การวิเคราะห์การรอดชีพ
- ผู้เสนอ
- Edward L. Kaplan and Paul Meier
- ปี
- 1958
- ประเภท
- Method
- กลุ่มวิธี
- time-event-modeling
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์การรอดชีพคือชุดของวิธีการทางสถิติสำหรับการสร้างแบบจำลองเวลาตั้งแต่จุดเริ่มต้นที่กำหนดจนกว่าเหตุการณ์ที่น่าสนใจจะเกิดขึ้น (โรค การฟื้นตัว การเสียชีวิต ความล้มเหลวของอุปกรณ์) ตัวประมาณค่าแบบไม่ใช้พารามิเตอร์ของ Kaplan และ Meier (1958) และแบบจำลองอัตราเสี่ยงที่แปรผันตามสัดส่วนของ David Cox (1972) ได้เปิดใช้งานการวิเคราะห์ข้อมูลที่ถูกตัดออกร่วมกัน—บุคคลที่มีเวลาเกิดเหตุการณ์ไม่ทราบเนื่องจากพวกเขาออกจากกลุ่มตัวอย่างหรือยังคงปราศจากเหตุการณ์เมื่อติดตามผล มีความสำคัญอย่างยิ่งในด้านเนื้องอกวิทยา โรคหัวใจ การวิจัยโรคติดเชื้อ ความน่าเชื่อถือทางวิศวกรรม และสาขาใดก็ตามที่เวลาจนถึงเหตุการณ์มีความสำคัญ
แนวคิดเบื้องหลังวิธีการ
การศึกษาจำนวนมากติดตามผู้คนเมื่อเวลาผ่านไปจนกว่าพวกเขาจะประสบผลลัพธ์ (การวินิจฉัยโรค การเสียชีวิต) หรือการศึกษาจะสิ้นสุดลง บางคนประสบผลลัพธ์ (เหตุการณ์) ในขณะที่บางคนสิ้นสุดการศึกษาโดยไม่มีผลลัพธ์ (ถูกตัดออก) วิธีการทางสถิติมาตรฐานจะละเลยข้อมูลที่ถูกตัดออกหรือตั้งสมมติฐานที่เข้มงวด ทำให้ผลลัพธ์เอนเอียง การวิเคราะห์การรอดชีพจะพิจารณาการตัดออกและเวลาติดตามผล ทำให้สามารถเปรียบเทียบอัตราเหตุการณ์ระหว่างกลุ่มได้อย่างเหมาะสม ฟังก์ชันการรอดชีพ S(t) = ความน่าจะเป็นที่จะปราศจากเหตุการณ์ ณ เวลา t อัตราเสี่ยง h(t) = อัตราการเกิดเหตุการณ์ทันที ณ เวลา t อัตราส่วนอัตราเสี่ยงเปรียบเทียบอัตราเหตุการณ์ระหว่างกลุ่ม: HR = 1 (ไม่มีความแตกต่าง) HR < 1 (อัตราเสี่ยงลดลง) HR > 1 (อัตราเสี่ยงเพิ่มขึ้น) กรอบงานนี้ช่วยให้นักวิจัยสามารถระบุผลของการรักษา ปัจจัยพยากรณ์ และการแบ่งชั้นความเสี่ยงได้แม้จะมีข้อมูลที่ไม่สมบูรณ์
ประวัติศาสตร์
Kaplan และ Meier ได้นำเสนอตัวประมาณค่าการรอดชีพแบบไม่ใช้พารามิเตอร์ในปี 1958 ซึ่งเป็นการปฏิวัติการวิเคราะห์การทดลองทางคลินิกโดยจัดการกับการตัดออกได้อย่างเหมาะสม แบบจำลองอัตราเสี่ยงที่แปรผันตามสัดส่วนของ David Cox (1972) ได้ขยายไปสู่การตั้งค่าแบบหลายตัวแปร กลายเป็นมาตรฐานสำหรับการปรับค่าตัวแปรร่วม แนวทางฟังก์ชันความควรจะเป็นบางส่วนได้เปิดใช้งานการคำนวณที่มีประสิทธิภาพโดยไม่ต้องระบุฟังก์ชันอัตราเสี่ยงพื้นฐาน การพัฒนาที่ทันสมัย ได้แก่ การถ่วงน้ำหนักความน่าจะเป็นผกผันสำหรับการตัดออกที่มีข้อมูล (Robins, 1993) แบบจำลองอัตราความล้มเหลวที่เร่งความเร็ว (Kalbfleisch & Prentice, 1980) และการวิเคราะห์ความเสี่ยงที่แข่งขันกัน (Fine & Gray, 1999) สำหรับสถานการณ์ที่เหตุการณ์หลายประเภทไม่อนุญาตให้มีการวิเคราะห์เพียงครั้งเดียว
ควรใช้เมื่อใด
ใช้การวิเคราะห์การรอดชีพเมื่อผลลัพธ์ที่น่าสนใจคือเวลาจนถึงเหตุการณ์และข้อมูลมีการตัดออก เนื้องอกวิทยา: เปรียบเทียบการรอดชีพระหว่างแขนงการรักษา (การทดลองแบบสุ่มมาตรฐาน) โรคหัวใจ: วิเคราะห์เวลาจนถึงเหตุการณ์หัวใจและหลอดเลือดที่สำคัญ (MI, โรคหลอดเลือดสมอง) ในการศึกษาแบบกลุ่ม โรคติดเชื้อ: เวลาตั้งแต่การติดเชื้อจนถึงการฟื้นตัวหรือการลุกลาม อุปกรณ์ทางการแพทย์: ความล้มเหลวของอุปกรณ์หรือเวลาในการเปลี่ยนทดแทน วิศวกรรมอุตสาหกรรม: เวลาจนถึงความล้มเหลวของอุปกรณ์ (การวิเคราะห์ความน่าเชื่อถือ) การศึกษาตามยาวใดๆ ที่มีการเข้าร่วมไม่พร้อมกันและ/หรือการถอนตัวก่อนกำหนดสามารถใช้วิธีการวิเคราะห์การรอดชีพได้ หากไม่มีการตัดออก (ผู้เข้าร่วมการศึกษาทั้งหมดได้รับการติดตามจนเสร็จสิ้น) วิธีการที่ง่ายกว่า (t-test, การถดถอยโลจิสติก) ก็เพียงพอแล้ว แม้ว่าการวิเคราะห์การรอดชีพจะยังคงถูกต้องก็ตาม
ข้อจำกัดและข้อควรพิจารณา
- สมมติฐานอัตราเสี่ยงที่แปรผันตามสัดส่วน: แบบจำลอง Cox สมมติว่าผลของการรักษาคงที่ตลอดเวลา การละเมิดต้องใช้วิธีการทางเลือก (แบบจำลองอัตราความล้มเหลวที่เร่งความเร็ว, สัมประสิทธิ์ที่แปรผันตามเวลา, การแบ่งชั้น)
- ข้อมูลเบาบางเมื่อเวลาติดตามผลนาน: การประมาณค่าการรอดชีพจะมีความเสถียรน้อยลงเมื่อผู้เข้าร่วมถูกตัดออก ช่วงความเชื่อมั่นจะกว้างขึ้น จำกัดการอนุมานสำหรับการคาดการณ์เหตุการณ์ล่าช้า
- การตัดออกตามการบริหาร: หากการตัดออกเกี่ยวข้องกับพยากรณ์โรค (การตัดออกที่มีข้อมูล) วิธีการมาตรฐานจะเอนเอียง ต้องใช้แบบจำลองร่วมหรือการถ่วงน้ำหนักความน่าจะเป็นผกผัน
- สมมติฐานความเป็นอิสระแบบมีเงื่อนไขเมื่อกำหนดตัวแปรร่วม; การมีตัวแปรร่วมที่ไม่ได้วัดผลคุกคามการอนุมานเชิงสาเหตุ โดยเฉพาะอย่างยิ่งในการศึกษาเชิงสังเกต
- จำนวนเหตุการณ์น้อยลดกำลังและความเสถียรของสัมประสิทธิ์ Cox โดยทั่วไปต้องการเหตุการณ์ ≥10 ต่อตัวแปรร่วมสำหรับการประมาณค่าที่เสถียร
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จัดการข้อมูลที่ถูกตัดออกอย่างถูกต้องโดยไม่มีความเอนเอียง: ใช้ประโยชน์จากข้อมูลจากบุคคลที่ถูกตัดออก (เวลาติดตามผล) แทนที่จะทิ้งไป
- ประมาณค่าความสัมพันธ์ทั้งแบบตัวแปรเดียว (Kaplan-Meier) และแบบหลายตัวแปร (Cox) ได้อย่างยืดหยุ่น ตัวแปรร่วมพื้นฐานจะถูกปรับค่าโดยไม่ต้องสมมติผลเชิงเส้น
- อัตราส่วนอัตราเสี่ยงเข้าใจง่าย: ตัวชี้วัดเดียวที่เปรียบเทียบอัตราเหตุการณ์ สามารถตีความได้ง่ายโดยแพทย์ และสื่อสารได้ในสิ่งพิมพ์
- ตรวจจับอัตราเสี่ยงที่ไม่แปรผันตามสัดส่วนได้: การวินิจฉัยสมมติฐานจะแจ้งเตือนนักวิจัยเมื่อผลของการรักษาเปลี่ยนแปลงไปตามเวลา แบบจำลองทางเลือก (AFT, การแบ่งชั้น, สัมประสิทธิ์ที่แปรผันตามเวลา) จัดการกับการละเมิด
- การแบ่งชั้นความเสี่ยง: เส้นโค้งการรอดชีพที่คาดการณ์ไว้ช่วยให้แพทย์สามารถวัดพยากรณ์โรคและตัดสินใจการรักษาเฉพาะบุคคลตามลักษณะพื้นฐาน
การประยุกต์ใช้
- การทดลองทางเนื้องอกวิทยา: เปรียบเทียบการรอดชีพโดยรวมและการรอดชีพโดยปราศจากโรคระหว่างสูตรเคมีบำบัด การบำบัดด้วยภูมิคุ้มกัน หรือแนวทางการผ่าตัด การสร้างแนวปฏิบัติมาตรฐาน
- การวิจัยโรคหัวใจและหลอดเลือด: การสร้างแบบจำลองเวลาตั้งแต่ปัจจัยเสี่ยงพื้นฐาน (ความดันโลหิตสูง เบาหวาน การสูบบุหรี่) จนถึงเหตุการณ์ไม่พึงประสงค์หลักครั้งแรก (MI) การพัฒนากลุ่มการทำนายความเสี่ยง
- โรคติดเชื้อ: วิเคราะห์เวลาตั้งแต่การวินิจฉัยจนถึงการกดไวรัส (HIV) การรักษาให้ครบถ้วน (วัณโรค) หรือการปรับปรุงทางคลินิก (COVID-19) เปรียบเทียบประสิทธิภาพการรักษา
- อุปกรณ์และเครื่องมือทางการแพทย์: การทดสอบความน่าเชื่อถือของเครื่องกระตุ้นหัวใจ ข้อเทียม ข้อต่อ หลอดเลือดเทียม การคาดการณ์ความล้มเหลวของอุปกรณ์และประมาณช่วงเวลาการเปลี่ยนทดแทน
- ระบาดวิทยาอาชีวเวชศาสตร์: เวลาตั้งแต่การสัมผัสในอาชีพ (แร่ใยหิน ฝุ่นซิลิกา) จนถึงการวินิจฉัยโรค การวัดปริมาณอันตรายและการกำหนดขีดจำกัดการสัมผัส
วิธีการทำงาน
วิธีการทำงาน
ดำเนินการวิเคราะห์การรอดชีพโดยการกำหนด: (1) วันที่เริ่มต้นการศึกษา (เช่น การวินิจฉัย การเริ่มการรักษา การลงทะเบียนเข้าร่วมการศึกษา) (2) เหตุการณ์ที่น่าสนใจ (เช่น การเสียชีวิต การกลับเป็นซ้ำของโรค) และ (3) ตัวบ่งชี้การตัดออก (ว่าเหตุการณ์เกิดขึ้นหรือถูกตัดออก) ติดตามผู้เข้าร่วมการศึกษาตามระยะเวลาตั้งแต่เริ่มต้นจนถึงการเกิดเหตุการณ์หรือสิ้นสุดการติดตามผล บันทึกตัวแปรสำคัญสองตัว: เวลาจนถึงเหตุการณ์ (วัน/เดือน/ปีตั้งแต่เริ่มต้นจนถึงเหตุการณ์หรือการติดต่อครั้งสุดท้าย) และสถานะเหตุการณ์ (1 = เหตุการณ์เกิดขึ้น, 0 = ถูกตัดออก) รวบรวมลักษณะพื้นฐาน (อายุ กลุ่มการรักษา เครื่องหมายทางชีวภาพ) เป็นตัวแปรร่วม ตรวจสอบให้แน่ใจว่านิยามของเหตุการณ์ได้รับการดำเนินการอย่างชัดเจนและได้รับการตรวจสอบอย่างสม่ำเสมอในผู้เข้าร่วมการศึกษา
สำหรับการวิเคราะห์การรอดชีพเชิงพรรณนา: ใช้วิธี Kaplan-Meier ณ เวลาเกิดเหตุการณ์แต่ละครั้ง t_i คำนวณ S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)] โดยที่ d_i คือจำนวนเหตุการณ์ที่ t_i และ n_i คือจำนวนผู้ที่ยังมีความเสี่ยง (ยังไม่เกิดเหตุการณ์หรือถูกตัดออก) พล็อตเส้นโค้งการรอดชีพสะสมตามกลุ่ม เปรียบเทียบโดยใช้การทดสอบ log-rank (การทดสอบ χ² ของเหตุการณ์ที่สังเกตได้เทียบกับเหตุการณ์ที่คาดหวังภายใต้สมมติฐานว่างที่การรอดชีพเท่ากัน) สำหรับความสัมพันธ์แบบตัวแปรเดียว/หลายตัวแปร: ใช้การถดถอยอัตราเสี่ยงแบบแปรผันตามสัดส่วนของ Cox ฟังก์ชันอัตราเสี่ยง h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...), โดยที่ h₀(t) คืออัตราเสี่ยงพื้นฐานและสัมประสิทธิ์ β วัดผลกระทบของตัวแปรร่วม ประมาณค่าสัมประสิทธิ์โดยใช้ฟังก์ชันความควรจะเป็นบางส่วน คำนวณอัตราส่วนอัตราเสี่ยง (HR) = exp(β) พร้อมช่วงความเชื่อมั่น 95% ทดสอบสมมติฐานอัตราเสี่ยงที่แปรผันตามสัดส่วน: พล็อตเศษเหลือ Schoenfeld และการทดสอบสัมประสิทธิ์ที่แปรผันตามเวลา (p > 0.05 สนับสนุนสมมติฐาน) รายงานดัชนีความสอดคล้อง (C-index): 0.5 = สุ่ม 0.7–0.8 = การจำแนกที่ดี >0.8 = ยอดเยี่ยม
เส้นโค้ง Kaplan-Meier พล็อตความน่าจะเป็นสะสมของการปราศจากเหตุการณ์เมื่อเวลาผ่านไป เส้นโค้งที่แยกออกจากกันตั้งแต่เนิ่นๆ บ่งชี้ถึงผลของการรักษาหรือกลุ่มที่มีนัยสำคัญ ค่า p ของ log-rank ทดสอบความเท่ากันของเส้นโค้งการรอดชีพ; p < 0.05 บ่งชี้ความแตกต่างอย่างมีนัยสำคัญในการรอดชีพ สำหรับการถดถอยของ Cox ให้ตีความอัตราส่วนอัตราเสี่ยงดังนี้: HR = 1.5 สำหรับตัวทำนาย หมายถึงอัตราเสี่ยง (อัตราเหตุการณ์) สูงขึ้น 50% ต่อการเพิ่มขึ้นหนึ่งหน่วย โดยปรับค่าสำหรับตัวแปรร่วมอื่นๆ HR < 1 บ่งชี้อัตราเสี่ยงที่ลดลง (ผลในการป้องกัน) ช่วงความเชื่อมั่นที่ไม่รวม 1 บ่งชี้ความมีนัยสำคัญทางสถิติ ตรวจสอบเศษเหลือ Schoenfeld (พล็อตสัมประสิทธิ์เทียบกับเวลา) เพื่อยืนยันสมมติฐานอัตราเสี่ยงที่แปรผันตามสัดส่วน การละเมิดบ่งชี้ว่าผลกระทบของตัวแปรร่วมเปลี่ยนแปลงไปตามเวลา (การละเมิดบ่งชี้ว่าควรปรับแบบจำลองที่มีสัมประสิทธิ์แปรผันตามเวลาแทน) พล็อตอัตราเสี่ยงสะสมหรืออัตราเสี่ยงพื้นฐานสะสมเพื่อแสดงภาพความเหมาะสมของแบบจำลอง ใช้เส้นโค้งการรอดชีพที่คาดการณ์ไว้ (แบ่งตามกลุ่มการสัมผัสหรือหมวดหมู่ความเสี่ยง) เพื่อสื่อสารผลลัพธ์ทางคลินิก
ข้อผิดพลาดที่พบบ่อย
- การปฏิบัติต่อข้อมูลที่ถูกตัดออกเสมือนเป็นความล้มเหลว: การเข้ารหัสเวลาที่ถูกตัดออกอย่างไม่ถูกต้องว่าเป็นเหตุการณ์จะทำให้การประมาณค่าอัตราเสี่ยงเอนเอียงไปทางลบและอัตราส่วนอัตราเสี่ยงเข้าใกล้ 1
- การไม่ตรวจสอบสมมติฐานอัตราเสี่ยงที่แปรผันตามสัดส่วน: พล็อตเศษเหลือ Schoenfeld หรือทดสอบสัมประสิทธิ์ที่แปรผันตามเวลา การละเมิดทำให้การตีความแบบจำลอง Cox เป็นโมฆะ
- การละเว้นตัวบ่งชี้การตัดออก: ต้องเข้ารหัสสถานะเหตุการณ์อย่างชัดเจน (1 = เกิดขึ้น, 0 = ถูกตัดออก) การเข้ารหัสที่ไม่ถูกต้องนำไปสู่ฟังก์ชันความควรจะเป็นและค่าประมาณที่ไม่ถูกต้อง
- การเปรียบเทียบกลุ่มที่มีเวลาติดตามผลไม่เท่ากันโดยไม่มีการปรับค่า: การวิเคราะห์การรอดชีพจะพิจารณาเวลาติดตามผลที่แตกต่างกัน แต่การเปรียบเทียบจำนวนเหตุการณ์แบบง่ายๆ จะเอนเอียง
- การปรับค่าเกินด้วยตัวแปรร่วมมากเกินไปเมื่อเทียบกับจำนวนเหตุการณ์: การถดถอยของ Cox ที่มีตัวทำนายจำนวนมากและเหตุการณ์น้อย ทำให้เกิดค่าประมาณที่ไม่เสถียรและไม่น่าเชื่อถือ ใช้การถดถอยแบบลงโทษ (ridge, lasso) หรือการลดมิติ
- การใช้เวลาติดตามผลมัธยฐานเป็นเหตุผลในการละเว้นการวิเคราะห์การรอดชีพ: เวลาติดตามผลมัธยฐานอธิบายข้อมูล แต่ไม่สามารถทดแทนการวิเคราะห์เวลาเหตุการณ์รายบุคคลได้อย่างเหมาะสม
คำถามที่พบบ่อย
อัตราส่วนอัตราเสี่ยง 0.6 หมายความว่าอย่างไร และแตกต่างจากความเสี่ยงสัมพัทธ์อย่างไร
อัตราส่วนอัตราเสี่ยง (HR) เท่ากับ 0.6 หมายความว่าอัตราเหตุการณ์ทันที (อัตราเสี่ยง) เท่ากับ 60% ของกลุ่มอ้างอิง ณ เวลาใดก็ตาม โดยปรับค่าสำหรับตัวแปรร่วม ซึ่งเทียบเท่ากับการลดความเสี่ยงลง 40% HR มาจากการวิเคราะห์การรอดชีพ/Cox ความเสี่ยงสัมพัทธ์ (RR) มาจากข้อมูลกลุ่มหรือการทดลอง: RR = [อุบัติการณ์ในกลุ่มที่สัมผัส] / [อุบัติการณ์ในกลุ่มที่ไม่สัมผัส] HR ประมาณค่า RR เมื่อเหตุการณ์เกิดขึ้นน้อย (<10%) แต่จะแตกต่างกันไปเมื่อผลลัพธ์เกิดขึ้นบ่อย HR เปรียบเทียบอัตราเหตุการณ์โดยเฉพาะ โดยพิจารณาการตัดออกและเวลาติดตามผล; RR ไม่จำเป็นต้องใช้วิธีการวิเคราะห์การรอดชีพ ควรรายงานมาตรวัดที่คุณใช้เสมอ
สมมติฐานอัตราเสี่ยงที่แปรผันตามสัดส่วนคืออะไร และฉันควรทำอย่างไรหากถูกละเมิด
สมมติฐานอัตราเสี่ยงที่แปรผันตามสัดส่วนหมายความว่าผลของการรักษา (อัตราส่วนอัตราเสี่ยง) คงที่ตลอดเวลา ทดสอบโดยการพล็อตเศษเหลือ Schoenfeld เทียบกับเวลา แนวโน้มบ่งชี้ถึงการละเมิด หรืออีกทางหนึ่ง ปรับแบบจำลองสัมประสิทธิ์ที่แปรผันตามเวลา: รวมการปฏิสัมพันธ์ระหว่างตัวแปรร่วมกับฟังก์ชันของเวลา (เช่น ลอการิทึมของเวลา) หากสมมติฐานถูกละเมิด ตัวเลือก ได้แก่: (1) แบ่งการวิเคราะห์ตามตัวแปรที่มีปัญหา (อัตราเสี่ยงพื้นฐานแยกกัน) (2) ใช้แบบจำลองอัตราความล้มเหลวที่เร่งความเร็ว (AFT) หรือ (3) รายงานผลการรักษา ณ เวลาที่กำหนด (เช่น การรอดชีพ 1 ปี 5 ปี) แยกกัน ควรตรวจสอบและรายงานเกี่ยวกับสมมติฐานนี้เสมอ
ฉันควรตีความค่า p ของการทดสอบ log-rank ในการวิเคราะห์ Kaplan-Meier ของฉันอย่างไร
การทดสอบ log-rank เปรียบเทียบจำนวนเหตุการณ์ที่สังเกตได้ในแต่ละกลุ่มกับจำนวนที่คาดหวังภายใต้สมมติฐานว่าง (เส้นโค้งการรอดชีพเท่ากัน) p < 0.05 บ่งชี้ความแตกต่างอย่างมีนัยสำคัญทางสถิติในการรอดชีพระหว่างกลุ่ม เช่นเดียวกับค่า p ทั้งหมด ค่านี้ทดสอบสมมติฐานว่างแบบจุด; ค่า p ที่สูงไม่ได้พิสูจน์ว่าการรอดชีพเท่ากัน เพียงแต่ไม่มีหลักฐานเพียงพอที่จะปฏิเสธความเท่ากัน นอกจากนี้ ควรรายงานเวลาการรอดชีพมัธยฐานและค่าความน่าจะเป็นการรอดชีพ ณ จุดเวลาสำคัญ (1 ปี 5 ปี) ช่วงความเชื่อมั่น และจำนวนผู้ที่ยังมีความเสี่ยงในแต่ละช่วงบนแผนภาพ Kaplan-Meier
ฉันควรจัดการกับผลลัพธ์หลายรายการ (เช่น การกลับเป็นซ้ำของโรคและการเสียชีวิต) อย่างไร
เมื่อมีเหตุการณ์ที่แตกต่างกันหลายอย่างที่เป็นไปได้ ให้ใช้การวิเคราะห์ความเสี่ยงที่แข่งขันกัน หากคุณสร้างแบบจำลองการกลับเป็นซ้ำของโรคด้วยการถดถอยของ Cox โดยไม่สนใจการเสียชีวิต คุณจะทำให้ค่าประมาณเอนเอียงเนื่องจากการเสียชีวิตจะตัดการติดตามผลการกลับเป็นซ้ำ แบบจำลองอัตราเสี่ยงย่อย Fine-Gray จะแยกความน่าจะเป็นโดยรวมของแต่ละเหตุการณ์ คำนวณฟังก์ชันความน่าจะเป็นสะสม (CIF) สำหรับแต่ละประเภทของเหตุการณ์ (ไม่ใช่ 1 ลบด้วยเหตุการณ์อื่น) เปรียบเทียบโดยใช้การทดสอบของ Gray แนวทางนี้มีความสำคัญในด้านเนื้องอกวิทยา (การกลับเป็นซ้ำเทียบกับการเสียชีวิตที่ไม่ใช่จากมะเร็ง) และโรคหัวใจ (MI เทียบกับโรคหลอดเลือดสมอง)
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วCox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว