Overlevelsesanalyse i statistik
Overlevelsesanalyse er en gren af statistik, der fokuserer på modellering og analyse af tiden, indtil en begivenhed indtræffer. Denne begivenhed kan være en patientdød, et tilbagefald af sygdommen, en maskinkomponentfejl, kundefrafald eller tiden, indtil en jobsøgende finder et job. Overlevelsesanalysens primære fordel i forhold til andre statistiske teknikker ligger i dens evne til at håndtere ufuldstændige data på grund af censurering, hvilket er, når en begivenhed ikke indtræffer før slutningen af observationsperioden eller ikke observeres fuldt ud.
Inden for medicinsk forskning bruges overlevelsesanalyse ofte til at sammenligne effektiviteten af behandlinger baseret på overlevelsestid; inden for ingeniørvidenskab til at estimere komponenters levetid; og i erhvervslivet til at forudsige kundefastholdelse. Ved at kombinere koncepterne sandsynlighed, ikke-parametrisk estimering og regressionsmodeller bliver overlevelsesanalyse et afgørende værktøj i datadrevet beslutningstagning.
Grundlæggende begreber: tidspunkt for begivenhed og censurering
Kernen i overlevelsesanalysen er en stokastisk variabel \(T\), der repræsenterer tiden, indtil en begivenhed indtræffer. For eksempel kan \(T\) være antallet af dage efter behandling, indtil en patient oplever et tilbagefald. Forskere observerer dog ofte ikke \(T\) i sin helhed. Der er flere almindelige former for censurering:
1. Højre censurering: Dette forekommer oftest, for eksempel når en patient ikke har oplevet en hændelse ved afslutningen af undersøgelsen, eller når patienten udgår af undersøgelsen. Vi ved kun, at \(T\) er større end sidst observeret.
2. Venstre censurering (venstre censur): Hændelsen fandt sted før observationens start, men det nøjagtige tidspunkt er ukendt.
3. Censureringsinterval: Det vides, at hændelsen er indtruffet mellem to observationstidspunkter (f.eks. undersøges en patient månedligt, og det vides, at hændelsen er indtruffet mellem den 2. og 3. måned).
De fleste af de populære grundmetoder (såsom Kaplan-Meier og Cox-modellerne) fokuserer på tilfældet med højrecensur.
Overlevelses- og farefunktioner
Overlevelsesanalyse bruger to hovedfunktioner:
1) Overlevelsesfunktion
Overlevelsesfunktionen er defineret som:
\[
S(t) = P(T > t)
\]
Det vil sige, at \(S(t)\) er sandsynligheden for, at et individ/objekt overlever ud over tiden \(t\). For eksempel kan \(S(12)=0{,}80\) fortolkes som, at 80% af forsøgspersonerne forventes ikke at have oplevet begivenheden inden for 12 måneder.
2) Farefunktion
Farefunktionen (risikoraten) beskriver risikoen for en begivenhed "nu", forudsat at subjektet overlever indtil da:
\[
h(t) = ∫_{Δt \to 0} \frac{P(t \leT < t+Δt \geT)}{Δt} \] Fare er ikke en sandsynlighed, men en rate. I en medicinsk kontekst betyder en højere fare en højere risiko for at opleve en begivenhed på det tidspunkt for overlevende individer. Disse to begreber er relateret af: \[ S(t) = \exp\left(-\int_0^th(u)\,du\right) \] Dette forhold er vigtigt, fordi nogle modeller fokuserer på fare og derefter forringer overlevelse, eller omvendt. Ikke-parametrisk estimering: Kaplan-Meier En af de mest kendte metoder inden for overlevelsesanalyse er Kaplan-Meier-estimatoren, som er et ikke-parametrisk estimat af overlevelsesfunktionen uden at antage en specifik fordeling. Denne estimator konstruerer en overlevelseskurve som produktet af sandsynlighederne for overlevelse på hvert begivenhedstidspunkt. Konceptuelt beregner Kaplan-Meier: - ved hvert hændelsestidspunkt \(t_i\), - \(d_i\) = antal hændelser ved \(t_i\), - \(n_i\) = antal forsøgspersoner "i risiko" lige før \(t_i\), så: \[ \hat{S}(t) = \prod_{t_i \le t}\left(1 - \frac{d_i}{n_i}\right) \] Fordelene ved Kaplan-Meier er: - nem at fortolke gennem overlevelseskurver, - kan håndtere højrecensurering, - nyttig til dataudforskning og gruppesammenligninger. Kaplan-Meier er dog primært beskrivende. For at teste, om to overlevelseskurver er signifikant forskellige, anvendes log-rank-testen ofte. Gruppesammenligning: log-rank-test Log-rank-testen bruges til at teste hypotesen om, hvorvidt der er forskel i overlevelse mellem to (eller flere) grupper, for eksempel terapigruppe A vs. terapigruppe B. Denne test sammenligner antallet af "observerede" hændelser med det "forventede" antal på hvert hændelsestidspunkt, idet der tages højde for antallet af forsøgspersoner, der stadig er i risiko.
