Skip to content
กลับไปยังผลการค้นหา

การวิเคราะห์ Kaplan-Meier — การประมาณค่าการรอดชีพแบบนอนพาราเมตริก

ผู้เสนอ
Edward L. Kaplan and Paul Meier
ปี
1958
ประเภท
Nonparametric survival estimator
กลุ่มวิธี
Clinical / epidemiology

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวิเคราะห์ Kaplan-Meier (KM) เป็นวิธีการแบบนอนพาราเมตริกสำหรับการประมาณค่าฟังก์ชันการรอดชีพจากข้อมูลเวลาจนถึงเหตุการณ์ การวิเคราะห์นี้ซึ่งนำเสนอโดย Kaplan และ Meier ในปี 1958 สร้างเส้นโค้งการรอดชีพแบบขั้นบันไดคลาสสิกที่แสดงความน่าจะเป็นของการรอดชีวิตเกินกว่าเวลาที่สังเกตการณ์เหตุการณ์แต่ละครั้ง โดยคำนึงถึงการสังเกตการณ์ที่ถูกเซ็นเซอร์อย่างถูกต้อง — ผู้เข้าร่วมที่ออกจาก การศึกษา หรือยังไม่ประสบเหตุการณ์เมื่อสิ้นสุดการติดตามผล ถือเป็นหนึ่งในเทคนิคที่ใช้กันอย่างแพร่หลายที่สุดในการวิจัยทางคลินิกและระบาดวิทยา

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพการติดตามกลุ่มผู้ป่วยมะเร็งเพื่อดูว่าพวกเขาจะมีชีวิตรอดนานเท่าใดหลังการรักษา ผู้ป่วยบางรายเสียชีวิตระหว่างการศึกษา (เหตุการณ์ที่สังเกตการณ์ได้); ผู้ป่วยรายอื่นยังมีชีวิตอยู่เมื่อการศึกษาจบลงหรือออกไป (ถูกเซ็นเซอร์) ค่าเฉลี่ยอย่างง่ายจะละเลยการเซ็นเซอร์และประเมินค่าการรอดชีวิตต่ำเกินไป แทนที่จะเป็นเช่นนั้น ตัวประมาณค่า Kaplan-Meier จะคูณความน่าจะเป็นของการรอดชีวิตแบบมีเงื่อนไขเป็นชุด — โอกาสในการรอดชีวิตในแต่ละช่วงเวลาเหตุการณ์ที่ตามมา โดยพิจารณาจากการรอดชีวิตจนถึงจุดนั้น — ทำให้เกิดเส้นโค้งแบบขั้นบันไดที่ลดลงเฉพาะเมื่อเกิดเหตุการณ์จริง การสังเกตการณ์ที่ถูกเซ็นเซอร์จะลดกลุ่มเสี่ยง แต่จะไม่ถูกนับเป็นเหตุการณ์ ดังนั้นข้อมูลของพวกเขาจะถูกนำไปใช้จนถึงช่วงเวลาที่พวกเขาออกไป

ประวัติศาสตร์

การวิเคราะห์ Kaplan-Meier มีต้นกำเนิดมาจากบทความสำคัญในปี 1958 โดย Edward L. Kaplan และ Paul Meier ในวารสาร Journal of the American Statistical Association Meier ได้พัฒนาตัวประมาณค่าผลคูณ-ขีดจำกัด (product-limit estimator) อย่างอิสระ บรรณาธิการวารสารได้ตระหนักถึงงานที่ขนานกันและสนับสนุนให้มีการตีพิมพ์ร่วมกัน บทความนี้ในตอนแรกได้รับการตอบรับอย่างพอประมาณ แต่ต่อมาได้กลายเป็นหนึ่งในบทความทางวิทยาศาสตร์ที่มีการอ้างอิงถึงมากที่สุดตลอดกาล การทดสอบ log-rank ที่มาพร้อมกันได้รับการพัฒนาโดย Nathan Mantel ในปี 1966 วิธีการนี้กลายเป็นศูนย์กลางของการรายงานการทดลองทางคลินิกตั้งแต่ทศวรรษที่ 1970 เป็นต้นมา และหน่วยงานกำกับดูแลทั่วโลกคาดหวังเส้นโค้ง KM เป็นส่วนหนึ่งของการยื่นเอกสารการวิเคราะห์เวลาจนถึงเหตุการณ์ทั้งหมด

ควรใช้เมื่อใด

ใช้การวิเคราะห์ Kaplan-Meier เมื่อใดก็ตามที่ผลลัพธ์คือเวลาจนถึงเหตุการณ์เดียวที่กำหนดไว้อย่างชัดเจน (การเสียชีวิต การกลับเป็นซ้ำ การจำหน่าย การล้มเหลวของการรักษา) และเวลาการติดตามผลแตกต่างกันไปในแต่ละผู้เข้าร่วม ถือเป็นขั้นตอนแรกมาตรฐานในการวิเคราะห์การรอดชีพใดๆ และเหมาะสมสำหรับการทดลองแบบสุ่มและการศึกษากลุ่มประชากรเชิงสังเกต ควรเลือกใช้เส้นโค้ง KM สำหรับการแสดงผลเชิงพรรณนาและการเปรียบเทียบกลุ่มเมื่อสมมติฐานอัตราส่วนความเสี่ยงคงที่ยังคงอยู่; เปลี่ยนไปใช้การถดถอย Cox เมื่อคุณต้องการปรับสำหรับตัวแปรร่วมหลายตัวพร้อมกัน อย่าใช้ KM เมื่อเหตุการณ์ไม่สามารถเกิดขึ้นได้มากกว่าหนึ่งครั้งต่อคน และมีเหตุการณ์ที่แข่งขันกัน (เช่น การเสียชีวิตจากสาเหตุอื่นก่อนเกิดเหตุการณ์ที่สนใจ) — ให้ใช้วิธีการวิเคราะห์ความเสี่ยงที่แข่งขันกันแทน KM ยังไม่เหมาะสมเมื่อการเซ็นเซอร์มีแนวโน้มที่จะให้ข้อมูล เมื่อจำเป็นต้องปรับตัวแปรร่วมอย่างต่อเนื่อง หรือเมื่อผลลัพธ์เป็นแบบทวิภาคมากกว่าแบบเวลาจนถึงเหตุการณ์

ข้อจำกัดและข้อควรพิจารณา

  • ไม่สามารถปรับสำหรับตัวแปรร่วมหลายตัวพร้อมกันได้ — ใช้การถดถอยอัตราส่วนความเสี่ยงคงที่ (Cox proportional hazards) สำหรับค่าประมาณที่ปรับตามตัวแปรร่วม
  • ตั้งสมมติฐานว่าการเซ็นเซอร์ไม่ให้ข้อมูล; ค่าประมาณจะเอนเอียงหากการเซ็นเซอร์สัมพันธ์กับการพยากรณ์โรค
  • ไม่สามารถจัดการกับเหตุการณ์ที่เกิดซ้ำหรือความเสี่ยงที่แข่งขันกันได้หากไม่มีการขยายไปยังวิธีการที่เชี่ยวชาญมากขึ้น
  • การทดสอบ log-rank ที่เปรียบเทียบเส้นโค้งมีกำลังลดลงเมื่ออัตราส่วนความเสี่ยงเปลี่ยนแปลงไปตามเวลา (เส้นโค้งตัดกันหรือบรรจบกัน)
  • ค่าประมาณจะไม่มีเสถียรภาพเมื่อเวลาติดตามผลนานขึ้นเมื่อมีผู้เข้าร่วมจำนวนน้อยที่ยังคงมีความเสี่ยง

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ไม่ขึ้นกับพารามิกรโดยสิ้นเชิง — ไม่ตั้งสมมติฐานเกี่ยวกับรูปร่างของการแจกแจงการรอดชีพ
  • รวมการสังเกตการณ์ที่ถูกเซ็นเซอร์อย่างถูกต้อง โดยใช้เวลาการติดตามผลที่มีอยู่ทั้งหมดให้เกิดประโยชน์สูงสุด
  • สร้างภาพที่เข้าใจง่ายและตีความได้ทันที (เส้นโค้งการรอดชีพแบบขั้นบันได)
  • เวลาการรอดชีวิตมัธยฐานพร้อมช่วงความเชื่อมั่นสามารถหาได้ง่ายในฐานะสถิติสรุป
  • เป็นที่เข้าใจอย่างกว้างขวางในกลุ่มผู้เชี่ยวชาญด้านคลินิก ระบาดวิทยา และหน่วยงานกำกับดูแล

การประยุกต์ใช้

  • การเปรียบเทียบการรอดชีวิตโดยรวมระหว่างแขนงการรักษาในการทดลองแบบสุ่มและมีกลุ่มควบคุมด้านเนื้องอกวิทยา
  • การประมาณเวลาการกลับเข้ารับการรักษาในโรงพยาบาลหลังการผ่าตัดหัวใจในการศึกษากลุ่มประชากรโรคหัวใจและหลอดเลือด
  • การรายงานการรอดชีวิตโดยปราศจากโรค (progression-free survival) ในการยื่นเอกสารกำกับดูแลสำหรับยาเนื้องอกวิทยาตัวใหม่
  • การวิเคราะห์เวลาการหยุดการรักษาหรือการเริ่มเกิดเหตุการณ์ไม่พึงประสงค์ในการศึกษาเภสัชเฝ้าระวัง
  • การประมาณค่าการรอดชีวิตของกราฟต์ในทะเบียนการปลูกถ่ายและงานวิจัยการปฏิเสธอวัยวะ
  • การอธิบายเวลาการกลับเป็นซ้ำหลังการผ่าตัดเอาเนื้องอกออกในกลุ่มผู้ป่วยมะเร็งลำไส้ใหญ่หรือมะเร็งเต้านม

วิธีการทำงาน

วิธีการทำงาน

1

ระบุเหตุการณ์ที่สนใจ (เช่น การเสียชีวิต การกลับเป็นซ้ำของโรค การกลับเข้ารับการรักษาในโรงพยาบาล) จุดเริ่มต้นของเวลา (เช่น วันที่สุ่ม วันที่วินิจฉัย) และกลไกการเซ็นเซอร์ ผู้เข้าร่วมแต่ละคนจะให้ข้อมูลเวลาการรอดชีพและตัวบ่งชี้เหตุการณ์ (1 = เกิดเหตุการณ์, 0 = ถูกเซ็นเซอร์) ตรวจสอบให้แน่ใจว่าการเซ็นเซอร์นั้นไม่ให้ข้อมูล — กล่าวคือ ผู้เข้าร่วมที่ถูกเซ็นเซอร์ไม่ควรมีความแตกต่างอย่างเป็นระบบในด้านการพยากรณ์โรคจากผู้ที่ยังคงมีความเสี่ยง

2

เรียงลำดับเวลาเหตุการณ์ที่สังเกตการณ์ได้ทั้งหมดจากน้อยไปมาก การเสมอกัน (เหตุการณ์หลายครั้งในเวลาเดียวกัน) จะแก้ไขตามข้อตกลงมาตรฐาน ที่เวลาเหตุการณ์ที่แตกต่างกันแต่ละครั้ง t_i ให้บันทึก n_i (จำนวนผู้เข้าร่วมที่มีความเสี่ยงก่อน t_i เล็กน้อย) และ d_i (จำนวนเหตุการณ์ที่ t_i) การสังเกตการณ์ที่ถูกเซ็นเซอร์ซึ่งเกิดขึ้นระหว่างเวลาเหตุการณ์ที่ต่อเนื่องกันจะลด n_i สำหรับขั้นตอนถัดไป แต่จะไม่ถูกนับเป็นเหตุการณ์

3

คำนวณความน่าจะเป็นของการรอดชีวิตที่เวลาเหตุการณ์แต่ละครั้งโดยใช้สูตรผลคูณ-ขีดจำกัด: S(t) = ผลคูณตลอดทุก t_i <= t ของ (1 - d_i / n_i) ค่าประมาณจะเริ่มต้นที่ S(0) = 1 และลดลงเป็นขั้นๆ เฉพาะที่เวลาเหตุการณ์ โดยคงที่ระหว่างเหตุการณ์ วิธีนี้ไม่ได้ตั้งสมมติฐานใดๆ เกี่ยวกับการแจกแจงของเวลาการรอดชีวิตพื้นฐาน

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

การสังเกตการณ์ที่ถูกเซ็นเซอร์ — ผู้เข้าร่วมที่สูญเสียการติดตามผล ถอนตัว หรือไม่ประสบเหตุการณ์เมื่อสิ้นสุดการศึกษา — จะถูกรวมเข้าด้วยการนำออกจากกลุ่มเสี่ยง ณ เวลาที่ถูกเซ็นเซอร์ หลังจากมีส่วนร่วมในตัวหาร n_i จนถึงจุดนั้น การจัดการการเซ็นเซอร์อย่างเหมาะสมเป็นสิ่งสำคัญ: หากการเซ็นเซอร์ให้ข้อมูล (สัมพันธ์กับการพยากรณ์โรค) ค่าประมาณ KM จะมีความเอนเอียงและจำเป็นต้องใช้วิธีการที่ซับซ้อนกว่า

5

เมื่อเปรียบเทียบสองกลุ่มขึ้นไป (เช่น กลุ่มที่ได้รับการรักษาเทียบกับกลุ่มควบคุม) จะมีการประมาณค่าเส้นโค้ง KM แยกกันสำหรับแต่ละกลุ่ม และเส้นโค้งจะถูกแสดงร่วมกัน การทดสอบ log-rank (หรือการทดสอบ Mantel-Cox) ให้การทดสอบนัยสำคัญอย่างเป็นทางการสำหรับสมมติฐานว่างที่ว่าฟังก์ชันการรอดชีวิตเท่ากัน การทดสอบ log-rank มีกำลังมากที่สุดเมื่ออัตราส่วนความเสี่ยงระหว่างกลุ่มคงที่โดยประมาณตลอดเวลา (สมมติฐานอัตราส่วนความเสี่ยงคงที่); มีรูปแบบที่ถ่วงน้ำหนัก เช่น Wilcoxon-Breslow เมื่อความแตกต่างในช่วงต้นมีความสำคัญมากกว่า

6

แสดงเส้นโค้ง KM ด้วยกราฟพร้อมตารางจำนวนผู้ที่ยังคงมีความเสี่ยงอยู่ใต้แกน x รายงานเวลาการรอดชีวิตมัธยฐาน (เวลาที่ S(t) ตัดผ่าน 0.5) พร้อมช่วงความเชื่อมั่น 95% (โดยทั่วไปคือสูตรของ Greenwood) หากมีการเปรียบเทียบ ให้รายงานค่า p-value ของ log-rank และอัตราส่วนความเสี่ยงจากแบบจำลอง Cox ระบุขนาดตัวอย่างทั้งหมด จำนวนเหตุการณ์ และระยะเวลาการติดตามผล

ข้อผิดพลาดที่พบบ่อย

  • การละเลยความเสี่ยงที่แข่งขันกัน — การใช้ KM เมื่อผู้เข้าร่วมสามารถประสบเหตุการณ์ที่แข่งขันกันได้ (เช่น การเสียชีวิตก่อนการกลับเป็นซ้ำ) จะนำไปสู่การประเมินค่าอุบัติการณ์สะสมของเหตุการณ์ที่สนใจสูงเกินไป; ให้ใช้วิธีการฟังก์ชันอุบัติการณ์สะสม (CIF) จากการถดถอย Fine-Gray หรือแบบจำลองอัตราความเสี่ยงเฉพาะสาเหตุแทน
  • การแสดงเส้นโค้งโดยไม่มีตารางจำนวนผู้ที่ยังคงมีความเสี่ยง — ส่วนท้ายของเส้นโค้งที่อิงตามบุคคลจำนวนน้อยมากนั้นไม่น่าเชื่อถือและทำให้เข้าใจผิดได้หากไม่มีบริบท
  • การเซ็นเซอร์ที่ให้ข้อมูล — หากผู้ป่วยถูกเซ็นเซอร์เนื่องจากอาการทรุดโทรมและเปลี่ยนการรักษา กลุ่มที่รอดชีวิตจะถูกเลือกอย่างประดิษฐ์ขึ้น ควรพิจารณาการวิเคราะห์ความไวหรือการถ่วงน้ำหนักความน่าจะเป็นของการเซ็นเซอร์แบบผกผัน
  • การรายงานเฉพาะค่า p-value ของ log-rank โดยไม่มีขนาดผลกระทบ — ค่า p-value แสดงถึงนัยสำคัญ แต่ไม่ใช่ขนาดของความแตกต่าง; ควรรายงานควบคู่ไปกับอัตราส่วนความเสี่ยงและช่วงความเชื่อมั่นจากการถดถอย Cox เสมอ
  • เส้นโค้งการรอดชีวิตตัดกันด้วยการทดสอบ log-rank เพียงครั้งเดียว — เมื่อเส้นโค้งตัดกัน การทดสอบ log-rank อาจไม่มีนัยสำคัญแม้ว่าจะมีความแตกต่างที่แท้จริงในช่วงต้นหรือช่วงปลายก็ตาม; เวลาการรอดชีวิตเฉลี่ยที่จำกัด (restricted mean survival time) หรือการทดสอบ log-rank แบบถ่วงน้ำหนักจะให้ข้อมูลมากกว่า

คำถามที่พบบ่อย

อะไรคือความแตกต่างระหว่างเส้นโค้ง Kaplan-Meier และเส้นโค้งอัตราความเสี่ยงสะสม (cumulative hazard curve)?

เส้นโค้ง KM แสดง S(t) ซึ่งคือความน่าจะเป็นของการรอดชีวิต (ไม่ประสบเหตุการณ์) เกินกว่าเวลา t ซึ่งลดลงจาก 1 ไปสู่ 0 อัตราความเสี่ยงสะสม H(t) = -log S(t) จะเพิ่มขึ้นตามเวลาและแสดงถึงความเสี่ยงทันทีที่สะสม ทั้งสองเป็นตัวแทนที่เทียบเท่ากันของข้อมูลพื้นฐานเดียวกัน อัตราความเสี่ยงสะสมจะเป็นเส้นตรงบนสเกลลอการิทึมภายใต้การแจกแจงแบบเอกซ์โพเนนเชียล ทำให้มีประโยชน์สำหรับการตรวจสอบแบบจำลอง

เมื่อใดที่ฉันควรใช้การทดสอบ log-rank เทียบกับแบบจำลอง Cox เพื่อเปรียบเทียบกลุ่ม?

ใช้การทดสอบ log-rank เมื่อคุณต้องการการทดสอบนัยสำคัญแบบนอนพาราเมตริกอย่างง่ายที่เปรียบเทียบเส้นโค้ง KM ที่ไม่ได้ปรับสองเส้นขึ้นไป ใช้การถดถอย Cox เมื่อคุณต้องการปรับสำหรับตัวแปรกวน รวมตัวทำนายแบบต่อเนื่อง หรือได้รับอัตราส่วนความเสี่ยงเป็นขนาดผลกระทบสรุป ทั้งสองวิธีตั้งสมมติฐานอัตราส่วนความเสี่ยงคงที่; เมื่อสมมติฐานนั้นถูกละเมิด ให้พิจารณาการวิเคราะห์เวลาการรอดชีวิตเฉลี่ยที่จำกัด

ฉันจะคำนวณช่วงความเชื่อมั่นสำหรับเวลาการรอดชีวิตมัธยฐานได้อย่างไร?

แนวทางมาตรฐานใช้สูตรของ Greenwood เพื่อประมาณค่าความแปรปรวนของ S(t) จากนั้นสร้างแถบความเชื่อมั่นแบบจุดต่อจุดรอบเส้นโค้ง ช่วงความเชื่อมั่นสำหรับค่ามัธยฐานคือชุดของจุดเวลาที่แถบความเชื่อมั่นตัดกับเส้นความน่าจะเป็น 0.5 ซอฟต์แวร์ทางสถิติส่วนใหญ่ (แพ็กเกจ survival ของ R, SAS LIFETEST, Stata stci) จะคำนวณสิ่งนี้โดยอัตโนมัติ

ฉันสามารถใช้ Kaplan-Meier เมื่อฉันมีความเสี่ยงที่แข่งขันกันได้หรือไม่?

การวิเคราะห์ KM มาตรฐานปฏิบัติต่อเหตุการณ์ที่แข่งขันกัน (เช่น การเสียชีวิตจากสาเหตุอื่นก่อนเหตุการณ์ที่สนใจ) เป็นการสังเกตการณ์ที่ถูกเซ็นเซอร์ ซึ่งนำไปสู่การประเมินค่าอุบัติการณ์สะสมสูงเกินไป เนื่องจากผู้เข้าร่วมที่ถูกเซ็นเซอร์จะถูกสันนิษฐานว่ายังคงมีความเสี่ยง เมื่อมีความเสี่ยงที่แข่งขันกัน ให้ใช้ฟังก์ชันอุบัติการณ์สะสม (CIF) จากการถดถอย Fine-Gray หรือแบบจำลองอัตราความเสี่ยงเฉพาะสาเหตุแทนตัวประมาณค่า KM

ต้องใช้ขนาดตัวอย่างเท่าใดจึงจะได้ค่าประมาณ Kaplan-Meier ที่เชื่อถือได้?

ความน่าเชื่อถือขึ้นอยู่กับจำนวนเหตุการณ์ที่สังเกตการณ์ได้เป็นหลัก แทนที่จะเป็นขนาดตัวอย่างทั้งหมด โดยประมาณแล้ว ต้องการเหตุการณ์อย่างน้อย 10–20 เหตุการณ์ต่อกลุ่มสำหรับการประมาณค่าเส้นโค้งที่เสถียร และควรทำการคำนวณกำลังการทดสอบอย่างเป็นทางการสำหรับการทดสอบ log-rank โดยพิจารณาจากอัตราเหตุการณ์ที่คาดการณ์ไว้ เวลาการรอดชีวิตมัธยฐาน และกำลังการทดสอบที่ต้องการ ที่เวลาติดตามผลนานซึ่งมีผู้เข้าร่วมจำนวนน้อยที่ยังคงมีความเสี่ยง (น้อยกว่าประมาณ 5–10) เส้นโค้งจะไม่มีความน่าเชื่อถือและควรถูกตัดออกหรือนำเสนอพร้อมกับความไม่แน่นอนที่เหมาะสม

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Kaplan–Meier estimator. Wikipedia.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว