessario aggiustare per i fattori di confondimento, includere predittori continui o ottenere un hazard ratio come misura dell'effetto riassuntivo. I due approcci assumono rischi proporzionali; quando tale assunzione è violata, considerare l'analisi del tempo di sopravvivenza medio ristretto.
Come si calcola l'intervallo di confidenza per la sopravvivenza mediana?
L'approccio standard applica la formula di Greenwood per stimare la varianza di S(t), quindi costruisce bande di confidenza puntuali attorno alla curva. L'intervallo di confidenza per la mediana è l'insieme dei punti temporali in cui la banda di confidenza attraversa la linea di probabilità 0.5. La maggior parte dei software statistici (pacchetto R survival, SAS LIFETEST, Stata stci) lo calcola automaticamente.
Posso usare Kaplan-Meier quando ho rischi competitivi?
L'analisi KM standard tratta gli eventi competitivi (ad esempio, morte per un'altra causa prima dell'evento di interesse) come osservazioni censurate, il che porta a una sovrastima dell'incidenza cumulativa perché si presume che gli individui censurati rimangano a rischio. Quando sono presenti rischi competitivi, utilizzare la funzione di incidenza cumulativa (CIF) dalla regressione di Fine-Gray o modelli di rischio specifici per causa invece dello stimatore KM.
Di quale dimensione del campione ho bisogno per una stima di Kaplan-Meier affidabile?
L'affidabilità dipende principalmente dal numero di eventi osservati piuttosto che dalla dimensione totale del campione. Come regola generale, sono necessari almeno 10-20 eventi per gruppo per stime stabili della curva, e i calcoli formali della potenza per il test del log-rank dovrebbero essere condotti in base al tasso di eventi atteso, alla sopravvivenza mediana e alla potenza desiderata. A tempi di follow-up lunghi in cui pochi partecipanti rimangono a rischio (meno di ~5-10), la curva diventa inaffidabile e dovrebbe essere troncata o presentata con un'appropriata incertezza.
Metodi correlati
Fonti
Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.
Apri il riferimento DOICopiato.Kaplan–Meier estimator. Wikipedia.
Apri il riferimento della pubblicazioneCopiato.