په احصایو کې د بقا تحلیل
د ژوندي پاتې کېدو تحلیل د احصایې یوه څانګه ده چې د پیښې تر پیښیدو پورې د وخت په ماډل کولو او تحلیل تمرکز کوي. دا پیښه کیدای شي د ناروغ مړینه، د ناروغۍ تکرار، د ماشین برخې ناکامي، د پیرودونکي بدلون، یا هغه وخت وي چې د کار غوښتونکي دنده ومومي. د نورو احصایوي تخنیکونو په پرتله د ژوندي پاتې کېدو تحلیل لومړنۍ ګټه د سانسور له امله د نیمګړو معلوماتو اداره کولو وړتیا کې ده، دا هغه وخت دی کله چې پیښه د مشاهدې دورې تر پایه پورې نه پیښیږي یا په بشپړ ډول نه لیدل کیږي.
په طبي څېړنه کې، د بقا تحلیل اکثرا د ژوندي پاتې کیدو د وخت پر بنسټ د درملنې اغیزمنتوب پرتله کولو لپاره کارول کیږي؛ په انجینرۍ کې، د اجزاو د عمر اټکل کولو لپاره؛ او په سوداګرۍ کې، د پیرودونکو ساتلو وړاندوینه کولو لپاره. د احتمال، غیر پیرامیټریک اټکل، او ریګریشن ماډلونو مفکورو سره یوځای کولو سره، د ژوندي پاتې کیدو تحلیل د معلوماتو پر بنسټ پریکړې کولو کې یو مهم وسیله کیږي.
اساسي مفاهیم: د پیښې وخت او سانسور
د ژوندي پاتې کیدو تحلیل په زړه کې یو ناڅاپي متغیر \(T\) دی چې د پیښې تر پیښیدو پورې وخت استازیتوب کوي. د مثال په توګه، \(T\) ممکن د درملنې وروسته د ورځو شمیر وي تر هغه چې ناروغ بیرته راګرځیدل تجربه کړي. په هرصورت، څیړونکي ډیری وختونه \(T\) په بشپړ ډول نه ګوري. د سانسور کولو ډیری عام ډولونه شتون لري:
۱. د حق سانسور: دا ډیری وخت پیښیږي، د بیلګې په توګه، کله چې یو ناروغ د مطالعې تر پایه پورې کومه پیښه تجربه نه وي کړې، یا کله چې ناروغ له مطالعې څخه ووځي. موږ یوازې پوهیږو چې \(T\) د وروستي ځل لیدل شوي وخت څخه لوی دی.
۲. کیڼ اړخ سانسور (کیڼ اړخ سانسور): پیښه د څارنې له پیل څخه مخکې رامنځته شوه، مګر دقیق وخت یې نامعلوم دی.
۳. د سانسور وقفه: دا پیښه د دوو مشاهدو وختونو ترمنځ رامنځته شوې پیژندل کیږي (د مثال په توګه، یو ناروغ په میاشت کې معاینه کیږي او دا پیښه د دوهمې او دریمې میاشتې ترمنځ رامنځته شوې پیژندل کیږي).
ډیری مشهورې اساسي میتودونه (لکه د کاپلان – مایر او کاکس ماډلونه) د ښي سانسور په قضیه تمرکز کوي.
د بقا او خطر دندې
د بقا تحلیل دوه اصلي دندې کاروي:
۱) د بقا فعالیت
د بقا دنده په لاندې ډول تعریف شوې ده:
\[
S(t) = P(T > t)
\]
دا چې، \(S(t)\) هغه احتمال دی چې یو فرد/شی په تیرو وختونو کې ژوندی پاتې شي \(t\). د مثال په توګه، \(S(12)=0{,}80\) د دې معنی لري چې تمه کیږي چې 80٪ مضامین به د 12 میاشتو پورې دا پیښه تجربه نه کړي.
۲) د خطر فعالیت
د خطر فعالیت (د خطر کچه) د "اوس" پیښې خطر تشریح کوي په دې شرط چې موضوع تر هغه وخته پورې ژوندي پاتې شي:
\[
h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t+\Delta t \mid T \ge t)}{\Delta t} \] خطر احتمال نه دی، بلکې یو نرخ دی. په طبي شرایطو کې، لوړ خطر پدې معنی دی چې په هغه وخت کې د پیښې تجربه کولو خطر د ژوندي پاتې شوي اشخاصو لپاره لوړ دی.
دا دوه مفاهیم د لاندې له لارې سره تړاو لري: \[ S(t)=\exp\left(-\int_0^th(u)\,du\right) \] دا اړیکه مهمه ده ځکه چې ځینې ماډلونه په خطر تمرکز کوي، بیا ژوندي پاتې کیدل کموي، یا برعکس.
غیر پارامیټریک اټکل: کاپلان-مایر د ژوندي پاتې کیدو تحلیل کې یو له خورا مشهورو میتودونو څخه د کاپلان-مایر اټکل کونکی دی، کوم چې د ژوندي پاتې کیدو فعالیت غیر پارامیټریک اټکل دی پرته لدې چې یو ځانګړی توزیع بڼه فرض کړي. دا اټکل کوونکی د هرې پیښې په وخت کې د بقا احتمالاتو د محصول په توګه د بقا منحني جوړوي.
په مفهومي ډول، کاپلان-مایر محاسبه کوي: - د هرې پیښې په وخت کې \(t_i\)، - \(d_i\) = د پیښو شمیر په \(t_i\) کې، - \(n_i\) = د هغو موضوعاتو شمیر چې "په خطر کې دي" یوازې د \(t_i\) څخه مخکې، بیا: \[ \hat{S}(t) = \prod_{t_i \le t}\left(1 - \frac{d_i}{n_i}\right) \] د کاپلان-مایر ګټې دا دي: - د بقا منحني له لارې تشریح کول اسانه دي، - د ښي سانسور اداره کولی شي، - د معلوماتو سپړنې او ګروپ پرتله کولو لپاره ګټور دي.
خو، کاپلان-مایر په عمده توګه په طبیعت کې تشریحي دی. د دې لپاره چې معلومه شي چې ایا دوه د ژوندي پاتې کیدو منحني د پام وړ توپیر لري، د لاګ-رینک ازموینه ډیری وختونه کارول کیږي.
د ګروپ پرتله کول: د لاګ-رینک ازموینه د لاګ-رینک ازموینه د دې فرضیې د ازموینې لپاره کارول کیږي چې ایا د دوو (یا ډیرو) ډلو ترمنځ د بقا په برخه کې توپیر شتون لري، د بیلګې په توګه د درملنې ګروپ A او د درملنې ګروپ B. دا ازموینه د هرې پیښې په وخت کې د "مشاهده شویو" پیښو شمیر د "متوقع" شمیر سره پرتله کوي، د هغو مضامینو شمیر په پام کې نیولو سره چې لاهم په خطر کې دي.
د لاګ رتبه هغه وخت مؤثره وي کله چې انګیرنه دا وي چې د ډلو ترمنځ د خطر توپیر د وخت په تیریدو سره نسبتا ثابت وي. که چیرې خطرونه سره یو ځای شي (د خطرونو څخه تیریدل)، نو تفسیر ډیر پیچلی کیږي او بدیل ازموینې په پام کې نیول کیدی شي.
د بیرته راګرځیدو ماډل: د کاکس تناسبي خطرونه کله چې څیړونکي غواړي ډیری متغیرات (عمر، جنس، بایومارکرونه، د درملنې ډول، او نور) شامل کړي، ترټولو عام میتود د کاکس تناسبي خطرونو ماډل دی. د کاکس ماډل د کوواریټس سره انفرادي خطر \(X\) په لاندې ډول څرګندوي: \[ h(t \mid X) = h_0(t)\exp(\beta^\top X) \] چیرې چې: - \(h_0(t)\) د خطر اساس دی (د هغې د بڼې مشخص کولو ته اړتیا نشته)، - \(\beta\) هغه پیرامیټر دی چې اټکل کیږي.
د کاکس اصلي تفسیر د خطر تناسب (HR) له لارې دی: \[ HR = \exp(\beta) \] که \(HR = 1{,}5\) وي، نو هغه ډله چې یو ځانګړی کوویریټ لري د حوالې ګروپ په پرتله 1,5 ځله (50٪ لوړ) خطر لري، فرض کړئ چې نور کوویریټونه ثابت دي.
د کاکس ماډل ګټې: - انعطاف منونکی ځکه چې دا د \(h_0(t)\) لپاره ځانګړي ویش فورمې ته اړتیا نلري، - کولی شي ډیری متغیرات شامل کړي، - د خطر تناسب له لارې تفسیر نسبتا اسانه دی.
د کاکس ماډل اصلي ننګونه د خطرونو تناسبي انګیرنه ده، دا ده چې د ډلو ترمنځ د خطرونو تناسب د وخت په تیریدو سره ثابت ګڼل کیږي. دا انګیرنه د دې له لارې چیک کیدی شي: - د ډلو ترمنځ log(-log(S(t))) ګرافونه، - د شونفیلډ پاتې شوني، - د وخت سره توپیر لرونکي کوواریټس چلند که چیرې انګیرنه پوره نشي.
پیرامیټریک ماډلونه: ایکسپونینشل، ویبل، او نور د نیم پیرامیټریک کاکس برعکس، پیرامیټریک ماډلونه د ژوندي پاتې کیدو وخت لپاره یو ځانګړی ویش بڼه فرض کوي، د بیلګې په توګه: - ایکسپونینشل: خطر د وخت په تیریدو سره ثابت دی، - ویبل: خطر کولی شي زیات یا کم شي، - لاګ-نورمال او لاګ-لوژیستیک: د غیر مونوټونیک خطر نمونو لپاره ګټور.
پیرامیټریک ماډلونه په لاندې برخو کې غوره دي: - اوږدمهاله وړاندوینه، - د مقدارونو اټکل لکه د ژوندي پاتې کیدو اوسط (کله چې تعریف شوی وي)، - موثریت که چیرې د توزیع انګیرنې سمې وي.
په هرصورت، که چیرې د ویش انګیرنې غلطې وي، پایلې یې اړخیزې کیدی شي. له همدې امله، د ماډل انتخاب باید تشخیص، AIC/BIC، او منحني فټ په پام کې ونیسي.
په مختلفو برخو کې عملي غوښتنلیکونه ۱. روغتیا او ایپیډیمولوژي: د مړینې وخت، د سرطان بیا راګرځیدل، د رغیدو یا بیا راګرځیدو وخت، د درملنې ارزونه.
2. انجینري او اعتبار: د اجزاو د ناکامۍ وخت، د تضمین تحلیل، د ساتنې پلان جوړونه.
3. سوداګري او بازار موندنه: د پیرودونکو د بدلون وخت، د بیا پیرودلو وخت، د اپلیکیشن کاروونکي ساتل.
4. ټولنیز او اقتصادي: د بیکارۍ موده، تر واده پورې وخت، د زده کړې موده تر فراغت پورې.
د سم معلوماتو سره، د بقا تحلیل سازمانونو سره مرسته کوي چې د سیسټم د "انعطاف" متحرکاتو او هغه عواملو په پوهیدو کې مرسته وکړي چې د پیښو پیښې ګړندۍ یا ورو کوي.
د بقا د تحلیل په عمل کې مهم شیان څو شیان چې باید په پام کې ونیول شي ترڅو تحلیل دقیق او د باور وړ وي: - پیښه په روښانه ډول تعریف کړئ: د مثال په توګه، "ناکامي" باید دوامداره وي (ایا دا کوچني زیانونه پکې شامل دي؟).
- د وخت اصلیت مشخص کړئ: د مثال په توګه، د تشخیص راهیسې، د درملنې له پیل راهیسې، یا د اجزاو نصبولو راهیسې.
- سانسور باید غیر معلوماتي وي: په مثالي توګه، سانسور شوی احتمال د کوویریټس په اړه د شرایطو وروسته د پیښې له خطر څخه خپلواک دی. که سانسور معلوماتي وي، نو یوې ځانګړې طریقې ته اړتیا ده.
- د معلوماتو کیفیت او تعقیب: د تعقیبي معلوماتو نشتوالی کولی شي پایلې اغیزمنې کړي.
- د ماډل تشخیص: د کاکس لپاره د خطرونو تناسب انګیرنه یا د پیرامیټریک ماډلونو لپاره د ویش مناسبیت وګورئ.
پایله: د ژوندي پاتې کیدو تحلیل د یوې پیښې تر پیښیدو پورې د وخت مطالعې لپاره خورا پیاوړی احصایوي میتود دی، په ځانګړي توګه کله چې معلومات سانسور ولري. د کاپلان-مایر، د لاګ-رینک ازموینې، د کاکس تناسبي خطرونو ماډلونو، او پیرامیټریک ماډلونو په څیر وسیلو سره، څیړونکي کولی شي د ژوندي پاتې کیدو احتمالات اټکل کړي، ډلې پرتله کړي، او د پیښو خطر باندې د کوویریټس نفوذ ارزونه وکړي. د بقا او خطر مفاهیمو پوهیدل، او همدارنګه د ماډل انګیرنو او معلوماتو کیفیت په اړه محتاط اوسیدل، د دې ډاډ ترلاسه کولو لپاره کلیدي دي چې د بقا تحلیل پایلې د باور وړ او په مختلفو برخو کې د پریکړې کولو لپاره ګټورې دي.
که تاسو وغواړئ، زه کولی شم د مقالې یوه ډیره اکاډمیک نسخه جوړه کړم (د حوالې سره)، یا د کاپلان-مییر منحني محاسبې او انځورونو مثالونه او د خطر تناسب تفسیر شامل کړم.
