Oorlewingsanalise in statistiek

Oorlewingsanalise in Statistiek

Oorlewingsanalise is 'n tak van statistiek wat fokus op die modellering en analise van die tyd totdat 'n gebeurtenis plaasvind. Hierdie gebeurtenis kan 'n pasiëntsterfte, 'n siekteherhaling, 'n masjienkomponentversaking, kliëntverloop of die tyd totdat 'n werksoeker 'n werk vind, wees. Oorlewingsanalise se primêre voordeel bo ander statistiese tegnieke lê in die vermoë om onvolledige data te hanteer as gevolg van sensuur, wat is wanneer 'n gebeurtenis eers aan die einde van die waarnemingstydperk plaasvind of nie volledig waargeneem word nie.

In mediese navorsing word oorlewingsanalise dikwels gebruik om die doeltreffendheid van terapieë te vergelyk gebaseer op oorlewingstyd; in ingenieurswese, om die lewensduur van komponente te skat; en in besigheid, om kliëntebehoud te voorspel. Deur die konsepte van waarskynlikheid, nie-parametriese skatting en regressiemodelle te kombineer, word oorlewingsanalise 'n belangrike instrument in datagedrewe besluitneming.

Basiese konsepte: tyd van gebeurtenis en sensuur

Die kern van oorlewingsanalise is 'n ewekansige veranderlike \(T\) wat die tyd verteenwoordig totdat 'n gebeurtenis plaasvind. Byvoorbeeld, \(T\) kan die aantal dae na terapie wees totdat 'n pasiënt 'n terugval ervaar. Navorsers neem \(T\) egter dikwels nie in sy geheel waar nie. Daar is verskeie algemene vorme van sensuur:

1. Regssensorering: Dit gebeur meestal, byvoorbeeld wanneer 'n pasiënt nie 'n gebeurtenis teen die einde van die studie ervaar het nie, of wanneer die pasiënt uit die studie val. Ons weet slegs dat \(T\) groter is as die laaste keer wat waargeneem is.
2. Linkersensor (linkersensor): Die gebeurtenis het voor die begin van die waarneming plaasgevind, maar die presiese tyd is onbekend.
3. Sensuurinterval: Dit is bekend dat die gebeurtenis tussen twee waarnemingstye plaasgevind het (bv. 'n pasiënt word maandeliks ondersoek en dit is bekend dat die gebeurtenis tussen die 2de en 3de maande plaasgevind het).

Die meeste van die gewilde basiese metodes (soos Kaplan-Meier en Cox-modelle) fokus op die geval van regter-sensuur.

Oorlewings- en gevaarfunksies

Oorlewingsanalise gebruik twee hooffunksies:

1) Oorlewingsfunksie
Die oorlewingsfunksie word gedefinieer as:
\[
S(t) = P(T > t)
\]
Dit wil sê, \(S(t)\) is die waarskynlikheid dat 'n individu/voorwerp oorleef na verloop van tyd \(t\). Byvoorbeeld, \(S(12)=0{,}80\) kan geïnterpreteer word as dat 80% van die proefpersone na verwagting nie die gebeurtenis teen 12 maande ervaar het nie.

2) Gevaarfunksie
Die gevaarfunksie (risikokoers) beskryf die risiko van 'n gebeurtenis "nou" mits die subjek tot op daardie tydstip oorleef:
\[
h(t) = ∫_{Δt \to 0} \frac{P(t \leT < t+Δt \geT)}{Δt} \] Gevaar is nie 'n waarskynlikheid nie, maar 'n koers. In 'n mediese konteks beteken 'n hoër gevaar 'n hoër risiko om 'n gebeurtenis op daardie tydstip vir oorlewende individue te ervaar. Hierdie twee konsepte word verwant deur: \[ S(t) = \exp\left(-\int_0^th(u)\,du\right) \] Hierdie verhouding is belangrik omdat sommige modelle op gevaar fokus en dan oorlewing afbreek, of andersom. Nie-parametriese beraming: Kaplan-Meier Een van die bekendste metodes in oorlewingsanalise is die Kaplan-Meier-beramer, wat 'n nie-parametriese skatting van die oorlewingsfunksie is sonder om 'n spesifieke verspreiding aan te neem. Hierdie beramer konstrueer 'n oorlewingskurwe as die produk van die waarskynlikhede van oorlewing op elke gebeurtenistyd. Konseptueel bereken Kaplan-Meier: - by elke gebeurtenistyd \(t_i\), - \(d_i\) = aantal gebeurtenisse by \(t_i\), - \(n_i\) = aantal proefpersone "in gevaar" net voor \(t_i\), dan: \[ \hat{S}(t) = \prod_{t_i \le t}\left(1 - \frac{d_i}{n_i}\right) \] Die voordele van Kaplan-Meier is: - maklik om te interpreteer deur middel van oorlewingskurwes, - kan regs-sensuur hanteer, - nuttig vir data-eksplorasie en groepvergelykings. Kaplan-Meier is egter hoofsaaklik beskrywend. Om te toets of twee oorlewingskurwes beduidend verskil, word die log-rang-toets dikwels gebruik. Groepvergelyking: log-rangtoets Die log-rangtoets word gebruik om die hipotese te toets of daar 'n verskil in oorlewing tussen twee (of meer) groepe is, byvoorbeeld terapiegroep A teenoor terapiegroep B. Hierdie toets vergelyk die aantal "waargenome" gebeurtenisse met die "verwagte" aantal by elke gebeurtenistyd, met inagneming van die aantal proefpersone wat steeds in gevaar is.

Log-rang is effektief wanneer die veronderstelde gevaarverskil tussen groepe relatief konstant oor tyd is. As die gevare gekruis word, word die interpretasie meer ingewikkeld en kan alternatiewe toetse oorweeg word. Regressiemodel: Cox Proporsionele Gevare Wanneer navorsers baie kovariate (ouderdom, geslag, biomerker, tipe terapie, ens.) wil insluit, is die mees algemene metode die Cox Proporsionele Gevaremodel. Die Cox-model druk die individuele gevaar met kovariaat \(X\) uit as: \[ h(t \mid X) = h_0(t)\exp(\beta^\top X) \] waar: - \(h_0(t)\) die basislyngevaar is (geen nodig om die vorm daarvan te spesifiseer nie), - \(\beta\) die parameter is wat beraam moet word. Die hoofinterpretasie van Cox is deur die gevaarverhouding (HR): [HR = exp(β)] As (HR = 1,5), dan het die groep met 'n spesifieke kovariaat 'n gevaar wat 1.5 keer (50% hoër) is as die verwysingsgroep, as ander kovariate konstant is. Die voordele van die Cox-model: - buigsaam omdat dit nie 'n spesiale verspreidingsvorm vir h₁(t)) benodig nie, - kan baie kovariate insluit, - interpretasie deur die gevaarverhouding is relatief maklik. Die hoofuitdaging van die Cox-model is die proporsionele gevaaraanname, dit wil sê, die verhouding van gevare tussen groepe word aanvaar as konstant oor tyd. Hierdie aanname kan nagegaan word deur: - grafieke van log(-log(S(t))) tussen groepe, - Schoenfeld-residue, - tydveranderlike kovariate-benadering indien die aanname nie nagekom word nie. Parametriese modelle: Eksponensieel, Weibull, en ander Anders as die semiparametriese Cox, neem parametriese modelle 'n sekere verspreidingsvorm vir oorlewingstyd aan, byvoorbeeld: - Eksponensieel: die gevaar is konstant oor tyd, - Weibull: die gevaar kan toeneem of afneem, - Log-normaal en Log-logisties: nuttig vir nie-monotoniese gevaarpatrone. Parametriese modelle blink uit in: - langtermynvoorspelling, - skatting van hoeveelhede soos gemiddelde oorlewing (wanneer gedefinieer), - doeltreffendheid as die verspreidingsaannames korrek is. As die verspreidingsaannames egter verkeerd is, kan die resultate bevooroordeeld wees. Daarom moet modelkeuse diagnostiek, AIC/BIC en kurwepassing in ag neem. Praktiese toepassings in verskeie velde 1. Gesondheid en epidemiologie: tyd tot dood, kankerherhaling, tyd tot herstel of terugval, behandelingsevaluering. 2. Ingenieurswese en betroubaarheid: tyd tot komponentversaking, waarborganalise, onderhoudbeplanning. 3. Besigheid en bemarking: tyd tot kliënteverloop, tyd tot terugkoop, toepassingsgebruikersbehoud. 4. Sosiaal en ekonomies: duur van werkloosheid, tyd tot huwelik, duur van studie tot graduering. Met die regte data help oorlewingsanalise organisasies om die dinamika van 'n stelsel se veerkragtigheid te verstaan ​​en die faktore wat die voorkoms van gebeure versnel of vertraag. Belangrike punte in die praktyk van oorlewingsanalise Verskeie dinge moet oorweeg word vir 'n presiese en betroubare analise: - Definieer die gebeurtenis duidelik: byvoorbeeld, "mislukking" moet konsekwent wees (sluit dit geringe skade in?). - Bepaal die tydsoorsprong: byvoorbeeld, vanaf diagnose, vanaf die begin van terapie, of vanaf komponentinstallasie. - Sensuur moet nie-informatief wees: ideaal gesproke is die waarskynlikheid om gesensor te word onafhanklik van die risiko van die gebeurtenis nadat vir kovariate gekontroleer is. As sensuur informatief is, is 'n spesiale benadering nodig. - Datakwaliteit en opvolg: verlies van opvolgdata kan gevolgtrekkings beïnvloed. - Modeldiagnostiek: kontroleer die proporsionele gevare-aanname vir Cox of die verspreidingspassing vir parametriese modelle. Gevolgtrekking Oorlewingsanalise is 'n kragtige statistiese metode om die tyd tot gebeurtenis te bestudeer, veral wanneer die data sensuur bevat. Deur gebruik te maak van gereedskap soos die Kaplan-Meier-toets, die log-rank-toets, die Cox proporsionele gevare-model en parametriese modelle, kan navorsers oorlewingswaarskynlikhede skat, groepe vergelyk en die invloed van kovariate op die risiko van 'n gebeurtenis assesseer. Begrip van die konsepte van oorlewing en gevaar, tesame met noukeurige oorweging van modelaannames en datakwaliteit, is die sleutel tot die versekering van betroubare oorlewingsanalise-resultate wat nuttig is vir besluitneming in verskeie velde. Indien u wil, kan ek 'n meer akademiese weergawe van hierdie artikel verskaf (met verwysings), of voorbeelde van berekeninge en illustrasies van Kaplan-Meier-krommes en die interpretasie van gevaarverhoudings insluit.