تحلیل بقا و روشهای زمان تا وقوع رویداد
تحلیل بقا شاخهای از آمار است که به زمان تا وقوع یک رویداد مورد علاقه میپردازد — مرگ، عود، بهبودی، خرابی دستگاه، یا هر نقطه پایانی که به وضوح تعریف شده باشد. ویژگی متمایز آن این است که برای برخی از افراد، رویداد تا پایان مشاهده رخ نداده است، بنابراین زمان وقوع رویداد برای آنها فقط به صورت جزئی مشخص است (سانسور شده). این حوزه روشهایی را توسعه میدهد که از این اطلاعات ناقص به درستی استفاده میکنند، به جای اینکه آنها را کنار بگذارند.
Definition
تحلیل بقا شامل روشهای آماری برای تحلیل مدت زمان مورد انتظار تا وقوع یک یا چند رویداد است، که مشاهدات سانسور شده را در خود جای میدهد؛ در این مشاهدات، زمان وقوع رویداد تنها به عنوان فراتر از (یا در محدوده) یک بازه زمانی مشخص است.
Scope
این حوزه خواننده را با ایدههای اصلی که روشهای زمان تا وقوع رویداد را یکپارچه میکنند، آشنا میسازد: توابع بقا و خطر، سانسور و پیگیری، تخمین ناپارامتریک منحنیهای بقا، مقایسه گروهها، و مدلسازی رگرسیونی خطر. این بخش به موضوعات دقیقتر — دادههای سانسور و پیگیری، منحنیهای کاپلان-مایر، فرض خطرات متناسب، رگرسیون کاکس، و خطرات رقابتی — پیوند میخورد و آنها را به عنوان مواد مرجع روششناختی، نه راهنمایی بالینی، در نظر میگیرد.
Sub-topics
Core questions
- چه مدت طول میکشد تا یک رویداد مورد علاقه رخ دهد، و چگونه این توزیع توسط توابع بقا و خطر توصیف میشود؟
- چگونه مشاهدات سانسور شده میتوانند بدون سوگیری در تحلیل، اطلاعاتی را ارائه دهند؟
- منحنیهای بقا چگونه بین گروهها تخمین زده و مقایسه میشوند؟
- تأثیر کوواریتها بر نرخ رویدادها چگونه مدلسازی میشود، و این مدلسازی به چه مفروضاتی نیاز دارد؟
- چه تغییراتی رخ میدهد وقتی بیش از یک نوع رویداد میتواند اتفاق بیفتد (خطرات رقابتی)؟
Key concepts
- تابع بقا S(t)
- تابع خطر و خطر تجمعی
- سانسور و برش
- مجموعه خطر
- تخمین ناپارامتریک (کاپلان-مایر)
- مقایسه لگ-رنک
- رگرسیون خطرات متناسب
- خطرات رقابتی و بروز تجمعی
Mechanisms
دادههای زمان تا وقوع رویداد با تابع بقا S(t)، یعنی احتمال عدم وقوع رویداد پس از زمان t، و به طور معادل با تابع خطر، یعنی نرخ لحظهای وقوع رویداد در میان افراد در معرض خطر، توصیف میشوند. از آنجا که پیگیری محدود است و افراد در زمانهای مختلف وارد و خارج از مشاهده میشوند، دادهها معمولاً راست-سانسور شده هستند: زمان وقوع رویداد یک فرد تنها به عنوان فراتر از آخرین زمان مشاهده شده او شناخته میشود. روشهایی مانند برآوردگر کاپلان-مایر و مدل خطرات متناسب کاکس بر اساس مجموعه خطر — افراد تحت مشاهده و بدون رویداد درست قبل از هر زمان وقوع رویداد — ساخته شدهاند، به طوری که هر رویداد تنها اطلاعاتی را که واقعاً در دسترس است، ارائه میدهد. این نحوه برخورد با سانسور و پیگیری متغیر با زمان است که تحلیل بقا را از رگرسیون معمولی یک پیامد پیوسته متمایز میکند (Clark et al., 2003; Leung et al., 1997).
Clinical relevance
روشهای زمان تا وقوع رویداد اساس بیشتر گزارشهای مربوط به پیشآگهی و اثر درمان در تحقیقات بالینی را تشکیل میدهند، از جمله منحنیهای بقا، نسبتهای خطر، و بقای میانه. درک آنها از ارزیابی انتقادی نحوه تولید چنین شواهدی حمایت میکند؛ این حوزه توصیفی از روشهای تحلیلی است و منبعی برای توصیههای تشخیصی یا درمانی نیست.
Epidemiology
روشهای بقا در انکولوژی، کاردیولوژی، بیماریهای عفونی، پیوند اعضا، و مطالعات کوهورت سلامت عمومی، هر جا که زمان وقوع یک رویداد — نه صرفاً اینکه آیا رخ داده است — اطلاعاتی را ارائه میدهد، فراگیر هستند. پذیرش آنها پس از ارائه برآوردگر کاپلان-مایر (1958) و رگرسیون کاکس (1972) که ابزارهای عملی برای دادههای سانسور شده فراهم کردند، به سرعت افزایش یافت.
Evidence & guidelines
هیچ دستورالعمل بالینی برای خود تحلیل بقا وجود ندارد؛ استانداردهای مرجع روششناختی مقالات آماری برجسته و متون بیواستاتیک هستند. برآوردگر کاپلان-مایر (Kaplan & Meier, 1958) و مدل خطرات متناسب کاکس (Cox, 1972) روشهای بنیادی هستند، با آموزشها و کتابهای درسی (Clark et al., 2003; Collett, 2015; Putter et al., 2007) که رویه تحقیق پزشکی را تثبیت کردهاند.
History
روشهای جدول زندگی بیمهای قرنها قبل از این حوزه وجود داشتهاند، اما تحلیل بقای مدرن در اواسط قرن بیستم شکل گرفت. برآوردگر حد-محصول کاپلان و مایر در سال 1958 یک منحنی بقای ناپارامتریک دقیق برای دادههای سانسور شده ارائه داد؛ خانواده آزمونهای لگ-رنک برای مقایسه گروهها به دنبال آن آمدند؛ و مدل خطرات متناسب کاکس در سال 1972 رگرسیون تنظیمشده با کوواریت را به پیامدهای زمان تا وقوع رویداد بدون تعیین خطر پایه آورد. کارهای بعدی در مورد خطرات رقابتی و مدلهای چند حالته، چارچوب را به محیطهایی با چندین نوع رویداد گسترش دادند (Putter et al., 2007).
Key figures
- Edward L. Kaplan
- Paul Meier
- David R. Cox
- Nathan Mantel
Related topics
Seminal works
- kaplan-meier-1958
- cox-1972
Frequently asked questions
- تحلیل بقا چه تفاوتی با رگرسیون معمولی دارد؟
- این روش زمان تا وقوع یک رویداد را مدلسازی میکند در حالی که مشاهدات سانسور شده را به درستی مدیریت میکند، جایی که رویداد هنوز در زمان پایان مشاهده رخ نداده است؛ چنین اطلاعات جزئی را نمیتوان با رگرسیون استاندارد یک پیامد پیوسته تطبیق داد.
- دو تابعی که دادههای زمان تا وقوع رویداد را توصیف میکنند کدامند؟
- تابع بقا S(t)، یعنی احتمال عدم وقوع رویداد پس از زمان t، و تابع خطر، یعنی نرخ لحظهای رویداد در میان افراد در معرض خطر؛ هر یک از این دو تابع دیگری را به طور کامل تعیین میکند.