Przejdź do treści
Wróć do wyników wyszukiwania

Analiza Kaplana-Meiera — Nieparametryczna estymacja przeżycia

Autor metody
Edward L. Kaplan and Paul Meier
Rok
1958
Typ
Nonparametric survival estimator
Rodzina
Clinical / epidemiology

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Analiza Kaplana-Meiera (KM) jest nieparametryczną metodą estymacji funkcji przeżycia na podstawie danych o czasie do wystąpienia zdarzenia.

Wprowadzona przez Kaplana i Meiera w 1958 roku, generuje klasyczną krzywą przeżycia w postaci schodkowej, która pokazuje prawdopodobieństwo przeżycia poza każdym obserwowanym czasem zdarzenia, poprawnie uwzględniając ocenzurowane obserwacje — uczestników, którzy opuścili badanie lub jeszcze nie doświadczyli zdarzenia do końca obserwacji. Jest to jedna z najszerzej stosowanych technik w badaniach klinicznych i epidemiologicznych.

Intuicja stojąca za metodą

Wyobraźmy sobie obserwację grupy pacjentów onkologicznych w celu określenia, jak długo przeżyją po leczeniu. Niektórzy umierają w trakcie badania (zdarzenia zaobserwowane); inni nadal żyją, gdy badanie się kończy, lub rezygnują (ocenzurowani). Prosta średnia ignoruje cenzurowanie i zaniża przeżycie. Estymator Kaplana-Meiera zamiast tego mnoży serię warunkowych prawdopodobieństw przeżycia — szansę przeżycia każdego kolejnego czasu zdarzenia przy założeniu przeżycia do tego momentu — generując krzywą schodkową, która spada tylko wtedy, gdy wystąpi faktyczne zdarzenie. Ocenzurowane obserwacje zmniejszają zbiór ryzyka, ale nie są liczone jako zdarzenia, więc ich informacje są wykorzystywane do momentu ich wyjścia.

Historia

Analiza Kaplana-Meiera wywodzi się z przełomowej publikacji Edwarda L. Kaplana i Paula Meiera z 1958 roku w Journal of the American Statistical Association. Meier niezależnie opracował estymator iloczynu-granicy; redaktor czasopisma rozpoznał równoległą pracę i zachęcił do wspólnej publikacji. Artykuł początkowo spotkał się z umiarkowanym zainteresowaniem, ale z czasem stał się jednym z najczęściej cytowanych artykułów naukowych w historii. Towarzyszący mu test log-rank został opracowany przez Nathana Mantela w 1966 roku. Metoda ta stała się kluczowa w raportowaniu badań klinicznych od lat 70. XX wieku, a światowe agencje regulacyjne oczekują obecnie krzywych KM jako części każdej analizy czasu do wystąpienia zdarzenia.

Kiedy stosować

Stosować analizę Kaplana-Meiera, gdy wynik jest czasem do jednego, dobrze zdefiniowanego zdarzenia (śmierć, nawrót, wypis, niepowodzenie leczenia), a czasy obserwacji różnią się między uczestnikami. Jest to standardowy pierwszy krok w każdej analizie przeżycia i jest odpowiednia zarówno dla badań randomizowanych, jak i kohortowych badań obserwacyjnych. Preferować krzywe KM do opisowego przedstawienia i porównania grup, gdy założenie proporcjonalności hazardów jest spełnione; przejść do regresji Coxa, gdy potrzebna jest jednoczesna korekta o wiele zmiennych. Nie stosować KM, gdy zdarzenie nie może wystąpić więcej niż raz na osobę i obecne są konkurencyjne zdarzenia (np. śmierć z innej przyczyny przed wystąpieniem interesującego zdarzenia) — zamiast tego stosować analizę ryzyk konkurencyjnych. KM jest również nieodpowiednia, gdy cenzurowanie jest prawdopodobnie informacyjne, gdy potrzebna jest korekta o ciągłe predyktory, lub gdy wynik jest binarny, a nie czas do wystąpienia zdarzenia.

Ograniczenia i uwagi

  • Nie można jednocześnie skorygować o wiele czynników zakłócających — stosować proporcjonalne hazardy Coxa dla oszacowań skorygowanych o zmienne.
  • Zakłada nieinformacyjne cenzurowanie; obciążone estymaty wynikają, jeśli cenzurowanie jest związane z rokowaniem.
  • Nie radzi sobie ze zdarzeniami nawracającymi ani ryzykami konkurencyjnymi bez rozszerzenia do bardziej specjalistycznych metod.
  • Test log-rank porównujący krzywe ma zmniejszoną moc, gdy stosunek hazardu zmienia się w czasie (krzyżujące się lub zbiegające krzywe).
  • Estymaty stają się niestabilne przy długim czasie obserwacji, gdy niewiele uczestników pozostaje w grupie ryzyka.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Całkowicie nieparametryczna — nie zakłada żadnego kształtu rozkładu przeżycia.
  • Poprawnie uwzględnia ocenzurowane obserwacje, maksymalizując wykorzystanie całego dostępnego czasu obserwacji.
  • Generuje intuicyjny, natychmiast zrozumiały wykres (krzywą przeżycia w postaci schodkowej).
  • Mediana przeżycia z przedziałami ufności jest łatwo wyznaczalna jako statystyka podsumowująca.
  • Szeroko rozumiana przez audytoria kliniczne, epidemiologiczne i regulacyjne.

Zastosowania

  • Porównanie całkowitego przeżycia między ramionami leczenia w randomizowanych badaniach kontrolowanych w onkologii.
  • Estymacja czasu do ponownej hospitalizacji po zabiegu kardiochirurgicznym w badaniach kohortowych dotyczących chorób sercowo-naczyniowych.
  • Raportowanie przeżycia wolnego od progresji w zgłoszeniach rejestracyjnych nowych leków onkologicznych.
  • Analiza czasu do przerwania leczenia lub wystąpienia zdarzenia niepożądanego w badaniach farmakowigilancyjnych.
  • Estymacja przeżycia przeszczepu w rejestrach przeszczepów i badaniach nad odrzuceniem narządu.
  • Opis czasu do nawrotu po resekcji chirurgicznej w kohortach raka jelita grubego lub piersi.

Jak to działa

Jak to działa

1

Określić interesujące zdarzenie (np. śmierć, nawrót choroby, ponowna hospitalizacja), punkt początkowy czasu (np. data randomizacji, data diagnozy) oraz mechanizm cenzurowania. Każdy uczestnik wnosi czas przeżycia i wskaźnik zdarzenia (1 = zdarzenie wystąpiło, 0 = ocenzurowano). Upewnić się, że cenzurowanie jest nieinformacyjne — to znaczy, że uczestnicy ocenzurowani nie powinni systematycznie różnić się rokowaniem od tych, którzy pozostają w grupie ryzyka.

2

Posortować wszystkie zaobserwowane czasy zdarzeń od najmniejszego do największego. Remisy (wiele zdarzeń w tym samym punkcie czasowym) rozstrzyga się według standardowej konwencji. W każdym odrębnym czasie zdarzenia t_i odnotować n_i (liczbę uczestników w grupie ryzyka tuż przed t_i) i d_i (liczbę zdarzeń w t_i). Ocenzurowane obserwacje, które występują między kolejnymi czasami zdarzeń, zmniejszają n_i dla kolejnych kroków, ale nie są liczone jako zdarzenia.

3

Obliczyć prawdopodobieństwo przeżycia w każdym czasie zdarzenia za pomocą wzoru iloczynu-granicy: S(t) = iloczyn po wszystkich t_i <= t z (1 - d_i / n_i). Estymata zaczyna się od S(0) = 1 i maleje schodkowo tylko w czasach zdarzeń, pozostając stała między zdarzeniami. Nie czyni to żadnych założeń dotyczących podstawowego rozkładu czasów przeżycia.

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

Ocenzurowane obserwacje — uczestnicy utraceni podczas obserwacji, wycofani lub wolni od zdarzenia w momencie zakończenia badania — są uwzględniane poprzez usunięcie ich ze zbioru ryzyka w ich czasie cenzurowania, po tym jak przyczyniły się do mianownika n_i do tego momentu. Prawidłowe postępowanie z cenzurowaniem jest kluczowe: jeśli cenzurowanie jest informacyjne (skorelowane z rokowaniem), estymata KM będzie obciążona, a potrzebne będą bardziej zaawansowane metody.

5

Gdy porównuje się dwie lub więcej grup (np. leczenie vs. kontrola), dla każdej grupy szacuje się osobną krzywą KM i krzywe te są wyświetlane razem. Test log-rank (lub test Mantele-Coxa) zapewnia formalny test istotności dla hipotezy zerowej o równych funkcjach przeżycia. Test log-rank jest najsilniejszy, gdy stosunek hazardu między grupami jest w przybliżeniu stały w czasie (założenie proporcjonalności hazardów); dostępne są ważone warianty, takie jak test Wilcoxona-Breslowa, gdy większe zainteresowanie budzą wczesne różnice.

6

Przedstawić krzywe KM graficznie z tabelą liczby osób w grupie ryzyka poniżej osi X. Podać medianę czasu przeżycia (czas, w którym S(t) przekracza 0.5) wraz z 95% przedziałami ufności (zazwyczaj wzór Greenwooda). Jeśli dokonano porównania, podać wartość p testu log-rank oraz stosunek hazardu z modelu Coxa. Określić całkowitą wielkość próby, liczbę zdarzeń i czas obserwacji.

Częste pułapki

  • Ignorowanie ryzyk konkurencyjnych — stosowanie KM, gdy uczestnicy mogą doświadczyć konkurencyjnego zdarzenia (np. śmierci przed nawrotem), prowadzi do przeszacowania skumulowanej częstości występowania interesującego zdarzenia; zamiast tego stosować podejście funkcji skumulowanej częstości występowania (CIF) z regresji Fine-Graya lub modeli hazardu specyficznych dla przyczyny.
  • Prezentowanie krzywych bez tabeli liczby osób w grupie ryzyka — późne fragmenty krzywej oparte na bardzo niewielu osobach są niewiarygodne i mylące bez kontekstu.
  • Informacyjne cenzurowanie — jeśli pacjenci są cenzurowani z powodu pogorszenia stanu i zmiany leczenia, grupa przeżywająca jest sztucznie wybrana; należy rozważyć analizy wrażliwości lub ważenie odwrotnością prawdopodobieństwa cenzurowania.
  • Raportowanie tylko wartości p testu log-rank bez miary wielkości efektu — wartość p wskazuje na istotność, ale nie na wielkość różnicy; zawsze należy ją uzupełnić o stosunek hazardu i przedział ufności z regresji Coxa.
  • Krzyżujące się krzywe przeżycia z pojedynczym testem log-rank — gdy krzywe się krzyżują, test log-rank może być nieistotny, nawet jeśli istnieje rzeczywista wczesna lub późna różnica; ograniczony średni czas przeżycia lub ważone testy log-rank są bardziej informacyjne.

Najczęściej zadawane pytania

Jaka jest różnica między krzywą Kaplana-Meiera a krzywą skumulowanego hazardu?

Krzywa KM pokazuje S(t), czyli prawdopodobieństwo przeżycia (nie doświadczenia zdarzenia) poza czasem t, które maleje od 1 do 0. Skumulowany hazard H(t) = -log S(t) rośnie w czasie i reprezentuje skumulowane chwilowe ryzyko. Oba są równoważnymi reprezentacjami tych samych podstawowych danych; skumulowany hazard jest liniowy na skali logarytmicznej przy rozkładzie wykładniczym, co czyni go użytecznym do sprawdzania modelu.

Kiedy powinienem użyć testu log-rank zamiast modelu Coxa do porównania grup?

Użyj testu log-rank, gdy chcesz prostego, nieparametrycznego testu istotności porównującego dwie lub więcej nieskorygowanych krzywych KM. Użyj regresji Coxa, gdy potrzebujesz skorygować o czynniki zakłócające, uwzględnić predyktory ciągłe lub uzyskać stosunek hazardu jako podsumowującą miarę efektu. Oba podejścia zakładają proporcjonalność hazardów; gdy to założenie jest naruszone, rozważ analizę ograniczonego średniego czasu przeżycia.

Jak obliczyć przedział ufności dla mediany przeżycia?

Standardowe podejście polega na zastosowaniu wzoru Greenwooda do oszacowania wariancji S(t), a następnie skonstruowaniu punktowych pasm ufności wokół krzywej. Przedział ufności dla mediany to zbiór punktów czasowych, w których pasmo ufności przecina linię prawdopodobieństwa 0.5. Większość oprogramowania statystycznego (pakiet R survival, SAS LIFETEST, Stata stci) oblicza to automatycznie.

Czy mogę użyć Kaplana-Meiera, gdy mam ryzyka konkurencyjne?

Standardowa analiza KM traktuje konkurencyjne zdarzenia (np. śmierć z innej przyczyny przed wystąpieniem interesującego zdarzenia) jako obserwacje ocenzurowane, co prowadzi do przeszacowania skumulowanej częstości występowania, ponieważ zakłada się, że ocenzurowani osobnicy pozostają w grupie ryzyka. Gdy obecne są ryzyka konkurencyjne, zamiast estymatora KM należy stosować funkcję skumulowanej częstości występowania (CIF) z regresji Fine-Graya lub modeli hazardu specyficznych dla przyczyny.

Jaka wielkość próby jest potrzebna do uzyskania wiarygodnej estymaty Kaplana-Meiera?

Wiarygodność zależy przede wszystkim od liczby zaobserwowanych zdarzeń, a nie od całkowitej wielkości próby. Z grubsza, potrzeba co najmniej 10–20 zdarzeń na grupę do stabilnych estymacji krzywych, a formalne obliczenia mocy dla testu log-rank powinny być przeprowadzone w oparciu o oczekiwaną częstość zdarzeń, medianę przeżycia i pożądaną moc. Przy długim czasie obserwacji, gdy niewiele uczestników pozostaje w grupie ryzyka (mniej niż ~5–10), krzywa staje się niewiarygodna i powinna być przycięta lub przedstawiona z odpowiednią niepewnością.

Pokrewne metody

Źródła

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

    Otwórz odnośnik DOI
    Skopiowano.
  2. Kaplan–Meier estimator. Wikipedia.

    Otwórz odnośnik do publikacji
    Skopiowano.