Skip to content
Torna ai risultati

Analisi di sopravvivenza

Introdotto da
Edward L. Kaplan and Paul Meier
Anno
1958
Tipo
Method
Famiglia
time-event-modeling

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

L'analisi di sopravvivenza è una raccolta di metodi statistici per modellare il tempo da un punto di partenza definito fino al verificarsi di un evento di interesse (malattia, recupero, morte, guasto di un'apparecchiatura).

Lo stimatore non parametrico di Kaplan e Meier (1958) e il modello dei rischi proporzionali di David Cox (1972) hanno consentito congiuntamente l'analisi di dati censurati—individui i cui tempi all'evento sono sconosciuti perché hanno abbandonato lo studio o erano ancora liberi da eventi al follow-up. Indispensabile in oncologia, cardiologia, ricerca sulle malattie infettive, affidabilità ingegneristica e in qualsiasi campo in cui il tempo all'evento sia rilevante.

L’intuizione alla base del metodo

Molti studi seguono le persone nel tempo finché non sperimentano un esito (diagnosi di malattia, morte) o lo studio termina. Alcuni individui sperimentano l'esito (eventi), mentre altri raggiungono il completamento dello studio senza l'esito (censurati). I metodi statistici standard ignorano i dati censurati o fanno forti assunzioni, distorcendo i risultati. L'analisi di sopravvivenza tiene conto del censuramento e del tempo di follow-up, consentendo un confronto appropriato dei tassi di evento tra i gruppi. La funzione di sopravvivenza S(t) = probabilità di essere liberi da eventi al tempo t. Hazard h(t) = tasso istantaneo di occorrenza dell'evento al tempo t. Hazard ratio confronta i tassi di evento tra i gruppi: HR = 1 (nessuna differenza), HR < 1 (hazard ridotto), HR > 1 (hazard aumentato). Questo quadro consente ai ricercatori di identificare effetti del trattamento, fattori prognostici e stratificazione del rischio nonostante dati incompleti.

Storia

Kaplan e Meier introdussero il loro stimatore non parametrico di sopravvivenza nel 1958, rivoluzionando l'analisi degli studi clinici gestendo correttamente il censuramento. Il modello dei rischi proporzionali di David Cox (1972) estese questo a contesti multivariati, diventando lo standard per l'aggiustamento delle covariate. L'approccio della verosimiglianza parziale ha consentito un calcolo efficiente senza specificare la funzione di hazard di base. Gli sviluppi moderni includono la ponderazione di probabilità inversa per il censuramento informativo (Robins, 1993), i modelli di tempo di fallimento accelerato (Kalbfleisch & Prentice, 1980) e l'analisi dei rischi concorrenti (Fine & Gray, 1999) per contesti in cui tipi di eventi multipli precludono un'analisi singola.

Quando usarlo

Utilizzare l'analisi di sopravvivenza quando l'esito di interesse è il tempo all'evento e i dati contengono censuramento. Oncologia: confronto della sopravvivenza tra bracci di trattamento (studi randomizzati standard). Cardiologia: analisi del tempo verso eventi cardiovascolari (IMA, ictus) in studi di coorte. Malattie infettive: tempo dall'infezione al recupero o alla progressione. Impianti medici: tempo di guasto o sostituzione del dispositivo. Ingegneria industriale: tempo di guasto dell'apparecchiatura (analisi di affidabilità). Qualsiasi studio longitudinale con ingresso scaglionato e/o ritiro precoce può utilizzare metodi di sopravvivenza. Se non c'è censuramento (tutti i partecipanti seguiti fino al completamento), metodi più semplici (t-test, regressione logistica) sono sufficienti, sebbene l'analisi di sopravvivenza rimanga valida.

Limiti e considerazioni

  • Assunzione di rischi proporzionali: il modello di Cox assume un effetto del trattamento costante nel tempo; le violazioni richiedono metodi alternativi (modelli di tempo di fallimento accelerato, coefficienti dipendenti dal tempo, stratificazione).
  • Dati scarsi a lunghi tempi di follow-up: le stime di sopravvivenza diventano meno stabili man mano che i partecipanti vengono censurati; gli intervalli di confidenza si allargano, limitando l'inferenza per la predizione di eventi tardivi.
  • Censuramento amministrativo: se il censuramento è correlato alla prognosi (censuramento informativo), i metodi standard sono distorti; richiede modellazione congiunta o ponderazione di probabilità inversa.
  • Assume indipendenza condizionale dati i covariati; il confondimento non misurato minaccia l'inferenza causale, in particolare negli studi osservazionali.
  • Piccoli conteggi di eventi riducono la potenza e la stabilità dei coefficienti di Cox; generalmente sono necessari ≥10 eventi per covariata per una stima stabile.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Gestisce correttamente i dati censurati senza distorsioni: sfrutta le informazioni dagli individui censurati (tempo di follow-up) piuttosto che scartarli.
  • Stima in modo flessibile le associazioni sia univariate (Kaplan-Meier) che multivariata (Cox); le covariate di base vengono aggiustate senza assumere effetti lineari.
  • Gli hazard ratio sono intuitivi: una singola metrica che confronta i tassi di evento, facilmente interpretabile dai clinici e comunicabile nelle pubblicazioni.
  • Rilevabili rischi non proporzionali: le diagnostiche dell'assunzione avvisano i ricercatori quando gli effetti del trattamento cambiano nel tempo; modelli alternativi (AFT, stratificazione, coefficienti dipendenti dal tempo) affrontano le violazioni.
  • Stratificazione del rischio: le curve di sopravvivenza predette consentono ai clinici di quantificare la prognosi e personalizzare le decisioni terapeutiche in base alle caratteristiche di base.

Applicazioni

  • Studi oncologici: confronto della sopravvivenza globale e della sopravvivenza libera da malattia tra regimi chemioterapici, immunoterapie o approcci chirurgici; definizione delle pratiche standard di cura.
  • Ricerca cardiovascolare: modellazione del tempo da fattori di rischio di base (ipertensione, diabete, fumo) al primo evento cardiaco avverso maggiore; sviluppo di algoritmi di predizione del rischio.
  • Malattie infettive: analisi del tempo dalla diagnosi alla soppressione virale (HIV), al completamento del trattamento (tubercolosi) o al miglioramento clinico (COVID-19); confronto dell'efficacia del trattamento.
  • Dispositivi medici e impianti: test di affidabilità di pacemaker, protesi articolari, stent; predizione del guasto del dispositivo e stima degli intervalli di sostituzione.
  • Epidemiologia occupazionale: tempo dall'esposizione occupazionale (amianto, polvere di silice) alla diagnosi di malattia; quantificazione dell'hazard e definizione dei limiti di esposizione.

Come funziona

Come funziona

1

Si somministra l'analisi di sopravvivenza definendo: (1) la data di inizio dello studio (es. diagnosi, inizio del trattamento, arruolamento nello studio), (2) l'evento di interesse (es. morte, recidiva della malattia), e (3) l'indicatore di censuramento (se l'evento si è verificato o è stato censurato). Seguire i partecipanti in modo prospettico dalla baseline all'occorrenza dell'evento o alla fine del follow-up. Registrare due variabili chiave: tempo all'evento (giorni/mesi/anni dall'inizio all'evento o all'ultimo contatto) e stato dell'evento (1 = evento verificatosi, 0 = censurato). Raccogliere caratteristiche di base (età, gruppo di trattamento, biomarcatori) come covariate. Assicurarsi che le definizioni degli eventi siano chiaramente operative e costantemente accertate tra i partecipanti.

2

Per la sopravvivenza descrittiva: utilizzare il metodo di Kaplan-Meier. Ad ogni tempo dell'evento t_i, calcolare S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)] dove d_i è il numero di eventi a t_i e n_i è il numero a rischio (non ancora avuto l'evento o censurato). Rappresentare graficamente le curve di sopravvivenza cumulativa per gruppo; confrontare utilizzando il test log-rank (test χ² degli eventi osservati vs attesi sotto l'ipotesi nulla di sopravvivenza uguale). Per l'associazione univariata/multivariata: utilizzare la regressione dei rischi proporzionali di Cox. La funzione di hazard h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...), dove h₀(t) è l'hazard di base e i coefficienti β quantificano gli effetti delle covariate. Stimare i coefficienti tramite verosimiglianza parziale; calcolare gli hazard ratio (HR) = exp(β) con intervalli di confidenza al 95%. Verificare l'assunzione di rischi proporzionali: grafici dei residui di Schoenfeld e test dei coefficienti dipendenti dal tempo (p > 0.05 supporta l'assunzione). Riportare l'indice di concordanza (C-index): 0.5 = casuale, 0.7–0.8 = buona discriminazione, >0.8 = eccellente.

3

Le curve di Kaplan-Meier rappresentano graficamente la probabilità cumulativa di rimanere liberi da eventi nel tempo; curve che divergono precocemente suggeriscono forti effetti del trattamento o del gruppo. Il valore p del test log-rank verifica l'uguaglianza delle curve di sopravvivenza; p < 0.05 indica una differenza significativa nella sopravvivenza. Per la regressione di Cox, interpretare gli hazard ratio come: HR = 1.5 per un predittore significa un hazard (tasso di evento) 50% più alto per ogni unità di aumento, aggiustando per le altre covariate. HR < 1 indica un hazard ridotto (effetto protettivo). Intervalli di confidenza che escludono 1 indicano significatività statistica. Esaminare i residui di Schoenfeld (grafico del coefficiente nel tempo) per verificare l'assunzione di rischi proporzionali; le deviazioni indicano che l'effetto della covariata cambia con il tempo (la violazione suggerisce di adattare un modello con coefficienti dipendenti dal tempo). Rappresentare graficamente l'hazard cumulativo o l'hazard di base cumulativo per visualizzare l'adattamento del modello. Utilizzare curve di sopravvivenza predette (stratificate per gruppi di esposizione o categorie di rischio) per comunicare i risultati clinicamente.

Errori comuni

  • Trattare i dati censurati come fallimenti: codificare erroneamente i tempi censurati come eventi distorce le stime di hazard verso il basso e gli hazard ratio verso 1.
  • Mancata verifica dell'assunzione di rischi proporzionali: tracciare i residui di Schoenfeld o testare i coefficienti dipendenti dal tempo; la violazione invalida l'interpretazione del modello di Cox.
  • Omissione degli indicatori di censuramento: è necessario codificare esplicitamente lo stato dell'evento (1 = verificatosi, 0 = censurato); una codifica errata porta a una verosimiglianza e a stime errate.
  • Confronto di gruppi con tempi di follow-up diseguali senza aggiustamento: l'analisi di sopravvivenza tiene conto del follow-up variabile, ma il confronto ingenuo dei conteggi degli eventi è distorto.
  • Sovradattamento con troppe covariate rispetto agli eventi: la regressione di Cox con molti predittori e pochi eventi produce stime instabili e inaffidabili; utilizzare regressione penalizzata (ridge, lasso) o riduzione della dimensionalità.
  • Utilizzo del follow-up mediano come giustificazione per omettere l'analisi di sopravvivenza: il follow-up mediano descrive i dati ma non sostituisce un'analisi appropriata dei tempi di follow-up individuali.

Domande frequenti

Cosa significa un hazard ratio di 0.6 e in cosa differisce dal rischio relativo?

Un hazard ratio (HR) di 0.6 significa che il tasso di evento istantaneo (hazard) è il 60% di quello del gruppo di riferimento in qualsiasi momento, aggiustando per le covariate—equivalente a una riduzione del rischio del 40%. L'HR deriva dall'analisi di sopravvivenza/Cox. Il rischio relativo (RR) deriva da dati di coorte o di studio: RR = [incidenza negli esposti] / [incidenza nei non esposti]. L'HR approssima l'RR quando gli eventi sono rari (<10%), ma divergono con esiti comuni. L'HR confronta specificamente i tassi di evento tenendo conto del censuramento e del tempo di follow-up; l'RR non richiede metodologia di sopravvivenza. Riportare sempre quale misura si utilizza.

Qual è l'assunzione di rischi proporzionali e cosa fare se viene violata?

L'assunzione di rischi proporzionali significa che l'effetto del trattamento (hazard ratio) è costante nel tempo. Testarla tracciando i residui di Schoenfeld rispetto al tempo; una tendenza suggerisce una violazione. In alternativa, adattare un modello con coefficienti dipendenti dal tempo: includere un'interazione tra la covariata e una funzione del tempo (es. logaritmo del tempo). Se l'assunzione è violata, le opzioni includono: (1) stratificare l'analisi per la variabile problematica (hazard di base separati), (2) utilizzare modelli di tempo di fallimento accelerato (AFT), o (3) riportare separatamente l'effetto del trattamento in specifici punti temporali (es. sopravvivenza a 1 anno, 5 anni). Verificare e riportare sempre questa assunzione.

Come devo interpretare il valore p del test log-rank nella mia analisi di Kaplan-Meier?

Il test log-rank confronta il numero osservato di eventi in ciascun gruppo con il numero atteso sotto l'ipotesi nulla (curve di sopravvivenza uguali). p < 0.05 indica una differenza statisticamente significativa nella sopravvivenza tra i gruppi. Come tutti i valori p, testa un'ipotesi nulla puntuale; un valore p elevato non prova l'uguaglianza della sopravvivenza, solo un'evidenza insufficiente per rifiutare l'uguaglianza. Riportare anche il tempo mediano di sopravvivenza e le probabilità di sopravvivenza in punti temporali chiave (1 anno, 5 anni), gli intervalli di confidenza e il numero a rischio ad ogni intervallo nel grafico di Kaplan-Meier.

Come devo gestire esiti multipli (es. recidiva della malattia e morte)?

Quando sono possibili eventi multipli distinti, utilizzare l'analisi dei rischi concorrenti. Se si modella la recidiva della malattia con regressione di Cox ignorando la morte, si distorcono le stime perché la morte censura il follow-up della recidiva. Il modello dei sottodistribuzioni di hazard di Fine-Gray separa la probabilità marginale di ciascun evento. Calcolare la funzione di incidenza cumulativa (CIF) per ciascun tipo di evento (non 1 meno l'altro); confrontare utilizzando il test di Gray. Questo approccio è essenziale in oncologia (recidiva vs morte non tumorale) e cardiologia (IMA vs ictus).

Metodi correlati

Fonti

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

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

    Apri il riferimento DOI
    Copiato.