Skip to content
Назад к результатам поиска

Анализ Каплана-Майера — непараметрическая оценка выживаемости

Автор метода
Edward L. Kaplan and Paul Meier
Год
1958
Тип
Nonparametric survival estimator
Семейство
Clinical / epidemiology

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Анализ Каплана-Майера (KM) — это непараметрический метод оценки функции выживаемости на основе данных о времени до наступления события.

Предложенный Капланом и Майером в 1958 году, он позволяет построить классическую ступенчатую кривую выживаемости, показывающую вероятность выжить после каждого наблюдаемого времени события, корректно учитывая цензурированные наблюдения — участников, которые выбыли из исследования или еще не испытали событие к концу наблюдения. Это один из наиболее широко используемых методов в клинических и эпидемиологических исследованиях.

Интуиция метода

Представьте, что вы наблюдаете за группой пациентов с онкологическими заболеваниями, чтобы выяснить, как долго они живут после лечения. Некоторые умирают во время исследования (наблюдаемые события); другие остаются в живых к концу исследования или выбывают (цензурированы). Простое усреднение игнорирует цензурирование и занижает выживаемость. Оценщик Каплана-Майера вместо этого перемножает ряд условных вероятностей выживаемости — шансы выжить после каждого последующего времени события при условии выживаемости до этого момента — получая ступенчатую кривую, которая падает только при фактическом наступлении события. Цензурированные наблюдения уменьшают группу риска, но не считаются событиями, поэтому их информация используется до момента их выбытия.

История

Анализ Каплана-Майера берет свое начало в знаковой статье Эдварда Л. Каплана и Пола Майера 1958 года, опубликованной в Journal of the American Statistical Association. Майер независимо вывел оценку произведения пределов; редактор журнала распознал параллельную работу и способствовал совместной публикации. Статья изначально вызвала скромный интерес, но со временем стала одной из наиболее цитируемых научных статей за всю историю. Сопутствующий лог-ранговый тест был разработан Натаном Мантелем в 1966 году. Метод стал центральным в отчетности по клиническим испытаниям с 1970-х годов, и регуляторные органы по всему миру теперь ожидают кривые KM как часть любой заявки на анализ времени до наступления события.

Когда применять

Используйте анализ Каплана-Майера всякий раз, когда конечным результатом является время до одного четко определенного события (смерть, рецидив, выписка, неудача лечения), а время наблюдения варьируется у участников. Это стандартный первый шаг в любом анализе выживаемости, подходящий как для рандомизированных испытаний, так и для наблюдательных когортных исследований. Предпочитайте кривые KM для описательного отображения и сравнения групп, когда выполняется предположение о пропорциональных рисках; переходите к регрессии Кокса, когда необходимо одновременно учитывать несколько ковариат. Не используйте KM, когда событие не может произойти более одного раза на человека и присутствуют конкурирующие события (например, смерть от другой причины до наступления интересующего события) — вместо этого используйте анализ конкурирующих рисков. KM также непригоден, когда цензурирование, вероятно, будет информативным, когда требуется корректировка на непрерывные ковариаты или когда конечным результатом является бинарный показатель, а не время до наступления события.

Ограничения и замечания

  • Невозможно одновременно скорректировать несколько конфаундеров — используйте пропорциональные риски Кокса для оценок с поправкой на ковариаты.
  • Предполагает неинформативное цензурирование; при информативном цензурировании, связанном с прогнозом, получаются смещенные оценки.
  • Не обрабатывает рекуррентные события или конкурирующие риски без расширения до более специализированных методов.
  • Лог-ранговый тест, сравнивающий кривые, имеет сниженную мощность, когда отношение рисков меняется со временем (пересекающиеся или сходящиеся кривые).
  • Оценки становятся нестабильными при длительном наблюдении, когда остается мало участников в группе риска.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Полностью непараметрический — не делает предположений о форме распределения выживаемости.
  • Корректно учитывает цензурированные наблюдения, максимально используя все доступное время наблюдения.
  • Позволяет получить интуитивно понятное, легко интерпретируемое визуальное представление (ступенчатую кривую выживаемости).
  • Медианная выживаемость с доверительными интервалами легко определяется как сводная статистика.
  • Широко понятен аудиториям в клинической, эпидемиологической и регуляторной сферах.

Применение

  • Сравнение общей выживаемости между группами лечения в рандомизированных контролируемых испытаниях онкологических заболеваний.
  • Оценка времени до повторной госпитализации после кардиохирургической операции в когортных исследованиях сердечно-сосудистых заболеваний.
  • Представление выживаемости без прогрессирования в регуляторных заявках на новые онкологические препараты.
  • Анализ времени до прекращения лечения или возникновения нежелательного явления в исследованиях фармаконадзора.
  • Оценка выживаемости трансплантата в регистрах трансплантации и исследованиях отторжения органов.
  • Описание времени до рецидива после хирургического удаления при колоректальном или раке молочной железы.

Как это работает

Как это работает

1

Укажите интересующее событие (например, смерть, рецидив заболевания, повторная госпитализация), точку отсчета времени (например, дату рандомизации, дату постановки диагноза) и механизм цензурирования. Каждый участник предоставляет время выживаемости и индикатор события (1 = событие произошло, 0 = цензурировано). Убедитесь, что цензурирование неинформативно — то есть, участники, которые цензурированы, не должны систематически отличаться по прогнозу от тех, кто остается в группе риска.

2

Отсортируйте все наблюдаемые времена событий от наименьшего к наибольшему. При совпадении времен (несколько событий в один и тот же момент времени) используется стандартное соглашение. Для каждого отдельного времени события t_i запишите n_i (количество участников в группе риска непосредственно перед t_i) и d_i (количество событий в t_i). Цензурированные наблюдения, происходящие между последовательными временами событий, уменьшают n_i для последующих шагов, но не учитываются как события.

3

Вычислите вероятность выживаемости в каждое время события, используя формулу произведения пределов: S(t) = произведение по всем t_i <= t от (1 - d_i / n_i). Оценка начинается с S(0) = 1 и уменьшается ступенчато только во времена событий, оставаясь постоянной между событиями. Это не предполагает никаких предположений о базовом распределении времен выживаемости.

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

Цензурированные наблюдения — участники, потерянные при последующем наблюдении, выбывшие или не испытавшие событие к моменту окончания исследования — включаются путем исключения их из группы риска в момент их цензурирования, после того как они внесли свой вклад в знаменатель n_i до этого момента. Правильная обработка цензурирования имеет решающее значение: если цензурирование информативно (связано с прогнозом), оценка KM будет смещенной, и потребуются более сложные методы.

5

При сравнении двух или более групп (например, группа лечения против контрольной группы) для каждой группы оценивается отдельная кривая KM, и кривые отображаются вместе. Лог-ранговый тест (или тест Мантеля-Кокса) обеспечивает формальный тест значимости для нулевой гипотезы о равенстве функций выживаемости. Лог-ранговый тест наиболее эффективен, когда отношение рисков между группами примерно постоянно во времени (предположение о пропорциональных рисках); существуют взвешенные варианты, такие как тест Уилкоксона-Бреслоу, когда ранние различия представляют больший интерес.

6

Представьте кривые KM графически с таблицей количества участников в группе риска под осью X. Укажите медианное время выживаемости (время, при котором S(t) пересекает 0.5) с 95% доверительными интервалами (обычно по формуле Гринвуда). Если проводилось сравнение, укажите p-значение лог-рангового теста и отношение рисков из модели Кокса. Укажите общий размер выборки, количество событий и продолжительность наблюдения.

Частые ошибки

  • Игнорирование конкурирующих рисков — использование KM при наличии конкурирующих событий (например, смерть до рецидива) приводит к завышению кумулятивной частоты интересующего события; вместо этого используйте функцию кумулятивной частоты (CIF) из регрессии Файна-Грея или модели причинно-специфических рисков.
  • Представление кривых без таблицы количества участников в группе риска — поздние участки кривой, основанные на очень малом числе индивидуумов, ненадежны и вводят в заблуждение без контекста.
  • Информативное цензурирование — если пациенты цензурируются из-за ухудшения состояния и смены лечения, выжившая когорта является искусственно отобранной; следует рассмотреть анализы чувствительности или взвешивание по обратному вероятностному цензурированию.
  • Представление только p-значения лог-рангового теста без показателя эффекта — p-значение указывает на значимость, но не на величину различия; всегда сопровождайте его отношением рисков и доверительным интервалом из регрессии Кокса.
  • Пересекающиеся кривые выживаемости с одним лог-ранговым тестом — когда кривые пересекаются, лог-ранговый тест может быть незначимым, даже если существует реальное раннее или позднее различие; ограниченное среднее время выживаемости или взвешенные лог-ранговые тесты более информативны.

Часто задаваемые вопросы

В чем разница между кривой Каплана-Майера и кумулятивной кривой риска?

Кривая KM показывает S(t) — вероятность выжить (не испытать событие) после времени t, которая уменьшается от 1 к 0. Кумулятивный риск H(t) = -log S(t) увеличивается со временем и представляет собой накопленный мгновенный риск. Оба являются эквивалентными представлениями одних и тех же базовых данных; кумулятивный риск является линейным в логарифмическом масштабе при экспоненциальном распределении, что делает его полезным для проверки моделей.

Когда следует использовать лог-ранговый тест по сравнению с моделью Кокса для сравнения групп?

Используйте лог-ранговый тест, когда вам нужен простой непараметрический тест значимости, сравнивающий две или более нескорректированные кривые KM. Используйте регрессию Кокса, когда вам нужно скорректировать конфаундеры, включить непрерывные предикторы или получить отношение рисков в качестве сводного показателя эффекта. Оба подхода предполагают пропорциональные риски; когда это предположение нарушено, рассмотрите анализ ограниченного среднего времени выживаемости.

Как рассчитать доверительный интервал для медианной выживаемости?

Стандартный подход применяет формулу Гринвуда для оценки дисперсии S(t), затем строит точечные доверительные полосы вокруг кривой. Доверительный интервал для медианы — это набор временных точек, где доверительная полоса пересекает линию вероятности 0.5. Большинство статистических программ (пакет R survival, SAS LIFETEST, Stata stci) вычисляют это автоматически.

Можно ли использовать Каплана-Майера при наличии конкурирующих рисков?

Стандартный анализ KM рассматривает конкурирующие события (например, смерть от другой причины до интересующего события) как цензурированные наблюдения, что приводит к завышению кумулятивной частоты, поскольку предполагается, что цензурированные индивидуумы остаются в группе риска. При наличии конкурирующих рисков вместо оценщика KM используйте функцию кумулятивной частоты (CIF) из регрессии Файна-Грея или модели причинно-специфических рисков.

Какой размер выборки необходим для надежной оценки Каплана-Майера?

Надежность зависит в первую очередь от количества наблюдаемых событий, а не от общего размера выборки. Грубо говоря, для стабильных оценок кривой требуется не менее 10–20 событий на группу, а формальные расчеты мощности для лог-рангового теста должны проводиться на основе ожидаемой частоты событий, медианной выживаемости и желаемой мощности. При длительном наблюдении, когда остается мало участников в группе риска (менее ~5–10), кривая становится ненадежной и должна быть усечена или представлена с соответствующей неопределенностью.

Похожие методы

Источники

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

    Открыть ссылку DOI
    Скопировано.
  2. Kaplan–Meier estimator. Wikipedia.

    Открыть ссылку на публикацию
    Скопировано.