Kaplan-Meier Analizi — Nonparametrik Sağkalım Tahmini
- Ortaya koyan
- Edward L. Kaplan and Paul Meier
- Yıl
- 1958
- Tür
- Nonparametric survival estimator
- Aile
- Clinical / epidemiology
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Kaplan-Meier (KM) analizi, zaman-olay verilerinden sağkalım fonksiyonunu tahmin etmek için kullanılan parametrik olmayan bir yöntemdir.
Kaplan ve Meier tarafından 1958'de tanıtılan bu analiz, gözlemlenen her olay zamanının ötesinde hayatta kalma olasılığını gösteren klasik basamak fonksiyonlu sağkalım eğrisini üretir ve sansürlenmiş gözlemleri — çalışmadan ayrılan veya takip süresi sonunda henüz olayı yaşamamış katılımcıları — doğru bir şekilde hesaba katar. Klinik ve epidemiyolojik araştırmalarda en yaygın kullanılan tekniklerden biridir.
Yöntemin mantığı
Bir grup kanser hastasını tedavi sonrası ne kadar yaşadıklarını görmek için takip ettiğinizi düşünün. Bazıları çalışma sırasında ölür (gözlemlenen olaylar); diğerleri çalışma bittiğinde hala hayattadır veya çalışmadan ayrılır (sansürlenmiş). Basit bir ortalama, sansürlemeyi göz ardı eder ve sağkalımı eksik tahmin eder. Kaplan-Meier tahmincisi bunun yerine bir dizi koşullu sağkalım olasılığını — o noktaya kadar hayatta kalındığı varsayıldığında her ardışık olay zamanında hayatta kalma şansını — çarparak, yalnızca gerçek bir olay meydana geldiğinde düşen bir basamak fonksiyonu eğrisi elde eder. Sansürlenmiş gözlemler risk kümesini azaltır ancak olay olarak sayılmaz, bu nedenle bilgileri ayrıldıkları ana kadar kullanılır.
Tarih
Kaplan-Meier analizi, Edward L. Kaplan ve Paul Meier'in Journal of the American Statistical Association'da 1958 tarihli dönüm noktası niteliğindeki makalesinden kaynaklanmaktadır. Meier, ürün-limit tahmincisini bağımsız olarak türetmişti; bir dergi editörü paralel çalışmayı fark etti ve ortak bir yayın yapmayı teşvik etti. Makale başlangıçta mütevazı bir ilgiyle karşılandı ancak şimdiye kadar yayınlanmış en çok alıntı yapılan bilimsel makalelerden biri haline geldi. Eşlik eden log-rank testi Nathan Mantel tarafından 1966'da geliştirildi. Yöntem, 1970'lerden itibaren klinik araştırma raporlamasının merkezine oturdu ve dünya çapındaki düzenleyici kurumlar artık herhangi bir zaman-olay analizi sunumunun bir parçası olarak KM eğrilerini beklemektedir.
Ne zaman kullanılır?
Sonuç tek, iyi tanımlanmış bir olaya (ölüm, nüks, taburculuk, tedavi başarısızlığı) kadar geçen süre olduğunda ve takip süreleri katılımcılar arasında değiştiğinde Kaplan-Meier analizini kullanın. Herhangi bir sağkalım analizinde standart ilk adımdır ve hem randomize kontrollü çalışmalar hem de gözlemsel kohort çalışmaları için uygundur. Orantılı tehlikeler varsayımı geçerli olduğunda tanımlayıcı gösterim ve grup karşılaştırması için KM eğrilerini tercih edin; birden fazla kovaryatı aynı anda ayarlamanız gerektiğinde Cox regresyonuna geçin. Olayın kişi başına birden fazla kez meydana gelemeyeceği ve rakip olayların (örn. ilgilenilen olaydan önce farklı bir nedenden ölüm) mevcut olduğu durumlarda KM kullanmayın — bunun yerine rakip riskler analizini kullanın. KM ayrıca sansürlemenin bilgilendirici olma olasılığı yüksek olduğunda, sürekli kovaryat ayarlaması gerektiğinde veya sonucun zaman-olay yerine ikili olduğunda da uygun değildir.
Sınırlar ve dikkat edilmesi gerekenler
- Birden fazla karıştırıcı faktörü aynı anda ayarlayamaz — kovaryat ayarlı tahminler için Cox orantılı tehlikeler modelini kullanın.
- Bilgilendirici olmayan sansürleme varsayar; sansürleme prognozla ilişkiliyse yanlı tahminler ortaya çıkar.
- Daha özel yöntemlere genişletilmeden tekrarlayan olayları veya rakip riskleri ele almaz.
- Eğrileri karşılaştıran log-rank testinin, tehlike oranı zamanla değiştiğinde (kesişen veya yakınsayan eğriler) gücü azalır.
- Az sayıda katılımcının risk altında kaldığı uzun takip sürelerinde tahminler kararsız hale gelir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Tamamen parametrik olmayan — sağkalım dağılımının şekli hakkında hiçbir varsayımda bulunmaz.
- Sansürlenmiş gözlemleri doğru bir şekilde dahil eder, mevcut tüm takip süresinin kullanımını maksimize eder.
- Sezgisel, anında yorumlanabilir bir görsel (basamak fonksiyonlu sağkalım eğrisi) üretir.
- Güven aralıkları ile medyan sağkalım, özet istatistik olarak kolayca türetilir.
- Klinik, epidemiyolojik ve düzenleyici kitleler arasında yaygın olarak anlaşılır.
Uygulama alanları
- Onkoloji randomize kontrollü çalışmalarında tedavi kolları arasında genel sağkalımı karşılaştırmak.
- Kardiyovasküler kohort çalışmalarında kalp ameliyatı sonrası hastaneye yeniden yatış süresini tahmin etmek.
- Yeni onkoloji ilaçları için düzenleyici başvurularda progresyonsuz sağkalımı raporlamak.
- Farmakovijilans çalışmalarında tedavi kesilme süresini veya advers olay başlangıcını analiz etmek.
- Transplantasyon kayıtlarında ve organ reddi çalışmalarında greft sağkalımını tahmin etmek.
- Kolorektal veya meme kanseri kohortlarında cerrahi rezeksiyon sonrası nüks süresini tanımlamak.
Nasıl çalışır?
Nasıl çalışır?
İlgilenilen olayı (örn. ölüm, hastalık nüksü, hastaneye yeniden yatış), zaman başlangıcını (örn. randomizasyon tarihi, tanı tarihi) ve sansürleme mekanizmasını belirtin. Her katılımcı bir sağkalım süresi ve bir olay göstergesi (1 = olay meydana geldi, 0 = sansürlendi) katkısında bulunur. Sansürlemenin bilgilendirici olmadığından emin olun — yani, sansürlenen katılımcılar, risk altında kalanlardan prognoz açısından sistematik olarak farklılık göstermemelidir.
Tüm gözlemlenen olay zamanlarını en küçükten en büyüğe doğru sıralayın. Beraberlikler (aynı zaman noktasında birden fazla olay) standart konvansiyonla çözülür. Her farklı olay zamanı t_i'de, n_i'yi (t_i'den hemen önce risk altındaki katılımcı sayısı) ve d_i'yi (t_i'deki olay sayısı) kaydedin. Ardışık olay zamanları arasında meydana gelen sansürlenmiş gözlemler, sonraki adımlar için n_i'yi azaltır ancak olay olarak sayılmaz.
Her olay zamanındaki sağkalım olasılığını ürün-limit formülünü kullanarak hesaplayın: S(t) = t_i <= t olan tüm t_i'ler üzerinden (1 - d_i / n_i) çarpımı. Tahmin S(0) = 1'den başlar ve sadece olay zamanlarında basamaklar halinde azalır, olaylar arasında sabit kalır. Bu, sağkalım sürelerinin altında yatan dağılım hakkında hiçbir varsayımda bulunmaz.
Formül
S(t) = \prod_{t_i \le t} \left(1 - \frac{d_i}{n_i}\right)Sansürlenmiş gözlemler — takipten çıkan, çalışmadan ayrılan veya çalışma kesme noktasında olaysız olan katılımcılar — o noktaya kadar payda n_i'ye katkıda bulunduktan sonra, sansürleme zamanlarında risk kümesinden çıkarılarak dahil edilir. Sansürlemenin doğru şekilde ele alınması kritik öneme sahiptir: eğer sansürleme bilgilendiriciyse (prognozla ilişkiliyse), KM tahmini yanlı olacaktır ve daha sofistike yöntemlere ihtiyaç duyulacaktır.
İki veya daha fazla grup (örn. tedaviye karşı kontrol) karşılaştırıldığında, her grup için ayrı bir KM eğrisi tahmin edilir ve eğriler birlikte gösterilir. Log-rank testi (veya Mantel-Cox testi), eşit sağkalım fonksiyonları boş hipotezi için resmi bir anlamlılık testi sağlar. Log-rank testi, gruplar arasındaki tehlike oranının zaman içinde yaklaşık olarak sabit olduğu durumlarda (orantılı tehlikeler varsayımı) en güçlüdür; erken farklılıkların daha fazla ilgi çekmesi durumunda Wilcoxon-Breslow gibi ağırlıklı varyantlar mevcuttur.
KM eğrilerini x ekseninin altında risk altındaki kişi sayısı tablosuyla grafiksel olarak sunun. Medyan sağkalım süresini (S(t)'nin 0.5'i geçtiği zaman) %95 güven aralıkları ile (genellikle Greenwood formülü) bildirin. Eğer bir karşılaştırma yapıldıysa, log-rank p-değerini ve Cox modelinden elde edilen tehlike oranını bildirin. Toplam örneklem büyüklüğünü, olay sayısını ve takip süresini belirtin.
Sık yapılan hatalar
- Rakip riskleri göz ardı etmek — katılımcıların rakip bir olay yaşayabileceği durumlarda (örn. nüksetmeden önce ölüm) KM kullanmak, ilgilenilen olayın kümülatif insidansının fazla tahmin edilmesine yol açar; bunun yerine Fine-Gray veya nedene özgü tehlike yaklaşımını kullanın.
- Eğrileri risk altındaki kişi sayısı tablosu olmadan sunmak — çok az sayıda bireye dayanan eğrinin son kısımları, bağlam olmadan güvenilmez ve yanıltıcıdır.
- Bilgilendirici sansürleme — hastalar kötüleştikleri ve tedaviyi değiştirdikleri için sansürlenirse, hayatta kalan kohort yapay olarak seçilmiş olur; duyarlılık analizleri veya sansürleme olasılığının tersi ağırlıklandırma düşünülmelidir.
- Yalnızca log-rank p-değerini etki büyüklüğü olmadan bildirmek — p-değeri anlamlılığı iletir ancak farkın büyüklüğünü değil; her zaman Cox regresyonundan bir tehlike oranı ve güven aralığı ile birlikte sunun.
- Tek bir log-rank testi ile kesişen sağkalım eğrileri — eğriler kesiştiğinde, gerçek bir erken veya geç fark olsa bile log-rank testi anlamsız olabilir; kısıtlı ortalama sağkalım süresi veya ağırlıklı log-rank testleri daha bilgilendiricidir.
Sık sorulan sorular
Kaplan-Meier eğrisi ile kümülatif tehlike eğrisi arasındaki fark nedir?
KM eğrisi, t zamanının ötesinde hayatta kalma (olayı yaşamama) olasılığını gösteren S(t)'yi gösterir ve 1'den 0'a doğru azalır. Kümülatif tehlike H(t) = -log S(t) zamanla artar ve birikmiş anlık riski temsil eder. Her ikisi de aynı temel verinin eşdeğer temsilleridir; kümülatif tehlike, üstel bir dağılım altında logaritmik ölçekte doğrusaldır, bu da onu model kontrolü için kullanışlı kılar.
Grupları karşılaştırmak için log-rank testini mi yoksa Cox modelini mi kullanmalıyım?
İki veya daha fazla ayarlanmamış KM eğrisini karşılaştıran basit, parametrik olmayan bir anlamlılık testi istediğinizde log-rank testini kullanın. Karıştırıcı faktörleri ayarlamanız, sürekli tahmin edicileri dahil etmeniz veya özet bir etki büyüklüğü olarak bir tehlike oranı elde etmeniz gerektiğinde Cox regresyonunu kullanın. İki yaklaşım da orantılı tehlikeler varsayımına dayanır; bu varsayım ihlal edildiğinde, kısıtlı ortalama sağkalım süresi analizini düşünün.
Medyan sağkalım için güven aralığını nasıl hesaplarım?
Standart yaklaşım, S(t)'nin varyansını tahmin etmek için Greenwood formülünü uygular, ardından eğri etrafında noktasal güven bantları oluşturur. Medyan için güven aralığı, güven bandının 0.5 olasılık çizgisini kestiği zaman noktaları kümesidir. Çoğu istatistik yazılımı (R survival paketi, SAS LIFETEST, Stata stci) bunu otomatik olarak hesaplar.
Rakip risklerim olduğunda Kaplan-Meier kullanabilir miyim?
Standart KM analizi, rakip olayları (örn. ilgilenilen olaydan önce başka bir nedenden ölüm) sansürlenmiş gözlemler olarak ele alır, bu da kümülatif insidansın fazla tahmin edilmesine yol açar çünkü sansürlenmiş bireylerin risk altında kalmaya devam ettiği varsayılır. Rakip riskler mevcut olduğunda, KM tahmincisi yerine Fine-Gray regresyonundan veya nedene özgü tehlike modellerinden kümülatif insidans fonksiyonunu (CIF) kullanın.
Güvenilir bir Kaplan-Meier tahmini için ne kadar örneklem büyüklüğüne ihtiyacım var?
Güvenilirlik, toplam örneklem büyüklüğünden ziyade öncelikle gözlemlenen olay sayısına bağlıdır. Kabaca bir kural olarak, kararlı eğri tahminleri için grup başına en az 10-20 olaya ihtiyaç vardır ve log-rank testi için resmi güç hesaplamaları, beklenen olay oranı, medyan sağkalım ve istenen güce göre yapılmalıdır. Az sayıda katılımcının risk altında kaldığı (yaklaşık 5-10'dan az) uzun takip sürelerinde eğri güvenilmez hale gelir ve uygun belirsizlikle kesilmeli veya sunulmalıdır.
İlgili yöntemler
Kaynaklar
Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.
DOI kaynağını açKopyalandı.Kaplan–Meier estimator. Wikipedia.
Yayın kaynağını açKopyalandı.