Анализа преживљавања у статистици
Анализа преживљавања је грана статистике која се фокусира на моделирање и анализу времена док се неки догађај не догоди. Овај догађај може бити смрт пацијента, поновна појава болести, квар машинске компоненте, одлазак купаца или време док тражилац посла не пронађе посао. Главна предност анализе преживљавања у односу на друге статистичке технике лежи у њеној способности да обрађује непотпуне податке због цензурисања, што је случај када се догађај не догоди до краја периода посматрања или није у потпуности посматран.
У медицинским истраживањима, анализа преживљавања се често користи за поређење ефикасности терапија на основу времена преживљавања; у инжењерству, за процену животног века компоненти; и у пословању, за предвиђање задржавања купаца. Комбиновањем концепата вероватноће, непараметарске процене и регресионих модела, анализа преживљавања постаје кључни алат у доношењу одлука на основу података.
Основни појмови: време догађаја и цензура
У сржи анализе преживљавања је случајна променљива \(T\) која представља време док се неки догађај не догоди. На пример, \(T\) би могао бити број дана након терапије док пацијент не доживи рецидив. Међутим, истраживачи често не посматрају \(T\) у потпуности. Постоји неколико уобичајених облика цензурисања:
1. Десно цензурисање: Ово се најчешће дешава, на пример, када пацијент није доживео неки догађај до краја студије или када пацијент одустане од студије. Знамо само да је \(T\) веће него последњи пут када је посматрано.
2. Лево цензурисање (леви цензор): Догађај се догодио пре почетка посматрања, али тачно време није познато.
3. Интервал цензурисања: Познато је да се догађај догодио између два времена посматрања (нпр. пацијент се прегледа месечно и познато је да се догађај догодио између другог и трећег месеца).
Већина популарних основних метода (као што су Каплан-Мајерови и Коксови модели) фокусира се на случај цензурисања са десне стране.
Функције преживљавања и опасности
Анализа преживљавања користи две главне функције:
1) Функција преживљавања
Функција преживљавања је дефинисана као:
\[
S(t) = P(T > t)
\]
То јест, \(S(t)\) је вероватноћа да ће појединац/објекат преживети време \(t\). На пример, \(S(12)=0{,}80\) може се тумачити као да се очекује да 80% испитаника није доживело догађај до 12 месеци.
2) Функција опасности
Функција опасности (стопа ризика) описује ризик догађаја „сада“ под условом да субјект преживи до тог времена:
\[
h(t) = Δt 0. P(t T < t+Δt T ≥ t) Δt] Ризик није вероватноћа, већ стопа. У медицинском контексту, већи ризик значи већи ризик од доживљавања догађаја у том тренутку за преживеле особе. Ова два концепта су повезана са: [ S(t) = (- 0^th(u) du)] Овај однос је важан јер се неки модели фокусирају на ризик, а затим деградирају преживљавање или обрнуто. Непараметарска процена: Каплан-Мајер Једна од најпознатијих метода у анализи преживљавања је Каплан-Мајеров естиматор, који је непараметарска процена функције преживљавања без претпоставке специфичне расподеле. Овај естиматор конструише криву преживљавања као производ вероватноћа преживљавања у сваком тренутку догађаја. Концептуално, Каплан-Мајер израчунава: - за сваки догађај \(t_i\), - \(d_i\) = број догађаја у \(t_i\), - \(n_i\) = број испитаника „у ризику“ непосредно пре \(t_i\), затим: \[ \hat{S}(t) = \prod_{t_i \le t}\left(1 - \frac{d_i}{n_i}\right) \] Предности Каплан-Мајера су: - лако се тумачи кроз криве преживљавања, - може да се носи са цензурисањем удесно, - користан је за истраживање података и поређење група. Међутим, Каплан-Мајер је првенствено дескриптиван. Да би се тестирало да ли се две криве преживљавања значајно разликују, често се користи лог-ранк тест. Поређење група: лог-ранк тест Лог-ранк тест се користи за тестирање хипотезе о томе да ли постоји разлика у преживљавању између две (или више) група, на пример терапијска група А наспрам терапијске групе Б. Овај тест упоређује број „посматраних“ догађаја са „очекиваним“ бројем у сваком тренутку догађаја, узимајући у обзир број испитаника који су још увек у ризику.
Лог-ранк је ефикасан када је претпостављена разлика ризика између група релативно константна током времена. Ако се ризици укрште, интерпретација постаје компликованија и могу се размотрити алтернативни тестови. Регресиони модел: Коксови пропорционални ризици Када истраживачи желе да укључе много коваријабли (старост, пол, биомаркер, врста терапије итд.), најчешћа метода је Коксов модел пропорционалних ризика. Коксов модел изражава индивидуални ризик са коваријалом \(X\) као: \[ h(t \mid X) = h_0(t)\exp(\beta^\top X) \] где је: - \(h_0(t)\) основни ризик (нема потребе за навођењем његовог облика), - \(\beta\) је параметар који треба проценити. Главна интерпретација Коксовог модела је кроз однос ризика (HR): \[ HR = \exp(\beta) \] Ако је \(HR = 1{,}5\), онда група са одређеном коваријаблом има ризик 1,5 пута (50% већи) од референтне групе, под претпоставком да су остале коваријабле константне. Предности Коксовог модела: - флексибилан јер не захтева посебан облик дистрибуције за \(h_0(t))\), - може укључивати многе коваријабле, - интерпретација кроз однос ризика је релативно лака. Главни изазов Коксовог модела је претпоставка пропорционалних ризика, односно, претпоставља се да је однос ризика између група константан током времена. Ова претпоставка се може проверити кроз: - графиконе log(-log(S(t))) између група, - Шенфелдове резидуале, - приступ временски променљивих коваријабли ако претпоставка није испуњена. Параметарски модели: Експоненцијални, Вајбулов и други За разлику од полупараметарског Коксовог, параметарски модели претпостављају одређени облик расподеле за време преживљавања, на пример: - Експоненцијални: ризик је константан током времена, - Вајбулов: ризик се може повећавати или смањивати, - Лог-нормални и Лог-логистички: корисни за немонотоне обрасце ризика. Параметарски модели се истичу у: - дугорочном предвиђању, - процени величина као што је средње преживљавање (када је дефинисано), - ефикасности ако су претпоставке о расподели тачне. Међутим, ако су претпоставке о расподели нетачне, резултати могу бити пристрасни. Стога, избор модела мора узети у обзир дијагностику, AIC/BIC и уклапање криве.
Практичне примене у различитим областима 1. Здравље и епидемиологија: време до смрти, поновна појава рака, време до опоравка или рецидива, процена лечења. 2. Инжењеринг и поузданост: време до отказа компоненти, анализа гаранције, планирање одржавања. 3. Пословање и маркетинг: време до одлива купаца, време до поновне куповине, задржавање корисника апликације. 4. Друштвене и економске: трајање незапослености, време до ступања у брак, трајање студија до дипломирања. Са правим подацима, анализа преживљавања помаже организацијама да разумеју динамику отпорности система и факторе који убрзавају или успоравају појаву догађаја. Важне тачке у пракси анализе преживљавања За прецизну и поуздану анализу потребно је узети у обзир неколико ствари: - Јасно дефинишите догађај: на пример, „квар“ мора бити доследан (да ли укључује мању штету?). - Одредите временско порекло: на пример, од дијагнозе, од почетка терапије или од инсталације компоненти. - Цензурисање треба да буде неинформативно: идеално, вероватноћа цензурисања је независна од ризика догађаја након контроле коваријабли. Ако је цензурисање информативно, потребан је посебан приступ. - Квалитет података и праћење: губитак података праћења може утицати на закључке. - Дијагностика модела: проверите претпоставку о пропорционалним ризицима за Кокса или дистрибутивну прилагођеност за параметарске моделе. Закључак Анализа преживљавања је моћна статистичка метода за проучавање времена до догађаја, посебно када подаци садрже цензуру. Користећи алате као што су Каплан-Мајеров тест, лог-ранк тест, Коксов модел пропорционалних ризицима и параметарски модели, истраживачи могу проценити вероватноће преживљавања, упоредити групе и проценити утицај коваријабли на ризик од догађаја. Разумевање концепата преживљавања и ризика, заједно са пажљивим разматрањем претпоставки модела и квалитета података, кључно је за обезбеђивање поузданих резултата анализе преживљавања који су корисни за доношење одлука у различитим областима. Ако желите, могу да пружим академскију верзију овог чланка (са референцама) или да укључим примере прорачуна и илустрације Каплан-Мајерових кривих и тумачење односа ризика.
