Hayatta Kalma Analizi
- Ortaya koyan
- Edward L. Kaplan and Paul Meier
- Yıl
- 1958
- Tür
- Method
- Aile
- time-event-modeling
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Hayatta kalma analizi, belirli bir başlangıç noktasından itibaren bir olayın (hastalık, iyileşme, ölüm, ekipman arızası) meydana gelmesine kadar geçen süreyi modellemek için kullanılan istatistiksel yöntemler topluluğudur.
Kaplan ve Meier'in parametrik olmayan tahmincisi (1958) ve David Cox'un orantılı tehlike modeli (1972), çalışmadan ayrılmaları veya takipte henüz olay yaşamamış olmaları nedeniyle olay zamanları bilinmeyen bireylerin sansürlü verilerinin analizini ortaklaşa mümkün kılmıştır. Onkoloji, kardiyoloji, bulaşıcı hastalık araştırmaları, mühendislik güvenilirliği ve zaman-olay ilişkisinin önemli olduğu her alanda vazgeçilmezdir.
Yöntemin mantığı
Birçok çalışma, insanların bir sonuç (hastalık tanısı, ölüm) yaşayana veya çalışma sona erene kadar zaman içinde takip eder. Bazı bireyler sonucu (olay) yaşarken, diğerleri sonuç olmadan çalışma tamamlama süresine ulaşır (sansürlenmiş). Standart istatistiksel yöntemler sansürlü verileri göz ardı eder veya güçlü varsayımlarda bulunarak sonuçları yanlı hale getirir. Hayatta kalma analizi, sansürlemeyi ve takip süresini hesaba katarak gruplar arasındaki olay oranlarının doğru karşılaştırılmasına olanak tanır. Hayatta kalma fonksiyonu S(t) = t zamanında olaydan muaf olma olasılığıdır. Tehlike h(t) = t zamanında olayın meydana gelme anlık oranıdır. Tehlike oranı gruplar arasındaki olay oranlarını karşılaştırır: HR = 1 (fark yok), HR < 1 (azalmış tehlike), HR > 1 (artmış tehlike). Bu çerçeve, araştırmacıların eksik verilere rağmen tedavi etkilerini, prognostik faktörleri ve risk sınıflandırmasını belirlemelerini sağlar.
Tarih
Kaplan ve Meier, 1958'de parametrik olmayan hayatta kalma tahmincilerini tanıttı ve sansürlemeyi doğru bir şekilde ele alarak klinik deneme analizinde devrim yarattı. David Cox'un orantılı tehlike modeli (1972), bunu çok değişkenli ayarlara genişleterek kovaryant ayarlaması için standart haline geldi. Kısmi olasılık yaklaşımı, temel tehlike fonksiyonunu belirtmeden verimli hesaplamayı mümkün kıldı. Modern gelişmeler arasında bilgilendirici sansürleme için ters olasılık ağırlıklandırma (Robins, 1993), hızlandırılmış arıza süresi modelleri (Kalbfleisch & Prentice, 1980) ve tek analizleri engelleyen birden fazla olay türü olan durumlar için rakip riskler analizi (Fine & Gray, 1999) bulunmaktadır.
Ne zaman kullanılır?
İlgili sonucun olaya kadar geçen süre olduğu ve verilerin sansürleme içerdiği durumlarda hayatta kalma analizi kullanın. Onkoloji: tedavi kolları (standart randomize denemeler) arasında hayatta kalmayı karşılaştırma. Kardiyoloji: kohort çalışmalarında kardiyovasküler olaylara (MI, felç) kadar geçen süreyi analiz etme. Bulaşıcı hastalıklar: enfeksiyondan iyileşme veya ilerlemeye kadar geçen süre. Tıbbi implantlar: cihaz arızası veya değiştirme süresi. Endüstriyel mühendislik: ekipman arızasına kadar geçen süre (güvenilirlik analizi). Gecikmeli girişli ve/veya erken çekilme ile yapılan herhangi bir uzunlamasına çalışma hayatta kalma yöntemlerini kullanabilir. Sansürlemenin olmadığı durumlarda (tüm katılımcılar tamamlanana kadar takip edildi), daha basit yöntemler (t-testi, lojistik regresyon) yeterlidir, ancak hayatta kalma analizi geçerliliğini korur.
Sınırlar ve dikkat edilmesi gerekenler
- Orantılı tehlikeler varsayımı: Cox modeli zamanla sabit tedavi etkisi varsayar; ihlaller alternatif yöntemler (hızlandırılmış arıza süresi modelleri, zamana bağlı katsayılar, sınıflandırma) gerektirir.
- Uzun takip sürelerinde seyrek veri: katılımcılar sansürlendikçe hayatta kalma tahminleri daha az kararlı hale gelir; güven aralıkları genişler, geç olay tahmini için çıkarımı sınırlar.
- İdari sansürleme: sansürleme prognozla ilişkiliyse (bilgilendirici sansürleme), standart yöntemler yanlıdır; ortak modelleme veya ters olasılık ağırlıklandırma gerektirir.
- Kovaryantlar verildiğinde koşullu bağımsızlığı varsayar; ölçülmemiş karıştırıcılar, özellikle gözlemsel çalışmalarda nedensel çıkarımı tehdit eder.
- Küçük olay sayıları, Cox katsayılarının gücünü ve kararlılığını azaltır; genellikle kararlı tahmin için kovaryant başına ≥10 olay gerekir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Sansürlü verileri yanlılık olmadan doğru şekilde ele alır: sansürlenmiş bireylerden gelen bilgiyi (takip süresi) onları atmak yerine kullanır.
- Hem tek değişkenli (Kaplan-Meier) hem de çok değişkenli (Cox) ilişkileri esnek bir şekilde tahmin eder; temel kovaryantlar, doğrusal etkiler varsayılmadan ayarlanır.
- Tehlike oranları sezgiseldir: olay oranlarını karşılaştıran, klinisyenler tarafından kolayca yorumlanabilen ve yayınlarda iletilebilen tek metrik.
- Orantısız tehlikeler tespit edilebilir: varsayım tanıları, araştırmacıları tedavi etkileri zamanla değiştiğinde uyarır; alternatif modeller (AFT, sınıflandırma, zamana bağlı katsayılar) ihlalleri ele alır.
- Risk sınıflandırması: tahmin edilen hayatta kalma eğrileri, klinisyenlerin prognozu ölçmelerini ve temel özelliklere dayalı olarak bireyselleştirilmiş tedavi kararları almalarını sağlar.
Uygulama alanları
- Onkoloji denemeleri: kemoterapi rejimleri, immünoterapiler veya cerrahi yaklaşımlar arasında genel hayatta kalma ve hastalıksız hayatta kalmayı karşılaştırma; standart bakım uygulamaları oluşturma.
- Kardiyovasküler araştırmalar: temel risk faktörlerinden (hipertansiyon, diyabet, sigara) ilk büyük olumsuz kardiyak olaya kadar geçen süreyi modelleme; risk tahmin algoritmaları geliştirme.
- Bulaşıcı hastalıklar: tanıdan viral baskılanmaya (HIV), tedavi tamamlama (tüberküloz) veya klinik iyileşmeye (COVID-19) kadar geçen süreyi analiz etme; tedavi etkinliğini karşılaştırma.
- Tıbbi cihazlar ve implantlar: pacemaker, yapay eklemler, stentlerin güvenilirlik testi; cihaz arızasını tahmin etme ve değiştirme aralıklarını tahmin etme.
- Mesleki epidemiyoloji: mesleki maruziyetten (asbest, silika tozu) hastalık tanısına kadar geçen süre; tehlikeyi ölçme ve maruziyet sınırlarını belirleme.
Nasıl çalışır?
Nasıl çalışır?
Hayatta kalma analizini şu şekilde tanımlayarak uygulayın: (1) çalışma başlangıç tarihi (örn. tanı, tedavi başlangıcı, çalışma kaydı), (2) ilgili olay (örn. ölüm, hastalık nüksü) ve (3) sansür göstergesi (olayın meydana gelip gelmediği veya sansürlenip sansürlenmediği). Katılımcıları başlangıçtan olay meydana gelene veya takip süresi sonuna kadar prospektif olarak takip edin. İki temel değişken kaydedin: olaya kadar geçen süre (başlangıçtan olaya veya son temasa kadar geçen günler/aylar/yıllar) ve olay durumu (1 = olay meydana geldi, 0 = sansürlendi). Kovaryantlar olarak başlangıç özelliklerini (yaş, tedavi grubu, biyobelirteçler) toplayın. Olay tanımlarının açıkça operasyonelleştirildiğinden ve katılımcılar arasında tutarlı bir şekilde belirlendiğinden emin olun.
Tanımlayıcı hayatta kalma için: Kaplan-Meier yöntemini kullanın. Her bir olay zamanı t_i'de, S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)] hesaplayın; burada d_i, t_i'deki olay sayısı ve n_i, risk altındaki (henüz olay yaşamamış veya sansürlenmiş) kişilerin sayısıdır. Grup başına kümülatif hayatta kalma eğrilerini çizin; log-rank testi (eşit hayatta kalma sıfır hipotezi altında gözlenen vs beklenen olayların χ² testi) ile karşılaştırın. Tek değişkenli/çok değişkenli ilişki için: Cox orantılı tehlike regresyonunu kullanın. Tehlike fonksiyonu h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...), burada h₀(t) temel tehlikedir ve β katsayıları kovaryant etkilerini ölçer. Katsayıları kısmi olasılık yoluyla tahmin edin; tehlike oranlarını (HR) = exp(β) %95 güven aralıklarıyla hesaplayın. Orantılı tehlike varsayımını test edin: Schoenfeld artıklarının çizimleri ve zamana bağlı katsayı testleri (p > 0.05 varsayımı destekler). Uyumluluk indeksini (C-index) raporlayın: 0.5 = rastgele, 0.7–0.8 = iyi ayrım, >0.8 = mükemmel.
Kaplan-Meier eğrileri, zaman içinde olaydan muaf kalma kümülatif olasılığını çizer; erken ayrılan eğriler güçlü tedavi veya grup etkilerini düşündürür. Log-rank p-değeri hayatta kalma eğrilerinin eşitliğini test eder; p < 0.05, gruplar arasında anlamlı bir hayatta kalma farkı olduğunu gösterir. Cox regresyonu için, tehlike oranlarını şu şekilde yorumlayın: bir tahminci için HR = 1.5, diğer kovaryantlar ayarlandıktan sonra birim artış başına %50 daha yüksek tehlike (olay oranı) anlamına gelir. HR < 1 azalmış tehlikeyi (koruyucu etki) gösterir. 1'i dışlayan güven aralıkları istatistiksel anlamlılık gösterir. Orantılı tehlike varsayımını doğrulamak için Schoenfeld artıklarını (katsayıyı zamanla çizme) inceleyin; sapmalar, kovaryant etkisinin zamanla değiştiğini gösterir (ihlal, zamana bağlı katsayı modeli uydurulmasını önerir). Model uyumunu görselleştirmek için kümülatif tehlike veya kümülatif temel tehlikeyi çizin. Sonuçları klinik olarak iletmek için tahmin edilen hayatta kalma eğrilerini (maruziyet gruplarına veya risk kategorilerine göre sınıflandırılmış) kullanın.
Sık yapılan hatalar
- Sansürlü verileri başarısızlık olarak ele alma: sansürlenmiş zamanları olay olarak yanlış kodlamak, tehlike tahminlerini aşağı doğru ve tehlike oranlarını 1'e doğru yanlı hale getirir.
- Orantılı tehlikeler varsayımını kontrol etmeme: Schoenfeld artıklarını çizme veya zamana bağlı katsayıları test etme; ihlal, Cox modelinin yorumunu geçersiz kılar.
- Sansürleme göstergelerini atlama: olay durumunu açıkça kodlamak gerekir (1 = meydana geldi, 0 = sansürlendi); yanlış kodlama, yanlış olasılık ve tahminlere yol açar.
- Eşit olmayan takip sürelerine sahip grupları ayarlama yapmadan karşılaştırma: hayatta kalma analizi değişen takip sürelerini hesaba katar, ancak olay sayılarının naif karşılaştırması yanlıdır.
- Olaylara göre çok fazla kovaryant ile aşırı uyum: az olayla çok sayıda tahminciye sahip Cox regresyonu, kararsız, güvenilmez tahminler üretir; cezalı regresyon (ridge, lasso) veya boyut azaltma kullanın.
- Hayatta kalma analizini dışlama gerekçesi olarak medyan takip süresini kullanma: medyan takip süresi verileri tanımlar ancak bireysel takip sürelerinin doğru analizinin yerini tutmaz.
Sık sorulan sorular
0.6 tehlike oranı ne anlama gelir ve göreceli riskten farkı nedir?
0.6 tehlike oranı (HR), herhangi bir zamanda referans grubun %60'ı kadar anlık olay oranına (tehlike) sahip olduğu anlamına gelir, kovaryantlar ayarlandıktan sonra - %40 risk azalmasına eşdeğerdir. HR, hayatta kalma/Cox analizinden gelir. Göreceli risk (RR), kohort veya deneme verilerinden gelir: RR = [maruz kalanlarda insidans] / [maruz kalmayanlarda insidans]. HR, olaylar nadir olduğunda (<%10) RR'yi yaklaşık olarak verir, ancak yaygın sonuçlarla farklılık gösterir. HR, sansürlemeyi ve takip süresini hesaba katarak olay oranlarını özel olarak karşılaştırır; RR, hayatta kalma metodolojisi gerektirmez. Her zaman hangi ölçümü kullandığınızı bildirin.
Orantılı tehlikeler varsayımı nedir ve ihlal edilirse ne yapmalıyım?
Orantılı tehlikeler varsayımı, tedavi etkisinin (tehlike oranı) zamanla sabit olduğu anlamına gelir. Schoenfeld artıklarını zamanla çizerek test edin; bir eğilim ihlal olduğunu düşündürür. Alternatif olarak, zamana bağlı bir katsayı modeli uydurun: kovaryant ile zamanın bir fonksiyonu (örn. log zaman) arasında bir etkileşim ekleyin. Varsayım ihlal edilirse, seçenekler şunları içerir: (1) analizi sorunlu değişkenle sınıflandırın (ayrı temel tehlikeler), (2) hızlandırılmış arıza süresi (AFT) modelleri kullanın veya (3) belirli zaman noktalarındaki (örn. 1 yıllık, 5 yıllık hayatta kalma) tedavi etkisini ayrı ayrı raporlayın. Her zaman bu varsayımı kontrol edin ve raporlayın.
Kaplan-Meier analizimdeki log-rank testi p-değerini nasıl yorumlamalıyım?
Log-rank testi, her gruptaki gözlenen olay sayısını sıfır hipotezi (eşit hayatta kalma eğrileri) altında beklenen sayı ile karşılaştırır. p < 0.05, gruplar arasında istatistiksel olarak anlamlı bir hayatta kalma farkı olduğunu gösterir. Tüm p-değerleri gibi, bir nokta sıfır hipotezini test eder; büyük bir p-değeri eşit hayatta kalmayı kanıtlamaz, yalnızca eşitliği reddetmek için yetersiz kanıt olduğunu gösterir. Ayrıca medyan hayatta kalma süresini ve önemli zaman noktalarındaki (1 yıllık, 5 yıllık) hayatta kalma olasılıklarını, güven aralıklarını ve Kaplan-Meier grafiğindeki her aralıktaki risk altındaki kişi sayısını da raporlayın.
Birden fazla sonuçla (örn. hastalık nüksü ve ölüm) nasıl başa çıkılır?
Birden fazla farklı olay mümkün olduğunda, rakip riskler analizini kullanın. Cox regresyonu ile hastalık nüksünü modelleyip ölümü göz ardı ederseniz, ölüm nüks takip süresini sansürlediği için tahminleri yanlı hale getirirsiniz. Fine-Gray alt dağılım tehlikeleri modeli, her olayın marjinal olasılığını ayırır. Her olay türü için kümülatif insidans fonksiyonunu (CIF) hesaplayın (1-diğeri değil); Gray testi ile karşılaştırın. Bu yaklaşım onkolojide (nüks vs kanser dışı ölüm) ve kardiyolojide (MI vs felç) esastır.
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.Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220.
DOI kaynağını açKopyalandı.