Анализ выживаемости
- Автор метода
- Edward L. Kaplan and Paul Meier
- Год
- 1958
- Тип
- Method
- Семейство
- time-event-modeling
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Анализ выживаемости — это совокупность статистических методов моделирования времени от определенной начальной точки до наступления интересующего события (болезнь, выздоровление, смерть, отказ оборудования).
Непараметрический оценщик Каплана-Майера (1958) и модель пропорционального риска Дэвида Кокса (1972) совместно позволили анализировать цензурированные данные — данные об индивидуумах, время наступления события для которых неизвестно, поскольку они покинули исследование или оставались без события к моменту окончания наблюдения. Незаменимый метод в онкологии, кардиологии, исследованиях инфекционных заболеваний, анализе надежности в инженерии и любой области, где важно время до наступления события.
Интуиция метода
Многие исследования отслеживают людей с течением времени до наступления у них исхода (диагностика заболевания, смерть) или до окончания исследования. У некоторых индивидуумов исход наступает (события), в то время как другие достигают завершения исследования без наступления исхода (цензурирование). Стандартные статистические методы игнорируют цензурированные данные или делают сильные предположения, что приводит к смещенным результатам. Анализ выживаемости учитывает цензурирование и время наблюдения, позволяя корректно сравнивать частоту событий между группами. Функция выживаемости S(t) = вероятность отсутствия события к моменту времени t. Кратность риска h(t) = мгновенная скорость наступления события к моменту времени t. Отношение рисков сравнивает частоту событий между группами: HR = 1 (нет разницы), HR < 1 (сниженный риск), HR > 1 (повышенный риск). Эта структура позволяет исследователям выявлять эффекты лечения, прогностические факторы и стратификацию риска, несмотря на неполные данные.
История
Каплан и Майер представили свой непараметрический оценщик выживаемости в 1958 году, революционизировав анализ клинических испытаний путем корректной обработки цензурирования. Модель пропорционального риска Дэвида Кокса (1972) расширила этот подход на многомерные ситуации, став стандартом для корректировки по ковариатам. Подход частичного правдоподобия позволил эффективно вычислять оценки без указания функции базового риска. Современные разработки включают взвешивание по обратному вероятностному распределению для информативного цензурирования (Robins, 1993), модели ускоренного времени отказа (Kalbfleisch & Prentice, 1980) и анализ конкурирующих рисков (Fine & Gray, 1999) для ситуаций, где несколько типов событий исключают единый анализ.
Когда применять
Используйте анализ выживаемости, когда интересующий исход — это время до наступления события, а данные содержат цензурирование. Онкология: сравнение выживаемости между группами лечения (стандартные рандомизированные испытания). Кардиология: анализ времени до сердечно-сосудистых событий (ИМ, инсульт) в когортных исследованиях. Инфекционные заболевания: время от заражения до выздоровления или прогрессирования. Медицинские имплантаты: время отказа устройства или его замены. Промышленная инженерия: время отказа оборудования (анализ надежности). Любое продольное исследование с поэтапным включением и/или ранним выбытием может использовать методы анализа выживаемости. Если цензурирование отсутствует (все участники наблюдались до завершения), более простые методы (t-критерий, логистическая регрессия) достаточны, хотя анализ выживаемости остается валидным.
Ограничения и замечания
- Предположение о пропорциональности рисков: модель Кокса предполагает постоянный эффект лечения во времени; нарушения требуют альтернативных методов (модели ускоренного времени отказа, ковариаты, зависящие от времени, стратификация).
- Малое количество событий при длительном наблюдении: оценки выживаемости становятся менее стабильными по мере цензурирования участников; доверительные интервалы расширяются, ограничивая выводы для прогнозирования поздних событий.
- Административное цензурирование: если цензурирование связано с прогнозом (информативное цензурирование), стандартные методы дают смещенные результаты; требуется совместное моделирование или взвешивание по обратному вероятностному распределению.
- Предполагает условную независимость при заданных ковариатах; неучтенное смешивающее влияние ставит под угрозу причинно-следственные выводы, особенно в наблюдательных исследованиях.
- Малое число событий снижает мощность и стабильность коэффициентов Кокса; как правило, требуется ≥10 событий на ковариату для стабильной оценки.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Корректно обрабатывает цензурированные данные без смещения: использует информацию от цензурированных индивидуумов (время наблюдения), а не отбрасывает их.
- Гибко оценивает как унивариационные (Каплан-Майер), так и мультивариационные (Кокс) ассоциации; ковариаты исходного уровня корректируются без предположения о линейных эффектах.
- Отношения рисков интуитивно понятны: единый показатель, сравнивающий частоту событий, легко интерпретируемый клиницистами и используемый в публикациях.
- Выявляет непропорциональные риски: диагностические тесты предупреждают исследователей, когда эффекты лечения меняются со временем; альтернативные модели (AFT, стратификация, ковариаты, зависящие от времени) устраняют нарушения.
- Стратификация риска: предсказанные кривые выживаемости позволяют клиницистам количественно оценить прогноз и индивидуализировать решения о лечении на основе исходных характеристик.
Применение
- Онкологические испытания: сравнение общей выживаемости и выживаемости без прогрессирования между схемами химиотерапии, иммунотерапии или хирургическими подходами; установление стандартов лечения.
- Сердечно-сосудистые исследования: моделирование времени от исходных факторов риска (гипертония, диабет, курение) до первого серьезного неблагоприятного сердечно-сосудистого события; разработка алгоритмов прогнозирования риска.
- Инфекционные заболевания: анализ времени от постановки диагноза до подавления вируса (ВИЧ), завершения лечения (туберкулез) или клинического улучшения (COVID-19); сравнение эффективности лечения.
- Медицинские устройства и имплантаты: испытания на надежность кардиостимуляторов, искусственных суставов, стентов; прогнозирование отказа устройства и оценка интервалов замены.
- Профессиональная эпидемиология: время от профессионального воздействия (асбест, пыль кремния) до постановки диагноза заболевания; количественная оценка риска и установление пределов воздействия.
Как это работает
Как это работает
Проведение анализа выживаемости включает определение: (1) даты начала исследования (например, постановка диагноза, начало лечения, включение в исследование), (2) интересующего события (например, смерть, рецидив заболевания) и (3) индикатора цензурирования (произошло ли событие или оно было цензурировано). Участники отслеживаются проспективно от исходного уровня до наступления события или окончания наблюдения. Записываются две ключевые переменные: время до наступления события (дни/месяцы/годы от начала до события или последнего контакта) и статус события (1 = событие произошло, 0 = цензурировано). Собираются исходные характеристики (возраст, группа лечения, биомаркеры) в качестве ковариат. Необходимо обеспечить четкую операционализацию определений событий и их последовательное установление для всех участников.
Для описательной статистики выживаемости: используйте метод Каплана-Майера. В каждый момент времени наступления события t_i, рассчитайте S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)], где d_i — число событий в момент t_i, а n_i — число лиц, находящихся в группе риска (еще не имели события или были цензурированы). Постройте графики кумулятивных кривых выживаемости по группам; сравните с помощью лог-рангового критерия (критерий χ² наблюдаемых против ожидаемых событий при нулевой гипотезе о равной выживаемости). Для унивариационной/мультивариационной ассоциации: используйте регрессию пропорционального риска Кокса. Функция риска h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...), где h₀(t) — базовый риск, а коэффициенты β количественно оценивают эффекты ковариат. Оцените коэффициенты с помощью частичного правдоподобия; рассчитайте отношения рисков (HR) = exp(β) с 95% доверительными интервалами. Проверьте предположение о пропорциональности рисков: графики остатков Шенфельда и тесты на ковариаты, зависящие от времени (p > 0.05 подтверждает предположение). Сообщите индекс согласованности (C-index): 0.5 = случайный, 0.7–0.8 = хорошая дискриминация, >0.8 = отличная.
Кривые Каплана-Майера отображают кумулятивную вероятность отсутствия события с течением времени; кривые, расходящиеся рано, указывают на сильные эффекты лечения или группы. p-значение лог-рангового критерия проверяет равенство кривых выживаемости; p < 0.05 указывает на статистически значимое различие в выживаемости. Для регрессии Кокса интерпретируйте отношения рисков следующим образом: HR = 1.5 для предиктора означает 50% более высокий риск (частоту событий) на единицу увеличения, с учетом других ковариат. HR < 1 указывает на сниженный риск (защитный эффект). Доверительные интервалы, не включающие 1, указывают на статистическую значимость. Изучите остатки Шенфельда (постройте график коэффициента в зависимости от времени), чтобы проверить предположение о пропорциональности рисков; отклонения указывают на то, что эффект ковариаты меняется со временем (нарушение предполагает подгонку модели с ковариатами, зависящими от времени). Постройте график кумулятивного риска или кумулятивного базового риска для визуализации соответствия модели. Используйте предсказанные кривые выживаемости (стратифицированные по группам воздействия или категориям риска) для клинической интерпретации результатов.
Частые ошибки
- Обработка цензурированных данных как отказов: некорректное кодирование цензурированных времен как событий смещает оценки риска вниз, а отношения рисков — к 1.
- Непроверка предположения о пропорциональности рисков: постройте графики остатков Шенфельда или проверьте ковариаты, зависящие от времени; нарушение делает интерпретацию модели Кокса недействительной.
- Пропуск индикаторов цензурирования: необходимо явно кодировать статус события (1 = произошло, 0 = цензурировано); неправильное кодирование приводит к некорректному правдоподобию и оценкам.
- Сравнение групп с разным временем наблюдения без корректировки: анализ выживаемости учитывает различное время наблюдения, но наивное сравнение числа событий смещено.
- Переобучение при слишком большом количестве ковариат по отношению к числу событий: регрессия Кокса с большим числом предикторов и малым числом событий дает нестабильные, ненадежные оценки; используйте регуляризованную регрессию (ridge, lasso) или снижение размерности.
- Использование медианы времени наблюдения как оправдания для отказа от анализа выживаемости: медиана времени наблюдения описывает данные, но не заменяет надлежащий анализ индивидуального времени наблюдения.
Часто задаваемые вопросы
Что означает отношение рисков 0.6 и чем оно отличается от относительного риска?
Отношение рисков (HR) 0.6 означает, что мгновенная частота событий (риск) составляет 60% от референтной группы в любой момент времени, с учетом ковариат — эквивалентно 40% снижению риска. HR получено из анализа выживаемости/Кокса. Относительный риск (RR) получен из данных когортных исследований или испытаний: RR = [заболеваемость в экспонированной группе] / [заболеваемость в неэкспонированной группе]. HR аппроксимирует RR, когда события редки (<10%), но они расходятся при частых исходах. HR конкретно сравнивает частоту событий, учитывая цензурирование и время наблюдения; RR не требует методологии анализа выживаемости. Всегда указывайте, какую меру вы используете.
Что такое предположение о пропорциональности рисков и что делать, если оно нарушено?
Предположение о пропорциональности рисков означает, что эффект лечения (отношение рисков) постоянен во времени. Проверьте его, построив график остатков Шенфельда в зависимости от времени; наличие тренда указывает на нарушение. Альтернативно, подгоните модель с ковариатами, зависящими от времени: включите взаимодействие между ковариатой и функцией времени (например, логарифм времени). Если предположение нарушено, варианты включают: (1) стратификацию анализа по проблемной переменной (отдельные базовые риски), (2) использование моделей ускоренного времени отказа (AFT) или (3) отдельное сообщение об эффекте лечения в конкретные моменты времени (например, выживаемость через 1 год, 5 лет). Всегда проверяйте и сообщайте об этом предположении.
Как интерпретировать p-значение лог-рангового критерия в моем анализе Каплана-Майера?
Лог-ранговый критерий сравнивает наблюдаемое число событий в каждой группе с числом, ожидаемым при нулевой гипотезе (равные кривые выживаемости). p < 0.05 указывает на статистически значимое различие в выживаемости между группами. Как и все p-значения, он проверяет точечную нулевую гипотезу; большое p-значение не доказывает равенство выживаемости, а лишь недостаточность доказательств для отклонения равенства. Также сообщайте медианное время выживаемости и вероятности выживаемости в ключевые моменты времени (1 год, 5 лет), доверительные интервалы и число лиц в группе риска в каждом интервале на графике Каплана-Майера.
Как обрабатывать множественные исходы (например, рецидив заболевания и смерть)?
Когда возможны множественные различные события, используйте анализ конкурирующих рисков. Если вы моделируете рецидив заболевания с помощью регрессии Кокса, игнорируя смерть, вы смещаете оценки, поскольку смерть цензурирует наблюдение за рецидивом. Модель субраспределения рисков Файна-Грея разделяет маргинальную вероятность каждого события. Рассчитайте кумулятивную функцию частоты (CIF) для каждого типа события (не 1 минус другие); сравните с помощью критерия Грея. Этот подход необходим в онкологии (рецидив против смерти от других причин) и кардиологии (ИМ против инсульта).
Похожие методы
Источники
Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.
Открыть ссылку DOIСкопировано.Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220.
Открыть ссылку DOIСкопировано.