सांख्यिकी में उत्तरजीविता विश्लेषण

सांख्यिकी में उत्तरजीविता विश्लेषण

उत्तरजीविता विश्लेषण सांख्यिकी की एक शाखा है जो किसी घटना के घटित होने तक के समय का मॉडल तैयार करने और विश्लेषण करने पर केंद्रित है। यह घटना किसी मरीज की मृत्यु, बीमारी का पुनरावर्तन, मशीन के किसी पुर्जे की खराबी, ग्राहक का कंपनी छोड़ना, या नौकरी चाहने वाले को नौकरी मिलने तक का समय हो सकती है। अन्य सांख्यिकीय तकनीकों की तुलना में उत्तरजीविता विश्लेषण का मुख्य लाभ यह है कि यह अपूर्ण डेटा को संभालने में सक्षम है, जो कि सेंसरिंग के कारण होता है, यानी जब कोई घटना अवलोकन अवधि के अंत तक घटित नहीं होती है या पूरी तरह से देखी नहीं जाती है।

चिकित्सा अनुसंधान में, उत्तरजीविता विश्लेषण का उपयोग अक्सर उत्तरजीविता समय के आधार पर उपचारों की प्रभावशीलता की तुलना करने के लिए किया जाता है; इंजीनियरिंग में, घटकों के जीवनकाल का अनुमान लगाने के लिए; और व्यवसाय में, ग्राहक प्रतिधारण की भविष्यवाणी करने के लिए। संभाव्यता, असंतुलित अनुमान और प्रतिगमन मॉडल की अवधारणाओं को मिलाकर, उत्तरजीविता विश्लेषण डेटा-आधारित निर्णय लेने में एक महत्वपूर्ण उपकरण बन जाता है।

बुनियादी अवधारणाएँ: घटना का समय और सेंसरशिप

उत्तरजीविता विश्लेषण का मूल तत्व एक यादृच्छिक चर \(T\) है जो किसी घटना के घटित होने तक के समय को दर्शाता है। उदाहरण के लिए, \(T\) उपचार के बाद रोगियों में रोग की पुनरावृत्ति होने तक के दिनों की संख्या हो सकती है। हालांकि, शोधकर्ता अक्सर \(T\) को पूरी तरह से नहीं देख पाते हैं। सेंसरिंग के कई सामान्य रूप हैं:

1. राइट सेंसरिंग: यह अक्सर तब होता है, उदाहरण के लिए, जब अध्ययन के अंत तक किसी रोगी को कोई घटना अनुभव नहीं हुई हो, या जब रोगी अध्ययन से बाहर हो जाता है। हमें केवल इतना पता होता है कि \(T\) अंतिम बार देखे गए समय से अधिक है।
2. बाएँ सेंसरिंग (लेफ्ट सेंसर): घटना अवलोकन की शुरुआत से पहले घटी, लेकिन सटीक समय अज्ञात है।
3. सेंसरिंग अंतराल: घटना दो अवलोकन समयों के बीच घटित हुई मानी जाती है (उदाहरण के लिए, एक रोगी की मासिक जांच की जाती है और घटना दूसरे और तीसरे महीने के बीच घटित हुई मानी जाती है)।

अधिकांश लोकप्रिय बुनियादी विधियाँ (जैसे कि कैपलान-मेयर और कॉक्स मॉडल) राइट सेंसरिंग के मामले पर ध्यान केंद्रित करती हैं।

उत्तरजीविता और जोखिम कार्य

उत्तरजीविता विश्लेषण दो मुख्य कार्यों का उपयोग करता है:

1) उत्तरजीविता कार्य
उत्तरजीविता फलन को इस प्रकार परिभाषित किया गया है:
\[
एस(टी) = पी(टी > टी)
\]
अर्थात्, \(S(t)\) वह प्रायिकता है कि कोई व्यक्ति/वस्तु समय \(t\) के बाद जीवित रहेगा। उदाहरण के लिए, \(S(12)=0{,}80\) का अर्थ यह लगाया जा सकता है कि 80% विषयों के 12 महीनों के भीतर घटना का अनुभव न करने की अपेक्षा की जाती है।

2) जोखिम फ़ंक्शन
जोखिम फलन (जोखिम दर) किसी घटना के "अभी" होने के जोखिम का वर्णन करता है, बशर्ते कि व्यक्ति उस समय तक जीवित रहे:
\[
h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t+\Delta t \mid T \ge t)}{\Delta t} \] जोखिम एक प्रायिकता नहीं, बल्कि एक दर है। चिकित्सा संदर्भ में, उच्च जोखिम का अर्थ है जीवित व्यक्तियों के लिए उस समय किसी घटना का अनुभव करने का उच्च जोखिम। ये दोनों अवधारणाएँ निम्न प्रकार से संबंधित हैं: \[ S(t)=\exp\left(-\int_0^th(u)\,du\right) \] यह संबंध महत्वपूर्ण है क्योंकि कुछ मॉडल जोखिम पर ध्यान केंद्रित करते हैं और फिर उत्तरजीविता को कम कर देते हैं, या इसके विपरीत। गैर-पैरामीट्रिक अनुमान: कपलान-मीयर उत्तरजीविता विश्लेषण में सबसे प्रसिद्ध विधियों में से एक कपलान-मीयर अनुमानक है, जो एक विशिष्ट वितरण को माने बिना उत्तरजीविता फलन का एक गैर-पैरामीट्रिक अनुमान है। यह अनुमानक प्रत्येक घटना समय पर उत्तरजीविता की प्रायिकताओं के गुणनफल के रूप में एक उत्तरजीविता वक्र का निर्माण करता है। सैद्धांतिक रूप से, कैपलान-मीयर गणना इस प्रकार करता है: - प्रत्येक घटना समय \(t_i\) पर, - \(d_i\) = \(t_i\) पर घटनाओं की संख्या, - \(n_i\) = \(t_i\) से ठीक पहले "जोखिम में" विषयों की संख्या, तो: \[ \hat{S}(t) = \prod_{t_i \le t}\left(1 - \frac{d_i}{n_i}\right) \] कैपलान-मीयर के लाभ हैं: - उत्तरजीविता वक्रों के माध्यम से व्याख्या करना आसान, - दाएं सेंसरिंग को संभाल सकता है, - डेटा अन्वेषण और समूह तुलनाओं के लिए उपयोगी। हालांकि, कैपलान-मीयर मुख्य रूप से वर्णनात्मक है। यह परीक्षण करने के लिए कि क्या दो उत्तरजीविता वक्र महत्वपूर्ण रूप से भिन्न हैं, अक्सर लॉग-रैंक परीक्षण का उपयोग किया जाता है। समूह तुलना: लॉग-रैंक परीक्षण। लॉग-रैंक परीक्षण का उपयोग इस परिकल्पना का परीक्षण करने के लिए किया जाता है कि क्या दो (या अधिक) समूहों के बीच उत्तरजीविता में अंतर है, उदाहरण के लिए थेरेपी समूह A बनाम थेरेपी समूह B। यह परीक्षण प्रत्येक घटना के समय "अवलोकित" घटनाओं की संख्या की तुलना "अपेक्षित" संख्या से करता है, जिसमें अभी भी जोखिम में मौजूद विषयों की संख्या को ध्यान में रखा जाता है।

लॉग-रैंक तब प्रभावी होता है जब समूहों के बीच अनुमानित जोखिम अंतर समय के साथ अपेक्षाकृत स्थिर रहता है। यदि जोखिम आपस में जुड़े हुए हैं, तो व्याख्या अधिक जटिल हो जाती है और वैकल्पिक परीक्षणों पर विचार किया जा सकता है। प्रतिगमन मॉडल: कॉक्स आनुपातिक जोखिम जब शोधकर्ता कई सहचरों (आयु, लिंग, बायोमार्कर, चिकित्सा का प्रकार, आदि) को शामिल करना चाहते हैं, तो सबसे आम विधि कॉक्स आनुपातिक जोखिम मॉडल है। कॉक्स मॉडल सहचर \(X\) के साथ व्यक्तिगत जोखिम को इस प्रकार व्यक्त करता है: \[ h(t \mid X) = h_0(t)\exp(\beta^\top X) \] जहाँ: - \(h_0(t)\) आधारभूत जोखिम है (इसके रूप को निर्दिष्ट करने की आवश्यकता नहीं है), - \(\beta\) अनुमानित किया जाने वाला पैरामीटर है। कॉक्स मॉडल की मुख्य व्याख्या जोखिम अनुपात (HR) के माध्यम से की जाती है: [ HR = exp(β) ]। यदि HR = 1, 5 है, तो किसी विशेष सहचर वाले समूह का जोखिम संदर्भ समूह की तुलना में 1,5 गुना (50% अधिक) होता है, यह मानते हुए कि अन्य सहचर स्थिर हैं। कॉक्स मॉडल के लाभ: - यह लचीला है क्योंकि इसके लिए h₀(t) के लिए किसी विशेष वितरण रूप की आवश्यकता नहीं होती है, - इसमें कई सहचर शामिल किए जा सकते हैं, - जोखिम अनुपात के माध्यम से व्याख्या अपेक्षाकृत आसान है। कॉक्स मॉडल की मुख्य चुनौती आनुपातिक जोखिम धारणा है, अर्थात् समूहों के बीच जोखिम अनुपात को समय के साथ स्थिर माना जाता है। इस धारणा की जाँच निम्न द्वारा की जा सकती है: - समूहों के बीच log(-log(S(t))) के ग्राफ़ द्वारा, - शोएनफेल्ड अवशिष्टों द्वारा, - समय-परिवर्ती सहचरों के दृष्टिकोण द्वारा यदि धारणा पूरी नहीं होती है। पैरामीट्रिक मॉडल: एक्सपोनेंशियल, वीबुल और अन्य। सेमीपैरामीट्रिक कॉक्स मॉडल के विपरीत, पैरामीट्रिक मॉडल सर्वाइवल टाइम के लिए एक निश्चित वितरण रूप मानते हैं, उदाहरण के लिए: - एक्सपोनेंशियल: समय के साथ जोखिम स्थिर रहता है, - वीबुल: जोखिम बढ़ या घट सकता है, - लॉग-नॉर्मल और लॉग-लॉजिस्टिक: गैर-मोनोटोनिक जोखिम पैटर्न के लिए उपयोगी। पैरामीट्रिक मॉडल इन क्षेत्रों में उत्कृष्ट हैं: - दीर्घकालिक पूर्वानुमान, - औसत सर्वाइवल (जब परिभाषित हो) जैसी मात्राओं का अनुमान, - यदि वितरण संबंधी मान्यताएं सही हों तो दक्षता। हालांकि, यदि वितरण संबंधी मान्यताएं गलत हैं, तो परिणाम पक्षपाती हो सकते हैं। इसलिए, मॉडल चयन में डायग्नोस्टिक्स, AIC/BIC और कर्व फिट पर विचार करना आवश्यक है। विभिन्न क्षेत्रों में व्यावहारिक अनुप्रयोग 1. स्वास्थ्य और महामारी विज्ञान: मृत्यु का समय, कैंसर की पुनरावृत्ति, ठीक होने या दोबारा होने का समय, उपचार मूल्यांकन। 2. इंजीनियरिंग और विश्वसनीयता: घटक विफलता का समय, वारंटी विश्लेषण, रखरखाव योजना। 3. व्यवसाय और विपणन: ग्राहक के कंपनी छोड़ने का समय, पुनर्खरीद का समय, एप्लिकेशन उपयोगकर्ता प्रतिधारण। 4. सामाजिक और आर्थिक: बेरोजगारी की अवधि, विवाह का समय, स्नातक होने तक अध्ययन की अवधि। सही डेटा के साथ, उत्तरजीविता विश्लेषण संगठनों को किसी प्रणाली की लचीलता की गतिशीलता और घटनाओं के घटित होने की गति को तेज या धीमा करने वाले कारकों को समझने में मदद करता है। उत्तरजीविता विश्लेषण के अभ्यास में महत्वपूर्ण बिंदु सटीक और विश्वसनीय विश्लेषण के लिए कई बातों पर विचार करना आवश्यक है: - घटना को स्पष्ट रूप से परिभाषित करें: उदाहरण के लिए, "विफलता" सुसंगत होनी चाहिए (क्या इसमें मामूली क्षति शामिल है?)। - समय की उत्पत्ति निर्धारित करें: उदाहरण के लिए, निदान से, चिकित्सा की शुरुआत से, या घटक स्थापना से। - सेंसरिंग गैर-सूचनात्मक होनी चाहिए: आदर्श रूप से, सहचरों को नियंत्रित करने के बाद सेंसर होने की संभावना घटना के जोखिम से स्वतंत्र होती है। यदि सेंसरिंग जानकारीपूर्ण है, तो एक विशेष दृष्टिकोण की आवश्यकता होती है। - डेटा गुणवत्ता और अनुवर्ती कार्रवाई: अनुवर्ती डेटा की कमी निष्कर्षों को प्रभावित कर सकती है। - मॉडल निदान: कॉक्स मॉडल के लिए आनुपातिक जोखिम धारणा या पैरामीट्रिक मॉडल के लिए वितरण फिट की जाँच करें। निष्कर्ष: उत्तरजीविता विश्लेषण घटना के समय का अध्ययन करने के लिए एक शक्तिशाली सांख्यिकीय विधि है, विशेष रूप से जब डेटा में सेंसरिंग शामिल हो। कैपलान-मीयर परीक्षण, लॉग-रैंक परीक्षण, कॉक्स आनुपातिक जोखिम मॉडल और पैरामीट्रिक मॉडल जैसे उपकरणों का उपयोग करके, शोधकर्ता उत्तरजीविता संभावनाओं का अनुमान लगा सकते हैं, समूहों की तुलना कर सकते हैं और किसी घटना के जोखिम पर सहचरों के प्रभाव का आकलन कर सकते हैं। उत्तरजीविता और जोखिम की अवधारणाओं को समझना, साथ ही मॉडल की मान्यताओं और डेटा गुणवत्ता पर सावधानीपूर्वक विचार करना, विभिन्न क्षेत्रों में निर्णय लेने के लिए उपयोगी विश्वसनीय उत्तरजीविता विश्लेषण परिणाम सुनिश्चित करने की कुंजी है। यदि आप चाहें, तो मैं इस लेख का अधिक अकादमिक संस्करण (संदर्भों के साथ) प्रदान कर सकता हूँ, या कैपलान-मीयर वक्रों की गणना और चित्रण के उदाहरण और जोखिम अनुपातों की व्याख्या शामिल कर सकता हूँ।