Przejdź do treści
Wróć do wyników wyszukiwania

Analiza przeżycia

Autor metody
Edward L. Kaplan and Paul Meier
Rok
1958
Typ
Method
Rodzina
time-event-modeling

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

Rozmiar czcionki

Do czego służy?

Analiza przeżycia to zbiór metod statystycznych do modelowania czasu od zdefiniowanego punktu początkowego do wystąpienia interesującego zdarzenia (choroba, wyzdrowienie, śmierć, awaria sprzętu).

Nieparametryczny estymator Kaplana i Meiera (1958) oraz model proporcjonalnego hazardu Davida Coxa (1972) wspólnie umożliwiły analizę danych cenzurowanych – osób, których czas do zdarzenia jest nieznany, ponieważ opuściły badanie lub były nadal wolne od zdarzenia w okresie obserwacji. Niezbędna w onkologii, kardiologii, badaniach chorób zakaźnych, inżynierii niezawodności i każdej dziedzinie, gdzie liczy się czas do wystąpienia zdarzenia.

Intuicja stojąca za metodą

W wielu badaniach obserwuje się ludzi w czasie, aż do momentu wystąpienia u nich określonego wyniku (diagnoza choroby, śmierć) lub do zakończenia badania. U niektórych osób występuje zdarzenie (zdarzenia), podczas gdy inni docierają do końca badania bez wystąpienia zdarzenia (cenzurowanie). Standardowe metody statystyczne ignorują dane cenzurowane lub opierają się na silnych założeniach, co prowadzi do błędnych wyników. Analiza przeżycia uwzględnia cenzurowanie i czas obserwacji, umożliwiając właściwe porównanie częstości zdarzeń między grupami. Funkcja przeżycia S(t) = prawdopodobieństwo braku zdarzenia w czasie t. Hazard h(t) = chwilowa szybkość występowania zdarzenia w czasie t. Hazard ratio porównuje częstości zdarzeń między grupami: HR = 1 (brak różnicy), HR < 1 (zmniejszony hazard), HR > 1 (zwiększony hazard). Ta struktura pozwala badaczom identyfikować efekty leczenia, czynniki prognostyczne i stratyfikację ryzyka pomimo niekompletnych danych.

Historia

Kaplan i Meier wprowadzili swój nieparametryczny estymator przeżycia w 1958 roku, rewolucjonizując analizę badań klinicznych poprzez poprawne uwzględnienie cenzurowania. Model proporcjonalnego hazardu Davida Coxa (1972) rozszerzył to na ustawienia wieloczynnikowe, stając się standardem dla korekty o kowariaty. Podejście oparte na funkcji wiarygodności częściowej umożliwiło efektywne obliczenia bez konieczności określania bazowej funkcji hazardu. Nowoczesne rozwinięcia obejmują ważenie odwrotnością prawdopodobieństwa dla cenzurowania informacyjnego (Robins, 1993), modele przyspieszonego czasu przeżycia (accelerated failure time models, AFT) (Kalbfleisch & Prentice, 1980) oraz analizę rywalizujących ryzyk (competing risks analysis) (Fine & Gray, 1999) dla sytuacji, gdzie wiele typów zdarzeń uniemożliwia pojedynczą analizę.

Kiedy stosować

Stosuje się analizę przeżycia, gdy interesującym wynikiem jest czas do wystąpienia zdarzenia, a dane zawierają cenzurowanie. Onkologia: porównanie przeżycia między ramionami leczenia (standardowe badania randomizowane). Kardiologia: analiza czasu do zdarzeń sercowo-naczyniowych (zawał, udar) w badaniach kohortowych. Choroby zakaźne: czas od infekcji do wyzdrowienia lub progresji. Implanty medyczne: czas do awarii urządzenia lub jego wymiany. Inżynieria przemysłowa: czas do awarii sprzętu (analiza niezawodności). Każde badanie podłużne z wprowadzaniem etapowym i/lub wczesnym wycofaniem się uczestników może wykorzystywać metody analizy przeżycia. Jeśli nie ma cenzurowania (wszyscy uczestnicy obserwowani do końca), wystarczające są prostsze metody (test t, regresja logistyczna), chociaż analiza przeżycia pozostaje ważna.

Ograniczenia i uwagi

  • Założenie o proporcjonalności hazardów: model Coxa zakłada stały efekt leczenia w czasie; naruszenia wymagają alternatywnych metod (modele przyspieszonego czasu przeżycia, współczynniki zależne od czasu, stratyfikacja).
  • Niewielka liczba zdarzeń przy długim czasie obserwacji: oszacowania przeżycia stają się mniej stabilne w miarę cenzurowania uczestników; przedziały ufności poszerzają się, ograniczając wnioskowanie dla przewidywania późnych zdarzeń.
  • Cenzurowanie administracyjne: jeśli cenzurowanie jest związane z rokowaniem (cenzurowanie informacyjne), standardowe metody są błędne; wymaga to wspólnego modelowania lub ważenia odwrotnością prawdopodobieństwa.
  • Zakłada warunkową niezależność przy danych kowariatach; niezmierzony czynnik zakłócający zagraża wnioskowaniu przyczynowemu, szczególnie w badaniach obserwacyjnych.
  • Mała liczba zdarzeń zmniejsza moc i stabilność współczynników Coxa; zazwyczaj potrzeba ≥10 zdarzeń na kowariatę do stabilnego oszacowania.

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

Mocne strony

  • Poprawnie obsługuje dane cenzurowane bez błędów: wykorzystuje informacje od ocenzurowanych uczestników (czas obserwacji) zamiast ich odrzucać.
  • Elastycznie szacuje związki zarówno jednoczynnikowe (Kaplan-Meier), jak i wieloczynnikowe (Cox); kowariaty bazowe są uwzględniane bez zakładania liniowych efektów.
  • Hazard ratio są intuicyjne: pojedyncza miara porównująca częstości zdarzeń, łatwa do interpretacji przez klinicystów i komunikowania w publikacjach.
  • Wykrywalne nieliniowe hazardy: diagnostyka założeń ostrzega badaczy, gdy efekty leczenia zmieniają się w czasie; alternatywne modele (AFT, stratyfikacja, współczynniki zależne od czasu) adresują naruszenia.
  • Stratyfikacja ryzyka: przewidywane krzywe przeżycia pozwalają klinicystom kwantyfikować rokowanie i indywidualizować decyzje terapeutyczne na podstawie charakterystyk wyjściowych.

Zastosowania

  • Badania onkologiczne: porównanie przeżycia całkowitego i przeżycia wolnego od choroby między schematami chemioterapii, immunoterapiami lub podejściami chirurgicznymi; ustalanie standardów opieki.
  • Badania sercowo-naczyniowe: modelowanie czasu od wyjściowych czynników ryzyka (nadciśnienie, cukrzyca, palenie) do pierwszego poważnego niepożądanego zdarzenia sercowego; opracowywanie algorytmów przewidywania ryzyka.
  • Choroby zakaźne: analiza czasu od diagnozy do supresji wirusa (HIV), ukończenia leczenia (gruźlica) lub poprawy klinicznej (COVID-19); porównanie skuteczności leczenia.
  • Urządzenia i implanty medyczne: testowanie niezawodności rozruszników serca, sztucznych stawów, stentów; przewidywanie awarii urządzenia i szacowanie interwałów wymiany.
  • Epidemiologia zawodowa: czas od narażenia zawodowego (azbest, pył krzemionkowy) do diagnozy choroby; kwantyfikowanie hazardu i ustalanie limitów narażenia.

Jak to działa

Jak to działa

1

Przeprowadza się analizę przeżycia poprzez zdefiniowanie: (1) daty rozpoczęcia badania (np. diagnozy, rozpoczęcia leczenia, włączenia do badania), (2) interesującego zdarzenia (np. śmierci, nawrotu choroby) oraz (3) wskaźnika cenzurowania (czy zdarzenie wystąpiło, czy zostało ocenzurowane). Uczestników obserwuje się prospektywnie od punktu wyjściowego do momentu wystąpienia zdarzenia lub końca obserwacji. Zapisuje się dwie kluczowe zmienne: czas do zdarzenia (dni/miesiące/lata od początku do zdarzenia lub ostatniego kontaktu) oraz status zdarzenia (1 = zdarzenie wystąpiło, 0 = ocenzurowano). Zbiera się charakterystyki wyjściowe (wiek, grupa leczona, biomarkery) jako kowariaty. Należy zapewnić, aby definicje zdarzeń były jasno zoperacjonalizowane i konsekwentnie ustalane u wszystkich uczestników.

2

Dla opisowej analizy przeżycia: stosuje się metodę Kaplana-Meiera. W każdym czasie zdarzenia t_i oblicza się S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)], gdzie d_i to liczba zdarzeń w czasie t_i, a n_i to liczba osób zagrożonych (jeszcze nie doświadczających zdarzenia ani ocenzurowanych). Wykreśla się krzywe przeżycia skumulowanego według grup; porównuje się je za pomocą testu log-rank (test χ² zaobserwowanych vs oczekiwanych zdarzeń przy hipotezie zerowej o równych przeżyciach). Dla analizy związków jednoczynnikowej/wieloczynnikowej: stosuje się regresję proporcjonalnego hazardu Coxa. Funkcja hazardu h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...), gdzie h₀(t) to bazowy hazard, a współczynniki β kwantyfikują efekty kowariat. Współczynniki szacuje się za pomocą funkcji wiarygodności częściowej; oblicza się hazard ratio (HR) = exp(β) wraz z 95% przedziałami ufności. Testuje się założenie o proporcjonalności hazardów: wykresy reszt Schoenfelda i testy zmiennych w czasie współczynników (p > 0,05 potwierdza założenie). Raportuje się indeks zgodności (C-index): 0,5 = losowy, 0,7–0,8 = dobra dyskryminacja, >0,8 = doskonała.

3

Krzywe Kaplana-Meiera przedstawiają skumulowane prawdopodobieństwo pozostania bez zdarzenia w czasie; krzywe, które rozchodzą się wcześnie, sugerują silne efekty leczenia lub grupy. Wartość p testu log-rank testuje równość krzywych przeżycia; p < 0,05 wskazuje na istotną statystycznie różnicę w przeżyciu. W regresji Coxa, hazard ratio interpretuje się jako: HR = 1,5 dla predyktora oznacza 50% wyższy hazard (częstość zdarzeń) na jednostkę wzrostu, przy uwzględnieniu innych kowariat. HR < 1 wskazuje na zmniejszony hazard (efekt ochronny). Przedziały ufności wykluczające 1 wskazują na istotność statystyczną. Analizuje się reszty Schoenfelda (wykres współczynnika w funkcji czasu), aby zweryfikować założenie o proporcjonalności hazardów; odejścia od niego wskazują, że efekt kowariaty zmienia się w czasie (naruszenie sugeruje dopasowanie modelu ze współczynnikami zależnymi od czasu). Wykreśla się skumulowany hazard lub skumulowany bazowy hazard, aby zwizualizować dopasowanie modelu. Używa się przewidywanych krzywych przeżycia (stratyfikowanych według grup ekspozycji lub kategorii ryzyka), aby przekazać wyniki w sposób kliniczny.

Częste pułapki

  • Traktowanie danych cenzurowanych jako zdarzeń: błędne kodowanie czasów cenzurowania jako zdarzeń zaniża oszacowania hazardu i przybliża hazard ratio do 1.
  • Niesprawdzenie założenia o proporcjonalności hazardów: wykres reszt Schoenfelda lub test współczynników zależnych od czasu; naruszenie unieważnia interpretację modelu Coxa.
  • Pominięcie wskaźników cenzurowania: należy jawnie kodować status zdarzenia (1 = wystąpiło, 0 = ocenzurowano); błędne kodowanie prowadzi do nieprawidłowej funkcji wiarygodności i oszacowań.
  • Porównywanie grup z nierównymi czasami obserwacji bez korekty: analiza przeżycia uwzględnia zmienny czas obserwacji, ale naiwne porównanie liczby zdarzeń jest błędne.
  • Przeuczenie (overfitting) przy zbyt wielu kowariatach w stosunku do liczby zdarzeń: regresja Coxa z wieloma predyktorami i niewielką liczbą zdarzeń daje niestabilne, nierzetelne oszacowania; stosuje się regresję z regularyzacją (ridge, lasso) lub redukcję wymiarowości.
  • Używanie mediany czasu obserwacji jako uzasadnienia do pominięcia analizy przeżycia: mediana czasu obserwacji opisuje dane, ale nie zastępuje właściwej analizy indywidualnych czasów do zdarzenia.

Najczęściej zadawane pytania

Co oznacza hazard ratio wynoszący 0,6 i czym różni się od ryzyka względnego?

Hazard ratio (HR) wynoszący 0,6 oznacza, że chwilowa częstość zdarzeń (hazard) wynosi 60% grupy referencyjnej w dowolnym momencie, przy uwzględnieniu kowariat – co odpowiada 40% redukcji ryzyka. HR pochodzi z analizy przeżycia/modelu Coxa. Ryzyko względne (RR) pochodzi z danych kohortowych lub badań: RR = [incydencja w grupie narażonej] / [incydencja w grupie nienarażonej]. HR przybliża RR, gdy zdarzenia są rzadkie (<10%), ale rozbiegają się przy częstych wynikach. HR specyficznie porównuje częstości zdarzeń, uwzględniając cenzurowanie i czas obserwacji; RR nie wymaga metodologii analizy przeżycia. Zawsze należy podać, którą miarę się stosuje.

Czym jest założenie o proporcjonalności hazardów i co zrobić, jeśli zostanie naruszone?

Założenie o proporcjonalności hazardów oznacza, że efekt leczenia (hazard ratio) jest stały w czasie. Testuje się je, rysując reszty Schoenfelda w funkcji czasu; trend sugeruje naruszenie. Alternatywnie, można dopasować model ze współczynnikami zależnymi od czasu: uwzględnić interakcję między kowariatą a funkcją czasu (np. logarytmem czasu). Jeśli założenie zostanie naruszone, dostępne opcje to: (1) stratyfikacja analizy według problematycznej zmiennej (oddzielne hazardy bazowe), (2) użycie modeli przyspieszonego czasu przeżycia (AFT), lub (3) raportowanie efektu leczenia w określonych punktach czasowych (np. przeżycie 1-roczne, 5-letnie) oddzielnie. Zawsze należy sprawdzać i raportować to założenie.

Jak interpretować wartość p testu log-rank w mojej analizie Kaplana-Meiera?

Test log-rank porównuje obserwowaną liczbę zdarzeń w każdej grupie z liczbą oczekiwaną przy hipotezie zerowej (równe krzywe przeżycia). Wartość p < 0,05 wskazuje na statystycznie istotną różnicę w przeżyciu między grupami. Podobnie jak wszystkie wartości p, testuje ona hipotezę zerową; duża wartość p nie dowodzi równości przeżycia, a jedynie brak wystarczających dowodów do odrzucenia hipotezy o równości. Należy również podać medianę czasu przeżycia i prawdopodobieństwa przeżycia w kluczowych punktach czasowych (1-roczne, 5-letnie), przedziały ufności oraz liczbę osób zagrożonych w każdym przedziale na wykresie Kaplana-Meiera.

Jak radzić sobie z wieloma wynikami (np. nawrót choroby i śmierć)?

Gdy możliwe jest wystąpienie wielu różnych zdarzeń, stosuje się analizę rywalizujących ryzyk. Jeśli modeluje się nawrót choroby za pomocą regresji Coxa, ignorując śmierć, zniekształca się oszacowania, ponieważ śmierć cenzuruje obserwację nawrotu. Model subdywizji hazardów Fine-Graya rozdziela marginalne prawdopodobieństwo każdego zdarzenia. Oblicza się skumulowaną funkcję incydencji (CIF) dla każdego typu zdarzenia (nie 1 minus pozostałe); porównuje się ją za pomocą testu Graya. To podejście jest niezbędne w onkologii (nawrót vs śmierć niezwiązana z rakiem) i kardiologii (zawał vs udar).

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

    Otwórz odnośnik DOI
    Skopiowano.