Kaplan-Meier Tahmin Edicisi
Kaplan-Meier Survival Function Estimator · Ayrıca şöyle bilinir: KM estimator, product-limit estimator, Kaplan-Meier curve, survival curve estimator
Kaplan-Meier tahmin edicisi, sansürlenmiş gözlemleri içeren verilerden S(t) sağkalım fonksiyonunu — bir bireyin t zamanının ötesinde hayatta kalma olasılığını — tahmin etmek için kullanılan parametrik olmayan bir yöntemdir. Edward L. Kaplan ve Paul Meier tarafından 1958 tarihli önemli JASA makalelerinde tanıtılan bu yöntem, herhangi bir sağkalım analizinin standart ilk adımıdır ve biyomedikal araştırmalarda en çok atıfta bulunulan istatistiksel yöntemler arasındadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonuç ilgilenilen olayın tek bir olaya kadar geçen süre (ölüm, nüks, arıza, iyileşme) olduğu ve bazı gözlemlerin sağa sansürlendiği — yani, birey çalışmadan ayrıldığında olay henüz gerçekleşmemiş olduğu — durumlarda Kaplan-Meier tahmin edicisini kullanın. Temel varsayımlar şunlardır: (1) sansürleme bilgilendirici değildir (bir denek sansürlenmesinin nedeni prognozuyla ilgisizdir); (2) sağkalım olasılıkları farklı takvim zamanlarında işe alınan denekler için aynıdır (genellikle kademeli kayıt çizelgeleri ile değerlendirilir); ve (3) olay zamanları kesin olarak ölçülmüştür. Tahmin edici tamamen tanımlayıcıdır ve kovaryetleri hesaba katmaz; kovaryet ayarlı çıkarım için Cox orantılı tehlike modelini kullanın.
Güçlü yönler & sınırlılıklar
- Temel sağkalım süresi hakkında herhangi bir dağılım varsayımı gerektirmez — gerçek tehlike fonksiyonu karmaşık veya düzensiz olsa bile geçerlidir.
- Sağa sansürlenmiş verileri doğru bir şekilde ele alır, sansürlenmiş deneklerden gelen kısmi bilgiyi tam olarak kullanır.
- Anında yorumlanabilir grafiksel çıktı (KM eğrisi) üretir, bu da sağkalım örüntülerini bir bakışta iletir.
- Medyan sağkalım süresi ve güven aralığı, tahmin edilen eğriden doğrudan okunabilir.
- Tüm büyük istatistiksel yazılım paketlerinde evrensel olarak bulunur ve klinik dergilerde standart raporlama olarak kabul edilir.
- Tamamen tanımlayıcıdır — karıştırıcı kovaryetleri hesaba katamaz veya diğer değişkenleri kontrol ederken grupları karşılaştıramaz.
- Risk altındaki az sayıda denek kaldığında eğrinin kuyruğunda kesinlik bozulur, bu da geç zaman noktası tahminlerini güvenilmez hale getirir.
- Bilgilendirici olmayan sansürlemeyi varsayar; hastalar kötüleştikleri için ayrılırsa, tahminler yanlı olacaktır.
- Zamana bağlı kovaryetleri veya rakip riskleri, daha özel modellere genişletme yapmadan barındıramaz.
SSS
Sansürleme nedir ve neden önemlidir?
Sansürlenmiş bir gözlem, denek çalışmadan ayrıldığında olayın henüz gerçekleşmediği — çünkü çalışma sona erdi, denek takip dışı kaldı veya çekildi — durumdur. Sansürlenmiş denekleri göz ardı etmek (veya olay olarak ele almak) tahmini yanlı hale getirir. Kaplan-Meier, her sansürlenmiş deneği sansürlendikleri ana kadar risk kümesine dahil edip sonra çıkararak, gözlemlendikleri süre boyunca bilgi katkısı sağlamalarını sağlayarak sansürlemeyi doğru bir şekilde ele alır.
İki grup arasındaki sağkalım eğrilerini nasıl karşılaştırabilirim?
İki KM eğrisini ayrı ayrı çizin ve KM tahmin edicisinin standart parametrik olmayan tamamlayıcısı olan log-rank testini kullanarak bir farkı test edin. Log-rank testi her olay zamanını eşit ağırlıklandırır ve tehlikelerin orantılı olduğu durumlarda en güçlüdür. Orantılı tehlikeler geçerli değilse (eğriler kesişirse), ağırlıklı Fleming-Harrington testi daha uygun olabilir.
Cox regresyonunu ne zaman Kaplan-Meier yerine kullanmalıyım?
Tek veya daha fazla gruptaki sağkalımın ayarlanmamış tanımı ve görselleştirilmesi için Kaplan-Meier'i kullanın. Kovaryetleri ayarlamanız, tehlike oranlarını tahmin etmeniz veya sürekli öngörücüleri modellemeniz gerektiğinde Cox orantılı tehlike regresyonunu kullanın. Pratikte, KM eğrileri ve log-rank testi önce tanımlayıcı ve tek değişkenli analiz için kullanılır, ardından çok değişkenli çıkarım için Cox regresyonu gelir.
Medyan sağkalım nedir ve eğriden nasıl okunur?
Medyan sağkalım süresi, Ŝ(t)'nin ilk kez 0.5'e veya altına düştüğü — yani, deneklerin yarısının olayı yaşadığı zamandır — t zamanıdır. KM eğrisi boyunca S = 0.5'te yatay bir çizgi çizerek ve basamak fonksiyonuyla kesiştiği yeri bularak okunur. Güven aralığı, bu yatay çizginin eğrinin üst ve alt güven bantlarıyla kesişiminden elde edilir.
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 ↗
- Collett, D. (2015). Modelling Survival Data in Medical Research (3rd ed.). CRC Press. ISBN: 978-1439856789
- Kleinbaum, D. G., & Klein, M. (2012). Survival Analysis: A Self-Learning Text (3rd ed.). Springer. ISBN: 978-1441966452
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Kaplan-Meier Survival Function Estimator. ScholarGate. https://scholargate.app/tr/statistics/kaplan-meier-estimator
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cox Orantılı TehlikelerEpidemiyoloji↔ karşılaştır
- Sağkalım Eğrilerini Karşılaştırmak İçin Log-Rank TestiSağkalım↔ karşılaştır