စာရင်းအင်းများတွင် ရှင်သန်မှု ခွဲခြမ်းစိတ်ဖြာခြင်း

စာရင်းအင်းပညာတွင် ရှင်သန်ရပ်တည်ရေး ခွဲခြမ်းစိတ်ဖြာခြင်း

ရှင်သန်မှု ခွဲခြမ်းစိတ်ဖြာခြင်းသည် ဖြစ်ရပ်တစ်ခု မဖြစ်ပွားမချင်း အချိန်ကို မော်ဒယ်လ်လုပ်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအပေါ် အာရုံစိုက်သည့် စာရင်းအင်းများ၏ ဌာနခွဲတစ်ခုဖြစ်သည်။ ဤဖြစ်ရပ်သည် လူနာသေဆုံးမှု၊ ရောဂါပြန်ဖြစ်ခြင်း၊ စက်အစိတ်အပိုင်း ချို့ယွင်းခြင်း၊ ဖောက်သည် ထွက်ခွာခြင်း သို့မဟုတ် အလုပ်ရှာဖွေသူတစ်ဦး အလုပ်ရှာတွေ့သည်အထိ အချိန်ဖြစ်နိုင်သည်။ အခြားစာရင်းအင်းနည်းစနစ်များထက် ရှင်သန်မှု ခွဲခြမ်းစိတ်ဖြာမှု၏ အဓိကအားသာချက်မှာ ဆင်ဆာဖြတ်တောက်ခြင်းကြောင့် မပြည့်စုံသောဒေတာကို ကိုင်တွယ်နိုင်စွမ်းတွင် တည်ရှိသည်။ ဆိုလိုသည်မှာ စောင့်ကြည့်ကာလ ကုန်ဆုံးသည်အထိ ဖြစ်ရပ်တစ်ခု မဖြစ်ပွားခြင်း သို့မဟုတ် အပြည့်အဝ မလေ့လာတွေ့ရှိခြင်း ဖြစ်သည်။

ဆေးဘက်ဆိုင်ရာသုတေသနတွင်၊ ရှင်သန်မှုခွဲခြမ်းစိတ်ဖြာမှုကို ရှင်သန်ချိန်အပေါ်အခြေခံ၍ ကုထုံးများ၏ထိရောက်မှုကို နှိုင်းယှဉ်ရန်၊ အင်ဂျင်နီယာပညာတွင် အစိတ်အပိုင်းများ၏သက်တမ်းကို ခန့်မှန်းရန်၊ နှင့် စီးပွားရေးလုပ်ငန်းတွင် ဖောက်သည်ထိန်းသိမ်းမှုကို ခန့်မှန်းရန် အသုံးပြုလေ့ရှိသည်။ ဖြစ်နိုင်ခြေ၊ ပါရာမက်ထရစ်မဟုတ်သော ခန့်မှန်းချက်နှင့် ဆုတ်ယုတ်မှုပုံစံများ၏ သဘောတရားများကို ပေါင်းစပ်ခြင်းဖြင့်၊ ရှင်သန်မှုခွဲခြမ်းစိတ်ဖြာမှုသည် အချက်အလက်အခြေပြု ဆုံးဖြတ်ချက်ချရာတွင် အရေးကြီးသောကိရိယာတစ်ခု ဖြစ်လာသည်။

အခြေခံသဘောတရားများ- ဖြစ်ရပ်အချိန်နှင့် ဆင်ဆာဖြတ်တောက်ခြင်း

ရှင်သန်မှု ခွဲခြမ်းစိတ်ဖြာမှု၏ အဓိကအချက်မှာ ဖြစ်ရပ်တစ်ခု မဖြစ်ပွားမီ အချိန်ကို ကိုယ်စားပြုသည့် ကျပန်းကိန်းရှင် \(T\) တစ်ခုဖြစ်သည်။ ဥပမာအားဖြင့် \(T\) သည် ကုထုံးပြီးနောက် လူနာတစ်ဦး ပြန်လည်ဖြစ်ပွားခြင်းကို မခံစားရမီ ရက်အရေအတွက် ဖြစ်နိုင်သည်။ သို့သော် သုတေသီများသည် \(T\) ကို အပြည့်အစုံ မတွေ့ရှိရပါ။ ဆင်ဆာဖြတ်တောက်ခြင်း၏ အဖြစ်များသော ပုံစံများစွာရှိသည်-

၁။ ညာဘက် ဆင်ဆာဖြတ်တောက်ခြင်း- ၎င်းသည် အများဆုံးဖြစ်ပွားလေ့ရှိပြီး၊ ဥပမာအားဖြင့် လူနာတစ်ဦးသည် လေ့လာမှုအဆုံးတွင် ဖြစ်ရပ်တစ်ခုကို မကြုံတွေ့ရသေးသည့်အခါ သို့မဟုတ် လူနာသည် လေ့လာမှုမှ နုတ်ထွက်သည့်အခါတွင်ဖြစ်သည်။ \(T\) သည် နောက်ဆုံးတွေ့ရှိခဲ့သည့်အချိန်ထက် ပိုများကြောင်းသာ ကျွန်ုပ်တို့သိပါသည်။
၂။ ဘယ်ဘက်ဆင်ဆာဖြတ်တောက်ခြင်း (ဘယ်ဘက်ဆင်ဆာ): ဖြစ်ရပ်သည် စောင့်ကြည့်မှုမစတင်မီ ဖြစ်ပွားခဲ့သော်လည်း အချိန်အတိအကျကို မသိရှိရသေးပါ။
၃။ ဆင်ဆာဖြတ်တောက်ချိန်- ဖြစ်ရပ်သည် စောင့်ကြည့်ချိန်နှစ်ခုကြားတွင် ဖြစ်ပွားခဲ့ကြောင်း သိရှိရသည် (ဥပမာ၊ လူနာတစ်ဦးကို လစဉ်စစ်ဆေးပြီး ထိုဖြစ်ရပ်သည် ၂ လနှင့် ၃ လကြားတွင် ဖြစ်ပွားခဲ့ကြောင်း သိရှိရသည်)။

လူကြိုက်များသော အခြေခံနည်းလမ်းအများစု (Kaplan–Meier နှင့် Cox မော်ဒယ်များကဲ့သို့) သည် မှန်သောဆင်ဆာဖြတ်တောက်မှုကို အာရုံစိုက်သည်။

ရှင်သန်ရပ်တည်ရေးနှင့် အန္တရာယ်လုပ်ဆောင်ချက်များ

ရှင်သန်မှု ခွဲခြမ်းစိတ်ဖြာမှုသည် အဓိကလုပ်ဆောင်ချက်နှစ်ခုကို အသုံးပြုသည်-

၁) ရှင်သန်ရေးလုပ်ဆောင်ချက်
ရှင်သန်မှုလုပ်ဆောင်ချက်ကို အောက်ပါအတိုင်း အဓိပ္ပာယ်ဖွင့်ဆိုထားသည်-
\[
S(t) = P(T > t)
\]
ဆိုလိုသည်မှာ \(S(t)\) သည် လူပုဂ္ဂိုလ်/အရာဝတ္ထုတစ်ခုသည် အချိန် \(t\) ထက်ကျော်လွန်၍ အသက်ရှင်ကျန်ရစ်နိုင်ခြေဖြစ်သည်။ ဥပမာအားဖြင့် \(S(12)=0{,}80\) ကို လေ့လာမှုခံယူသူ ၈၀% သည် ၁၂ လအတွင်း ထိုအဖြစ်အပျက်ကို မကြုံတွေ့ဖူးဟု မျှော်လင့်ရသည်ဟု အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သည်။

၂) အန္တရာယ်လုပ်ဆောင်ချက်
အန္တရာယ်လုပ်ဆောင်ချက် (အန္တရာယ်နှုန်း) သည် ဖြစ်ရပ်တစ်ခု၏ “ယခု” ၏အန္တရာယ်ကို ဖော်ပြပြီး ထိုအချိန်အထိ အသက်ရှင်ကျန်ရစ်ပါက-
\[
h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t+\Delta t \mid T \ge t)}{\Delta t} \] အန္တရာယ်သည် ဖြစ်နိုင်ခြေမဟုတ်ဘဲနှုန်းဖြစ်သည်။ ဆေးပညာရှုထောင့်အရ အန္တရာယ်ပိုများခြင်းသည် အသက်ရှင်ကျန်ရစ်သူများအတွက် ထိုအချိန်တွင် ဖြစ်ရပ်တစ်ခုကို ကြုံတွေ့ရနိုင်ခြေပိုများခြင်းကို ဆိုလိုသည်။ ဤသဘောတရားနှစ်ခုကို အောက်ပါအတိုင်း ဆက်စပ်ထားသည်- \[ S(t)=\exp\left(-\int_0^th(u)\,du\right) \] ဤဆက်နွယ်မှုသည် အရေးကြီးပါသည်၊ အဘယ်ကြောင့်ဆိုသော် အချို့မော်ဒယ်များသည် အန္တရာယ်ကို အာရုံစိုက်ပြီးနောက် ရှင်သန်မှုကို လျော့ကျစေသည်၊ သို့မဟုတ် ပြောင်းပြန်ဖြစ်သည်။ ပါရာမက်ထရစ်မဟုတ်သော ခန့်မှန်းချက်- Kaplan–Meier ရှင်သန်မှု ခွဲခြမ်းစိတ်ဖြာမှုတွင် အထင်ရှားဆုံးနည်းလမ်းများထဲမှ တစ်ခုမှာ Kaplan–Meier ခန့်မှန်းချက်ဖြစ်ပြီး၊ ၎င်းသည် သတ်သတ်မှတ်မှတ် ဖြန့်ဖြူးမှုကို မယူဆဘဲ ရှင်သန်မှုလုပ်ဆောင်ချက်၏ ပါရာမက်ထရစ်မဟုတ်သော ခန့်မှန်းချက်တစ်ခုဖြစ်သည်။ ဤခန့်မှန်းချက်သည် ဖြစ်ရပ်တစ်ခုစီတွင် ရှင်သန်မှုဖြစ်နိုင်ခြေများ၏ မြှောက်လဒ်အဖြစ် ရှင်သန်မှုမျဉ်းကွေးကို တည်ဆောက်သည်။ သဘောတရားအရ Kaplan–Meier သည် အောက်ပါအတိုင်း တွက်ချက်သည်- - ဖြစ်ရပ်တစ်ခုစီ၏ အချိန်၌ \(t_i\)၊ - \(d_i\) = \(t_i\) တွင် ဖြစ်ရပ်အရေအတွက်၊ - \(n_i\) = \(t_i\) မတိုင်မီ “အန္တရာယ်ရှိသော” ဘာသာရပ်အရေအတွက်၊ ထို့နောက်- \[ \hat{S}(t) = \prod_{t_i \let}\left(1 - \frac{d_i}{n_i}\right) \] Kaplan–Meier ၏ အားသာချက်များမှာ- - ရှင်သန်မှုမျဉ်းကွေးများမှတစ်ဆင့် အဓိပ္ပာယ်ဖွင့်ဆိုရလွယ်ကူခြင်း၊ - ညာဘက်ဆင်ဆာဖြတ်တောက်ခြင်းကို ကိုင်တွယ်နိုင်ခြင်း၊ - ဒေတာစူးစမ်းလေ့လာခြင်းနှင့် အုပ်စုနှိုင်းယှဉ်ခြင်းများအတွက် အသုံးဝင်ခြင်း။ သို့သော် Kaplan–Meier သည် အဓိကအားဖြင့် ဖော်ပြချက်ဖြစ်သည်။ ရှင်သန်မှုမျဉ်းကွေးနှစ်ခုသည် သိသိသာသာကွဲပြားခြင်းရှိမရှိ စမ်းသပ်ရန်အတွက် log-rank စမ်းသပ်မှုကို မကြာခဏအသုံးပြုလေ့ရှိသည်။ အုပ်စုနှိုင်းယှဉ်မှု- log-rank စမ်းသပ်မှု log-rank စမ်းသပ်မှုကို အုပ်စုနှစ်စု (သို့မဟုတ် ထို့ထက်ပိုသော) အကြား ရှင်သန်နိုင်မှုကွာခြားချက်ရှိမရှိ ယူဆချက်ကို စမ်းသပ်ရန်အသုံးပြုသည်၊ ဥပမာ ကုထုံးအုပ်စု A နှင့် ကုထုံးအုပ်စု B။ ဤစမ်းသပ်မှုသည် အန္တရာယ်ရှိနေသေးသော လူနာအရေအတွက်ကို ထည့်သွင်းစဉ်းစား၍ "လေ့လာတွေ့ရှိထားသော" ဖြစ်ရပ်အရေအတွက်နှင့် ဖြစ်ရပ်တစ်ခုစီတွင် "မျှော်လင့်ထားသော" နံပါတ်ကို နှိုင်းယှဉ်သည်။

အုပ်စုများအကြား ယူဆထားသော အန္တရာယ်ကွာခြားချက်သည် အချိန်နှင့်အမျှ တည်ငြိမ်နေသည့်အခါ Log-rank သည် ထိရောက်မှုရှိသည်။ အန္တရာယ်များကို ဖြတ်ကျော်ပါက၊ အဓိပ္ပာယ်ဖွင့်ဆိုချက်သည် ပိုမိုရှုပ်ထွေးလာပြီး အခြားရွေးချယ်စရာစမ်းသပ်မှုများကို ထည့်သွင်းစဉ်းစားနိုင်သည်။ Regression model: Cox Proportional Hazards သုတေသီများသည် covariates အများအပြား (အသက်၊ လိင်၊ ဇီဝအမှတ်အသား၊ ကုထုံးအမျိုးအစား၊ စသည်) ကို ထည့်သွင်းလိုသောအခါ၊ အသုံးအများဆုံးနည်းလမ်းမှာ Cox Proportional Hazards Model ဖြစ်သည်။ Cox model သည် covariate \(X\) ဖြင့် တစ်ဦးချင်းအန္တရာယ်ကို အောက်ပါအတိုင်း ဖော်ပြသည်- \[ h(t \mid X) = h_0(t)\exp(\beta^\top X) \]၊ ဤတွင်- \(h_0(t)\) သည် အခြေခံအန္တရာယ် (၎င်း၏ပုံစံကို သတ်မှတ်ရန်မလိုအပ်ပါ)၊ - \(\beta\) သည် ခန့်မှန်းရမည့် parameter ဖြစ်သည်။ Cox ရဲ့ အဓိက အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကတော့ hazard ratio (HR) ပါပဲ- \[ HR = \exp(\beta) \] အကယ်၍ \(HR = 1{,}5\)၊ သတ်မှတ်ထားတဲ့ covariate ရှိတဲ့ အုပ်စုဟာ တခြား covariate တွေက constant ဖြစ်တယ်ဆိုရင် reference အုပ်စုထက် hazard ၁.၅ ဆ (၅၀% ပိုများ) ပါတယ်။ Cox model ရဲ့ အားသာချက်တွေကတော့- - \(h_0(t))\) အတွက် အထူး distribution form မလိုအပ်တဲ့အတွက် ပြောင်းလွယ်ပြင်လွယ်ရှိပါတယ် - covariate အများအပြား ပါဝင်နိုင်ပါတယ်၊ - hazard ratio မှတစ်ဆင့် အဓိပ္ပာယ်ဖွင့်ဆိုချက်က အတော်လေး လွယ်ကူပါတယ်။ Cox model ရဲ့ အဓိက စိန်ခေါ်မှုကတော့ အချိုးကျ hazards assumption ပါ၊ ဆိုလိုတာက အုပ်စုတွေကြားက hazards အချိုးဟာ အချိန်နဲ့အမျှ constant ဖြစ်မယ်လို့ ယူဆပါတယ်။ ဒီ assumption ကို အောက်ပါ assumption တွေကနေ စစ်ဆေးနိုင်ပါတယ်- - အုပ်စုတွေကြားက log(-log(S(t))) ရဲ့ graph တွေ၊ - Schoenfeld residuals တွေ၊ - assumption မပြည့်မီရင် time-varying covariates approach။ ပါရာမက်ထရစ် မော်ဒယ်များ- Exponential၊ Weibull နှင့် အခြားများ semiparametric Cox နှင့်မတူဘဲ၊ ပါရာမက်ထရစ် မော်ဒယ်များသည် ရှင်သန်ချိန်အတွက် ဖြန့်ဖြူးမှုပုံစံတစ်ခုကို ယူဆသည်၊ ဥပမာ- - Exponential- အန္တရာယ်သည် အချိန်နှင့်အမျှ ကိန်းသေဖြစ်သည်၊ - Weibull- အန္တရာယ် တိုးလာနိုင်သည် သို့မဟုတ် လျော့နည်းသွားနိုင်သည်၊ - Log-normal နှင့် Log-logistic- monotonic မဟုတ်သော အန္တရာယ်ပုံစံများအတွက် အသုံးဝင်သည်။ ပါရာမက်ထရစ် မော်ဒယ်များသည် အောက်ပါတို့တွင် အထူးကောင်းမွန်သည်- - ရေရှည်ခန့်မှန်းချက်၊ - ပျမ်းမျှရှင်သန်မှု (သတ်မှတ်သည့်အခါ) ကဲ့သို့သော ပမာဏများကို ခန့်မှန်းခြင်း၊ - ဖြန့်ဖြူးမှုယူဆချက်များ မှန်ကန်ပါက ထိရောက်မှု။ သို့သော် ဖြန့်ဖြူးမှုယူဆချက်များ မှားယွင်းပါက ရလဒ်များသည် ဘက်လိုက်နိုင်သည်။ ထို့ကြောင့် မော်ဒယ်ရွေးချယ်မှုတွင် ရောဂါရှာဖွေရေး၊ AIC/BIC နှင့် curve fit ကို ထည့်သွင်းစဉ်းစားရန် လိုအပ်သည်။ နယ်ပယ်အသီးသီးတွင် လက်တွေ့အသုံးချမှုများ ၁။ ကျန်းမာရေးနှင့် ကူးစက်ရောဂါဗေဒ- သေဆုံးချိန်၊ ကင်ဆာပြန်ဖြစ်ခြင်း၊ ပြန်လည်ကောင်းမွန်လာခြင်း သို့မဟုတ် ပြန်လည်ဖြစ်ပွားချိန်၊ ကုသမှုအကဲဖြတ်ခြင်း။ ၂။ အင်ဂျင်နီယာနှင့် ယုံကြည်စိတ်ချရမှု- အစိတ်အပိုင်းပျက်ကွက်ချိန်၊ အာမခံခွဲခြမ်းစိတ်ဖြာမှု၊ ပြုပြင်ထိန်းသိမ်းမှုစီမံကိန်း။ ၃။ စီးပွားရေးနှင့် စျေးကွက်ရှာဖွေရေး- ဖောက်သည်ပြောင်းလဲချိန်၊ ပြန်လည်ဝယ်ယူချိန်၊ အပလီကေးရှင်းအသုံးပြုသူထိန်းသိမ်းခြင်း။ ၄။ လူမှုရေးနှင့် စီးပွားရေး- အလုပ်လက်မဲ့ကာလ၊ အိမ်ထောင်ပြုချိန်၊ ဘွဲ့ရသည်အထိ ပညာသင်ကြားချိန်။ မှန်ကန်သောဒေတာဖြင့်၊ ရှင်သန်မှုခွဲခြမ်းစိတ်ဖြာမှုသည် အဖွဲ့အစည်းများအား စနစ်တစ်ခု၏ ခံနိုင်ရည်ရှိမှု၏ ဒိုင်းနမစ်နှင့် ဖြစ်ရပ်များဖြစ်ပွားခြင်းကို အရှိန်မြှင့်ပေးသည့် သို့မဟုတ် နှေးကွေးစေသည့်အချက်များကို နားလည်ရန် ကူညီပေးသည်။ ရှင်သန်မှုခွဲခြမ်းစိတ်ဖြာမှုလုပ်ငန်းစဉ်တွင် အရေးကြီးသောအချက်များ တိကျပြီး ယုံကြည်စိတ်ချရသော ခွဲခြမ်းစိတ်ဖြာမှုအတွက် ထည့်သွင်းစဉ်းစားရမည့်အချက်များစွာရှိသည်- - ဖြစ်ရပ်ကို ရှင်းရှင်းလင်းလင်း အဓိပ္ပာယ်ဖွင့်ဆိုပါ- ဥပမာအားဖြင့်၊ "ပျက်ကွက်မှု" သည် တသမတ်တည်းဖြစ်ရမည် (၎င်းတွင် အသေးစားပျက်စီးမှုပါဝင်ပါသလား။)။ - အချိန်ဇာစ်မြစ်ကို ဆုံးဖြတ်ပါ- ဥပမာအားဖြင့်၊ ရောဂါရှာဖွေခြင်းမှ၊ ကုထုံးစတင်ခြင်းမှ သို့မဟုတ် အစိတ်အပိုင်းတပ်ဆင်ခြင်းမှ။ - ဆင်ဆာဖြတ်တောက်ခြင်းသည် သတင်းအချက်အလက်မပေးသင့်ပါ- အကောင်းဆုံးကတော့၊ ဆင်ဆာဖြတ်တောက်ခံရနိုင်ခြေသည် covariates များကို ထိန်းချုပ်ပြီးနောက် ဖြစ်ရပ်၏အန္တရာယ်နှင့် မသက်ဆိုင်ပါ။ ဆင်ဆာဖြတ်တောက်ခြင်းသည် သတင်းအချက်အလက်ပေးပါက အထူးချဉ်းကပ်မှုတစ်ခု လိုအပ်ပါသည်။ - ဒေတာအရည်အသွေးနှင့် နောက်ဆက်တွဲ- နောက်ဆက်တွဲဒေတာဆုံးရှုံးမှုသည် နိဂုံးချုပ်ချက်များကို ထိခိုက်နိုင်သည်။ - မော်ဒယ်ရောဂါရှာဖွေရေး- Cox အတွက် အချိုးကျအန္တရာယ်ယူဆချက် သို့မဟုတ် ပါရာမက်ထရစ်မော်ဒယ်များအတွက် ဖြန့်ဝေမှုကိုက်ညီမှုကို စစ်ဆေးပါ။ နိဂုံး ရှင်သန်မှုခွဲခြမ်းစိတ်ဖြာမှုသည် အထူးသဖြင့် ဒေတာတွင် ဆင်ဆာဖြတ်တောက်မှုပါဝင်သည့်အခါ ဖြစ်ရပ်အထိအချိန်ကို လေ့လာရန်အတွက် အစွမ်းထက်သော စာရင်းအင်းနည်းလမ်းတစ်ခုဖြစ်သည်။ Kaplan–Meier စမ်းသပ်မှု၊ log-rank စမ်းသပ်မှု၊ Cox အချိုးကျအန္တရာယ်မော်ဒယ်နှင့် ပါရာမက်ထရစ်မော်ဒယ်များကဲ့သို့သောကိရိယာများကို အသုံးပြု၍ သုတေသီများသည် ရှင်သန်နိုင်ခြေကို ခန့်မှန်းနိုင်သည်၊ အုပ်စုများကို နှိုင်းယှဉ်နိုင်သည်၊ နှင့် ဖြစ်ရပ်တစ်ခု၏အန္တရာယ်အပေါ် covariates များ၏ သြဇာလွှမ်းမိုးမှုကို အကဲဖြတ်နိုင်သည်။ ရှင်သန်မှုနှင့် အန္တရာယ်ဆိုင်ရာ သဘောတရားများကို နားလည်ခြင်းနှင့်အတူ မော်ဒယ်ယူဆချက်များနှင့် ဒေတာအရည်အသွေးကို ဂရုတစိုက်ထည့်သွင်းစဉ်းစားခြင်းသည် နယ်ပယ်အသီးသီးတွင် ဆုံးဖြတ်ချက်ချရန်အတွက် အသုံးဝင်သော ယုံကြည်စိတ်ချရသော ရှင်သန်မှုခွဲခြမ်းစိတ်ဖြာမှုရလဒ်များကို သေချာစေရန် အဓိကသော့ချက်ဖြစ်သည်။ သင်အလိုရှိပါက ဤဆောင်းပါး၏ ပိုမိုပညာတတ်ဆန်သောဗားရှင်းကို ပေးနိုင်သည် (ကိုးကားချက်များနှင့်အတူ)၊ သို့မဟုတ် Kaplan–Meier မျဉ်းကွေးများ၏ တွက်ချက်မှုများနှင့် သရုပ်ဖော်ပုံများ၏ ဥပမာများနှင့် အန္တရာယ်အချိုးများ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်များကို ထည့်သွင်းနိုင်သည်။