ניתוח הישרדות בסטטיסטיקה
ניתוח הישרדות הוא ענף בסטטיסטיקה המתמקד במידול וניתוח הזמן עד להתרחשות אירוע. אירוע זה יכול להיות מוות של מטופל, הישנות מחלה, כשל ברכיב מכונה, נטישת לקוח, או הזמן עד שמחפש עבודה מוצא עבודה. היתרון העיקרי של ניתוח הישרדות על פני טכניקות סטטיסטיות אחרות טמון ביכולתו לטפל בנתונים לא שלמים עקב צנזורה, כלומר כאשר אירוע אינו מתרחש עד סוף תקופת התצפית או אינו נצפה במלואו.
במחקר רפואי, ניתוח הישרדות משמש לעתים קרובות להשוואת יעילותם של טיפולים על סמך זמן הישרדות; בהנדסה, להערכת תוחלת החיים של רכיבים; ובעסקים, לחיזוי שימור לקוחות. על ידי שילוב מושגי ההסתברות, הערכת מצב לא פרמטרית ומודלים של רגרסיה, ניתוח הישרדות הופך לכלי מכריע בקבלת החלטות מונחות נתונים.
מושגים בסיסיים : זמן התרחשות וצנזורה
בלב ניתוח ההישרדות נמצא משתנה אקראי \(T\) המייצג את הזמן עד להתרחשות אירוע. לדוגמה, \(T\) יכול להיות מספר הימים לאחר הטיפול עד שמטופל חווה הישנות. עם זאת, חוקרים לעיתים קרובות אינם צופים ב- \(T\) בשלמותו. ישנן מספר צורות נפוצות של צנזורה:
1. צנזורה ימינה: זה קורה לרוב, למשל, כאשר מטופל לא חווה אירוע עד סוף המחקר, או כאשר המטופל נושר מהמחקר. אנו יודעים רק ש-\(T\) גדול מהפעם האחרונה שנצפתה.
2. צנזורה שמאלית (left censor): האירוע התרחש לפני תחילת התצפית, אך הזמן המדויק אינו ידוע.
3. מרווח צנזורה: ידוע שהאירוע התרחש בין שני זמני תצפית (למשל, מטופל נבדק מדי חודש וידוע שהאירוע התרחש בין החודש השני לשלישי).
רוב השיטות הבסיסיות הפופולריות (כגון מודלים של קפלן-מאייר וקוקס) מתמקדות במקרה של צנזורה ימנית.
פונקציות הישרדות וסכנה
ניתוח הישרדות משתמש בשתי פונקציות עיקריות:
1) פונקציית הישרדות
פונקציית ההישרדות מוגדרת כך:
\[
S(t) = P(T > t)
\]
כלומר, \(S(t)\) היא ההסתברות שאדם/אובייקט ישרוד מעבר לזמן \(t\). לדוגמה, \(S(12)=0{,}80\) ניתן לפרש כמשמעות ש-80% מהנבדקים צפויים לא לחוות את האירוע תוך 12 חודשים.
2) פונקציית סכנה
פונקציית הסיכון (שיעור הסיכון) מתארת את הסיכון לאירוע "עכשיו", בתנאי שהנבדק שורד עד לאותו זמן:
\[
h(t) = ∫_{Deltat} = ∫frac{P(t₀T < t + Δt \ge(T)/Δt}
\]
סיכון אינו הסתברות, אלא שיעור. בהקשר רפואי, סיכון גבוה יותר פירושו שהסיכון לחוות את האירוע באותו זמן גבוה יותר עבור אנשים ששורדים.
שני מושגים אלה קשורים זה לזה באמצעות:
\[
S(t)=\exp\left(-\int_0^th(u)\,du\right)
\]
קשר זה חשוב משום שחלק מהמודלים מתמקדים בסיכון, ואז מפחיתים את ההישרדות, או להיפך.
אמידה לא פרמטרית: קפלן-מאייר
אחת השיטות הידועות ביותר בניתוח הישרדות היא אומדן קפלן-מאייר, אומדן לא פרמטרי של פונקציית ההישרדות ללא הנחת התפלגות ספציפית. אומדן זה בונה עקומת הישרדות על ידי הכפלת הסתברויות ההישרדות בכל זמן אירוע.
מבחינה מושגית, קפלן-מאייר מחשב:
– בכל זמן אירוע \(t_i\),
– \(d_i\) = מספר האירועים ב- \(t_i\),
– \(n_i\) = מספר הנבדקים "בסיכון" ממש לפני \(t_i\),
כָּך:
\[
\hat{S}(t) = \prod_{t_i \le t}\left(1 – \frac{d_i}{n_i}\right)
\]
היתרונות של קפלן-מאייר הם:
– קל לפירוש באמצעות עקומות הישרדות,
– יכול להתמודד עם צנזורה נכונה,
– שימושי לחקירת נתונים והשוואות קבוצות.
עם זאת, מבחן קפלן-מאייר הוא בעיקרו תיאורי. כדי לבדוק האם שתי עקומות הישרדות שונות באופן משמעותי, משתמשים לעתים קרובות במבחן log-rank.
השוואת קבוצות: מבחן לוג-רנק
מבחן הלוג-רנק משמש לבדיקת ההשערה האם יש הבדל בהישרדות בין שתי קבוצות (או יותר), לדוגמה קבוצת טיפול א' לעומת קבוצת טיפול ב'. מבחן זה משווה את מספר האירועים "שנצפו" עם ה"צפוי" בכל זמן אירוע, תוך התחשבות במספר הנבדקים שעדיין נמצאים בסיכון.
לוג-רנק יעיל כאשר הפרש הסיכון המשוער בין הקבוצות קבוע יחסית לאורך זמן. אם הסיכונים מצטלבים, הפרשנות הופכת למסובכת יותר וניתן לשקול בדיקות חלופיות.
מודל רגרסיה: סיכונים פרופורציונליים של קוקס
כאשר חוקרים רוצים לכלול מספר משתנים (גיל, מין, סמנים ביולוגיים, סוג טיפול וכו'), השיטה הנפוצה ביותר היא מודל הסיכונים הפרופורציונליים של קוקס. מודל קוקס מבטא את הסיכון האינדיבידואלי עם משתנים \(X\) כך:
\[
h(t ≈ X) = h_₀(t)≈ exp(β₀ X)
\]
אֵיפֹה:
– \(h_0(t)\) הוא הסיכון הבסיסי (אין צורך לציין את צורתו),
– \(\beta\) הוא הפרמטר המשוער.
הפרשנות העיקרית של קוקס היא באמצעות יחס הסיכון (HR):
\[
HR = ∫exp(β)
\]
אם \(HR = 1{,}5\), אז לקבוצה עם משתנה מקביל מסוים יש סיכון פי 1,5 (גבוה ב-50%) מקבוצת הייחוס, בהנחה שמשתנים מקבילים אחרים קבועים.
יתרונות מודל קוקס:
– גמיש מכיוון שאינו דורש צורת חלוקה מיוחדת עבור \(h_0(t)\),
– יכול לכלול משתנים משותפים רבים,
– פרשנות באמצעות יחס סיכון קלה יחסית.
האתגר העיקרי במודל קוקס הוא הנחת הסיכונים הפרופורציונליים, המניחה כי יחס הסיכונים בין הקבוצות נשאר קבוע לאורך זמן. ניתן לבדוק הנחה זו על ידי:
– גרף log(-log(S(t))) בין הקבוצות,
– שאריות שונפלד,
– גישת משתנים משותפים משתנים בזמן כאשר ההנחות אינן מתקיימות.
מודלים פרמטריים: אקספוננציאלי, וייבול ואחרים
בניגוד למודל קוקס הסמי-פרמטרי, המודל הפרמטרי מניח צורת התפלגות מסוימת עבור זמן ההישרדות, לדוגמה:
– אקספוננציאלי: הסיכון קבוע לאורך זמן,
– וייבול: הסיכון יכול לגדול או לקטון,
– לוג-נורמלי ולוג-לוגיסטי: שימושי עבור דפוסי סיכון לא מונוטוניים.
מודלים פרמטריים מצטיינים ב:
– תחזיות לטווח ארוך,
– אומדן כמויות כגון שרידות ממוצעת (אם מוגדרת),
– יעילות אם הנחות ההתפלגות נכונות.
עם זאת, אם הנחות ההתפלגות אינן נכונות, התוצאות עלולות להיות מוטות. לכן, בחירת המודל צריכה להתחשב באבחונים, ב-AIC/BIC ובהתאמת עקומה.
יישומים מעשיים בתחומים שונים
1. בריאות ואפידמיולוגיה: זמן עד למוות, הישנות סרטן, זמן להחלמה או הישנות, הערכת טיפול.
2. הנדסה ואמינות: זמן עד כשל רכיבים, ניתוח אחריות, תכנון תחזוקה.
3. עסקים ושיווק: זמן עד לנטישת לקוחות, זמן עד לרכישה חוזרת, שימור משתמשי אפליקציה.
4. חברתי וכלכלי: משך האבטלה, זמן עד לנישואין, משך הלימודים עד סיום הלימודים.
בעזרת הנתונים הנכונים, ניתוח הישרדות עוזר לארגונים להבין את הדינמיקה של "חוסן" המערכת ואת הגורמים המאיצים או מאטים את התרחשותם של אירועים.
דברים חשובים בתרגול ניתוח הישרדות
מספר דברים שיש לקחת בחשבון כדי שהניתוח יהיה מדויק ואמין:
– הגדירו אירועים בצורה ברורה: לדוגמה, "כישלון" צריך להיות עקבי (האם זה כולל נזק קל?).
– קבע את מקור הזמן: לדוגמה, מאז האבחון, מאז תחילת הטיפול או מאז התקנת הרכיב.
– הצנזורה צריכה להיות לא אינפורמטיבית: באופן אידיאלי, ההסתברות המצונזרת אינה תלויה בסיכון האירוע לאחר שליטה על משתנים משותפים. אם הצנזורה היא אינפורמטיבית, נדרשת גישה מיוחדת.
– איכות הנתונים ומעקב: נתוני מעקב חסרים יכולים להשפיע על המסקנות.
– אבחון מודל: בדיקת הנחת הסיכונים הפרופורציונליים עבור קוקס או התאמת ההתפלגות עבור מודלים פרמטריים.
מסקנה
ניתוח הישרדות הוא שיטה סטטיסטית רבת עוצמה לחקר הזמן עד להתרחשות אירוע, במיוחד כאשר הנתונים מכילים צנזורה. באמצעות כלים כגון מבחן קפלן-מאייר, מבחן לוג-רנק, מודל הסיכונים הפרופורציונליים של קוקס ומודלים פרמטריים, חוקרים יכולים להעריך הסתברויות הישרדות, להשוות קבוצות ולהעריך את השפעת המשתנים המקבילים על הסיכון לאירוע. הבנת המושגים הישרדות וסיכון, יחד עם תשומת לב מדוקדקת להנחות המודל ואיכות הנתונים, היא המפתח להבטחת תוצאות ניתוח הישרדות אמינות שימושיות לקבלת החלטות בתחומים שונים.
אם תרצה, אוכל ליצור גרסה אקדמית יותר של המאמר (עם הפניות), או לכלול דוגמאות לחישובים ואיורים של עקומת קפלן-מאייר ופרשנות יחס הסיכון.
