Hayatta Kalma Analizi
Time-to-Event Analysis · Ayrıca şöyle bilinir: Kaplan-Meier analysis, Cox regression, TTE analysis
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.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+31 tane daha
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.
Güçlü yönler & sınırlılıklar
- 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.
- 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.
SSS
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.
Kaynaklar
- Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481. DOI: 10.1080/01621459.1958.10501452 ↗
- Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220. DOI: 10.1111/j.2517-6161.1972.tb00899.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 4). Time-to-Event Analysis. ScholarGate. https://scholargate.app/tr/research-statistics/survival-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Çok Düzeyli ModellemeAraştırma istatistiği↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır