Analiza supraviețuirii în statistică
Analiza supraviețuirii este o ramură a statisticii care se concentrează pe modelarea și analiza timpului până la producerea unui eveniment. Acest eveniment poate fi decesul unui pacient, recurența unei boli, defecțiunea unei componente a unei mașini, pierderea clienților sau timpul până când o persoană aflată în căutarea unui loc de muncă își găsește un loc de muncă. Principalul avantaj al analizei supraviețuirii față de alte tehnici statistice constă în capacitatea sa de a gestiona date incomplete din cauza cenzurii, adică atunci când un eveniment nu are loc până la sfârșitul perioadei de observație sau nu este observat pe deplin.
În cercetarea medicală, analiza supraviețuirii este adesea utilizată pentru a compara eficacitatea terapiilor pe baza timpului de supraviețuire; în inginerie, pentru a estima durata de viață a componentelor; și în afaceri, pentru a prezice retenția clienților. Prin combinarea conceptelor de probabilitate, estimare neparametrică și modele de regresie, analiza supraviețuirii devine un instrument crucial în luarea deciziilor bazate pe date.
Concepte de bază: momentul evenimentului și cenzură
În centrul analizei supraviețuirii se află o variabilă aleatorie ∫(T) care reprezintă timpul până la apariția unui eveniment. De exemplu, ∫(T) ar putea fi numărul de zile după terapie până când un pacient prezintă o recidivă. Cu toate acestea, cercetătorii adesea nu observă ∫(T) în întregime. Există mai multe forme comune de cenzură:
1. Cenzurarea la dreapta: Aceasta apare cel mai des, de exemplu, atunci când un pacient nu a experimentat un eveniment până la sfârșitul studiului sau când pacientul renunță la studiu. Știm doar că \(T\) este mai mare decât ultima dată observată.
2. Cenzurare stângă (cenzor stâng): Evenimentul a avut loc înainte de începerea observației, dar ora exactă nu este cunoscută.
3. Interval de cenzură: Se știe că evenimentul a avut loc între două momente de observație (de exemplu, un pacient este examinat lunar, iar evenimentul este știe că a avut loc între a 2-a și a 3-a lună).
Majoritatea metodelor de bază populare (cum ar fi modelele Kaplan-Meier și Cox) se concentrează pe cazul cenzurii la dreapta.
Funcții de supraviețuire și pericol
Analiza supraviețuirii utilizează două funcții principale:
1) Funcția de supraviețuire
Funcția de supraviețuire este definită ca:
\[
S(t) = P(T > t)
\]
Adică, \(S(t)\) este probabilitatea ca un individ/obiect să supraviețuiască după timpul \(t\). De exemplu, \(S(12)=0{,}80\) poate fi interpretată ca însemnând că se așteaptă ca 80% dintre subiecți să nu fi experimentat evenimentul în termen de 12 luni.
2) Funcția de risc
Funcția de hazard (rata de risc) descrie riscul unui eveniment „acum”, cu condiția ca subiectul să supraviețuiască până în acel moment:
\[
h(t) = ∈ t ∈ 0} ∈ P(t ≤ T < t+Δt ∈ T ∈ t)}{Δt} ∈ Hazardul nu este o probabilitate, ci o rată. Într-un context medical, un hazard mai mare înseamnă un risc mai mare de a experimenta un eveniment în acel moment pentru indivizii supraviețuitori. Aceste două concepte sunt legate prin: \[ S(t) = \exp\left(-\int_0^th(u)\,du\right) \] Această relație este importantă deoarece unele modele se concentrează pe hazard și apoi degradează supraviețuirea sau invers. Estimare neparametrică: Kaplan-Meier Una dintre cele mai cunoscute metode în analiza supraviețuirii este estimatorul Kaplan-Meier, care este o estimare neparametrică a funcției de supraviețuire fără a presupune o distribuție specifică. Acest estimator construiește o curbă de supraviețuire ca produs al probabilităților de supraviețuire la fiecare moment al evenimentului. Conceptual, Kaplan–Meier calculează: - la fiecare eveniment în timp (t_i), - (d_i) = numărul de evenimente la (t_i), - (n_i) = numărul de subiecți „la risc” chiar înainte de (t_i), atunci: \[ \hat{S}(t) = \prod_{t_i ≤ t}\left(1 - \frac{d_i}{n_i}\right) \] Avantajele lui Kaplan–Meier sunt: - ușor de interpretat prin curbe de supraviețuire, - poate gestiona cenzurarea la dreapta, - util pentru explorarea datelor și compararea grupurilor. Cu toate acestea, Kaplan–Meier este în primul rând descriptiv. Pentru a testa dacă două curbe de supraviețuire sunt semnificativ diferite, se utilizează adesea testul log-rank. Compararea grupurilor: testul log-rank Testul log-rank este utilizat pentru a testa ipoteza dacă există o diferență în ceea ce privește supraviețuirea între două (sau mai multe) grupuri, de exemplu grupul de terapie A vs. grupul de terapie B. Acest test compară numărul de evenimente „observate” cu numărul „așteptat” la fiecare moment al evenimentului, ținând cont de numărul de subiecți încă expuși riscului.
