Dadansoddiad goroesi mewn ystadegau

Dadansoddiad Goroesi mewn Ystadegau

Mae dadansoddi goroesi yn gangen o ystadegau sy'n canolbwyntio ar fodelu a dadansoddi'r amser cyn i ddigwyddiad ddigwydd. Gallai'r digwyddiad hwn fod yn farwolaeth claf, yn ailddigwyddiad clefyd, yn fethiant cydran peiriant, yn gadael cwsmeriaid, neu'r amser cyn i geisiwr gwaith ddod o hyd i swydd. Mae prif fantais dadansoddi goroesi dros dechnegau ystadegol eraill yn gorwedd yn ei allu i drin data anghyflawn oherwydd sensro, sef pan nad yw digwyddiad yn digwydd tan ddiwedd y cyfnod arsylwi neu nad yw'n cael ei arsylwi'n llawn.

Mewn ymchwil feddygol, defnyddir dadansoddiad goroesi yn aml i gymharu effeithiolrwydd therapïau yn seiliedig ar amser goroesi; mewn peirianneg, i amcangyfrif hyd oes cydrannau; ac mewn busnes, i ragweld cadw cwsmeriaid. Drwy gyfuno cysyniadau tebygolrwydd, amcangyfrif anbarametrig, a modelau atchweliad, mae dadansoddiad goroesi yn dod yn offeryn hanfodol mewn gwneud penderfyniadau sy'n seiliedig ar ddata.

Cysyniadau sylfaenol: amser digwyddiad a sensro

Wrth wraidd dadansoddiad goroesi mae newidyn ar hap \(T\) sy'n cynrychioli'r amser cyn i ddigwyddiad ddigwydd. Er enghraifft, gallai \(T\) fod yn nifer y dyddiau ar ôl therapi cyn i glaf brofi ailwaelu. Fodd bynnag, yn aml nid yw ymchwilwyr yn arsylwi \(T\) yn ei gyfanrwydd. Mae sawl math cyffredin o sensro:

1. Sensro i'r dde: Mae hyn yn digwydd amlaf, er enghraifft, pan nad yw claf wedi profi digwyddiad erbyn diwedd yr astudiaeth, neu pan fydd y claf yn rhoi'r gorau i'r astudiaeth. Dim ond bod \(T\) yn fwy na'r tro diwethaf a welwyd yr ydym yn ei wybod.
2. Sensro chwith (sensro chwith): Digwyddodd y digwyddiad cyn dechrau'r arsylwi, ond nid yw'r union amser yn hysbys.
3. Cyfnod sensro: Mae'n hysbys bod y digwyddiad wedi digwydd rhwng dau amser arsylwi (e.e., mae claf yn cael ei archwilio bob mis ac mae'n hysbys bod y digwyddiad wedi digwydd rhwng yr 2il a'r 3ydd mis).

Mae'r rhan fwyaf o'r dulliau sylfaenol poblogaidd (megis modelau Kaplan-Meier a Cox) yn canolbwyntio ar achos sensro'r dde.

Swyddogaethau goroesi a pherygl

Mae dadansoddiad goroesi yn defnyddio dau brif swyddogaeth:

1) Swyddogaeth goroesi
Diffinnir y swyddogaeth goroesi fel:
\[
S(t) = P(T > t)
\]
Hynny yw, \(S(t)\) yw'r tebygolrwydd y bydd unigolyn/gwrthrych yn goroesi heibio amser \(t\). Er enghraifft, gellir dehongli \(S(12)=0{,}80\) fel y disgwylir i 80% o bynciau beidio â phrofi'r digwyddiad erbyn 12 mis.

2) Swyddogaeth perygl
Mae'r ffwythiant perygl (cyfradd risg) yn disgrifio risg digwyddiad "nawr" ar yr amod bod y pwnc yn goroesi tan yr amser hwnnw:
\[
h(t) = ∫_{Deltat \to 0} \frac{P(t \leT < t+Deltat \midT \get)}{Deltat} \] Nid tebygolrwydd yw perygl, ond cyfradd. Mewn cyd-destun meddygol, mae perygl uwch yn golygu risg uwch o brofi digwyddiad ar yr adeg honno i unigolion sy'n goroesi. Mae'r ddau gysyniad hyn yn gysylltiedig gan: \[ S(t)=\exp\left(-\int_0^th(u)\,du\right) \] Mae'r berthynas hon yn bwysig oherwydd bod rhai modelau'n canolbwyntio ar berygl ac yna'n diraddio goroesiad, neu i'r gwrthwyneb. Amcangyfrif anbarametrig: Kaplan-Meier Un o'r dulliau mwyaf adnabyddus mewn dadansoddi goroesiad yw'r amcangyfrifydd Kaplan-Meier, sy'n amcangyfrif anbarametrig o'r swyddogaeth goroesi heb dybio dosraniad penodol. Mae'r amcangyfrifydd hwn yn llunio cromlin oroesi fel cynnyrch tebygolrwyddau goroesi ar bob amser digwyddiad. Yn gysyniadol, mae Kaplan–Meier yn cyfrifo: - ar bob amser digwyddiad \(t_i\), - \(d_i\) = nifer y digwyddiadau yn \(t_i\), - \(n_i\) = nifer y pynciau “mewn perygl” ychydig cyn \(t_i\), yna: \[ \hat{S}(t) = \prod_{t_i \le t}\left(1 - \frac{d_i}{n_i}\right) \] Manteision Kaplan–Meier yw: - hawdd eu dehongli trwy gromliniau goroesi, - yn gallu trin sensro i'r dde, - yn ddefnyddiol ar gyfer archwilio data a chymharu grwpiau. Fodd bynnag, mae Kaplan–Meier yn ddisgrifiadol yn bennaf. I brofi a yw dau gromlin goroesi yn sylweddol wahanol, defnyddir y prawf log-rank yn aml. Cymhariaeth grŵp: prawf log-rank Defnyddir y prawf log-rank i brofi'r ddamcaniaeth a oes gwahaniaeth mewn goroesiad rhwng dau grŵp (neu fwy), er enghraifft grŵp therapi A vs grŵp therapi B. Mae'r prawf hwn yn cymharu nifer y digwyddiadau "a welwyd" â'r nifer "disgwyliedig" ar bob amser digwyddiad, gan ystyried nifer y pynciau sy'n dal i fod mewn perygl.

Mae log-rank yn effeithiol pan fydd y gwahaniaeth perygl tybiedig rhwng grwpiau yn gymharol gyson dros amser. Os yw'r peryglon yn cael eu croesi, mae'r dehongliad yn dod yn fwy cymhleth a gellir ystyried profion amgen. Model atchweliad: Peryglon Cyfrannol Cox Pan fydd ymchwilwyr eisiau cynnwys llawer o gyd-newidynnau (oedran, rhyw, biomarcwr, math o therapi, ac ati), y dull mwyaf cyffredin yw Model Peryglon Cyfrannol Cox. Mae model Cox yn mynegi'r perygl unigol gyda chyd-newidyn \(X\) fel: \[ h(t \mid X) = h_0(t)\exp(\beta^\top X) \] lle mae: - \(h_0(t)\) yn berygl sylfaenol (nid oes angen nodi ei ffurf), - \(\beta\) yw'r paramedr i'w amcangyfrif. Y prif ddehongliad o Cox yw drwy'r gymhareb perygl (HR): \[ HR = \exp(\beta) \] Os \(HR = 1{,}5\), yna mae gan y grŵp gyda chyd-newidyn penodol berygl 1,5 gwaith (50% yn uwch) na'r grŵp cyfeirio, gan dybio bod cyd-newidynnau eraill yn gyson. Manteision model Cox: - hyblyg oherwydd nad oes angen ffurflen ddosbarthu arbennig ar gyfer \(h_0(t))\), - gall gynnwys llawer o gyd-newidynnau, - mae dehongli drwy'r gymhareb perygl yn gymharol hawdd. Prif her model Cox yw'r dybiaeth peryglon cyfrannol, hynny yw, tybir bod cymhareb y peryglon rhwng grwpiau yn gyson dros amser. Gellir gwirio'r dybiaeth hon drwy: - graffiau o log(-log(S(t))) rhwng grwpiau, - gweddillion Schoenfeld, - dull cyd-newidynnau sy'n amrywio yn ôl amser os na chyflawnir y dybiaeth. Modelau parametrig: Esbonyddol, Weibull, ac eraill Yn wahanol i'r Cox lled-barametrig, mae modelau parametrig yn tybio ffurf ddosbarthu benodol ar gyfer amser goroesi, er enghraifft: - Esbonyddol: mae'r perygl yn gyson dros amser, - Weibull: gall y perygl gynyddu neu leihau, - Log-normal a Log-logistig: yn ddefnyddiol ar gyfer patrymau perygl nad ydynt yn monotonig. Mae modelau parametrig yn rhagori mewn: - rhagfynegiad hirdymor, - amcangyfrif meintiau fel goroesiad cymedrig (pan gânt eu diffinio), - effeithlonrwydd os yw'r rhagdybiaethau dosbarthu yn gywir. Fodd bynnag, os yw'r rhagdybiaethau dosbarthu yn anghywir, gall y canlyniadau fod yn rhagfarnllyd. Felly, mae angen i ddewis model ystyried diagnosteg, AIC/BIC, a ffit cromlin. Cymwysiadau ymarferol mewn amrywiol feysydd 1. Iechyd ac epidemioleg: amser i farwolaeth, ailddigwydd canser, amser i wella neu ailddigwydd, gwerthuso triniaeth. 2. Peirianneg a dibynadwyedd: amser i fethiant cydrannau, dadansoddi gwarant, cynllunio cynnal a chadw. 3. Busnes a marchnata: amser i gwsmeriaid adael, amser i ailbrynu, cadw defnyddwyr cymwysiadau. 4. Cymdeithasol ac economaidd: hyd diweithdra, amser i briodi, hyd astudio tan raddio. Gyda'r data cywir, mae dadansoddi goroesi yn helpu sefydliadau i ddeall dynameg gwydnwch system a'r ffactorau sy'n cyflymu neu'n arafu digwyddiad digwyddiadau. Pwyntiau pwysig wrth ymarfer dadansoddi goroesi Mae angen ystyried sawl peth ar gyfer dadansoddiad manwl gywir a dibynadwy: - Diffinio'r digwyddiad yn glir: er enghraifft, rhaid i "methiant" fod yn gyson (a yw'n cynnwys difrod bach?). - Pennu'r tarddiad amser: er enghraifft, o ddiagnosis, o ddechrau therapi, neu o osod cydrannau. - Ni ddylai sensro fod yn addysgiadol: yn ddelfrydol, mae'r tebygolrwydd o gael eich sensro yn annibynnol ar risg y digwyddiad ar ôl rheoli ar gyfer cyd-newidynnau. Os yw sensro yn addysgiadol, mae angen dull arbennig. - Ansawdd data a dilyniant: gall colli data dilynol effeithio ar gasgliadau. - Diagnosteg model: gwiriwch y dybiaeth peryglon cyfrannol ar gyfer Cox neu'r ffit dosraniadol ar gyfer modelau parametrig. Casgliad Mae dadansoddi goroesi yn ddull ystadegol pwerus ar gyfer astudio'r amser i ddigwyddiad, yn enwedig pan fydd y data'n cynnwys sensro. Gan ddefnyddio offer fel prawf Kaplan-Meier, y prawf log-rank, model peryglon cyfrannol Cox, a modelau parametrig, gall ymchwilwyr amcangyfrif tebygolrwydd goroesi, cymharu grwpiau, ac asesu dylanwad cyd-newidynnau ar risg digwyddiad. Mae deall cysyniadau goroesi a pherygl, ynghyd ag ystyried yn ofalus dybiaethau model ac ansawdd data, yn allweddol i sicrhau canlyniadau dadansoddi goroesi dibynadwy sy'n ddefnyddiol ar gyfer gwneud penderfyniadau mewn amrywiol feysydd. Os dymunwch, gallaf ddarparu fersiwn fwy academaidd o'r erthygl hon (gyda chyfeiriadau), neu gynnwys enghreifftiau o gyfrifiadau a darluniau o gromliniau Kaplan-Meier a dehongli cymharebau perygl.