İstatistiklerde Hayatta Kalma Analizi
Hayatta kalma analizi, bir olayın meydana gelme süresini modellemeye ve analiz etmeye odaklanan bir istatistik dalıdır. Bu olay, bir hastanın ölümü, bir hastalığın tekrarlaması, bir makine parçasının arızalanması, müşteri kaybı veya bir iş arayanın iş bulma süresi olabilir. Hayatta kalma analizinin diğer istatistiksel tekniklere göre en büyük avantajı, gözlem süresinin sonuna kadar bir olayın meydana gelmemesi veya tam olarak gözlemlenmemesi durumunda ortaya çıkan sansürleme nedeniyle eksik verileri ele alabilmesidir.
Tıp araştırmalarında, hayatta kalma analizi genellikle tedavilerin etkinliğini hayatta kalma süresine göre karşılaştırmak için; mühendislikte, bileşenlerin ömrünü tahmin etmek için; ve iş dünyasında, müşteri sadakatini öngörmek için kullanılır. Olasılık, parametrik olmayan tahmin ve regresyon modelleri kavramlarını bir araya getiren hayatta kalma analizi, veriye dayalı karar vermede çok önemli bir araç haline gelir.
Temel kavramlar : meydana gelme zamanı ve sansürleme
Hayatta kalma analizinin özünde, bir olayın meydana gelmesine kadar geçen süreyi temsil eden rastgele bir değişken olan \(T\) bulunur. Örneğin, \(T\), bir hastanın tedaviden sonra nüks yaşamasına kadar geçen gün sayısı olabilir. Bununla birlikte, araştırmacılar genellikle \(T\)'yi bütünüyle gözlemlemezler. Sansürlemenin birkaç yaygın biçimi vardır:
1. Sağdan sansürleme: Bu durum en sık, örneğin bir hastanın çalışma sonunda bir olayı yaşamadığı veya hastanın çalışmadan ayrıldığı durumlarda ortaya çıkar. Sadece \(T\)'nin son gözlemlenen zamandan daha büyük olduğunu biliyoruz.
2. Sol sansürleme (sol sansür): Olay gözlemin başlangıcından önce gerçekleşti, ancak kesin zamanı bilinmiyor.
3. Sansürleme aralığı: Olayın iki gözlem zamanı arasında gerçekleştiği bilinmektedir (örneğin, bir hasta aylık olarak muayene edilir ve olayın 2. ve 3. aylar arasında gerçekleştiği bilinmektedir).
Popüler temel yöntemlerin çoğu (Kaplan-Meier ve Cox modelleri gibi) sağdan sansürleme durumuna odaklanır.
Hayatta kalma ve tehlike fonksiyonları
Hayatta kalma analizi iki ana işlevi kullanır:
1) Hayatta kalma fonksiyonu
Hayatta kalma fonksiyonu şu şekilde tanımlanır:
\[
S(t) = P(T > t)
\]
Yani, \(S(t)\), bir bireyin/nesnenin \(t\) zamanından sonra hayatta kalma olasılığıdır. Örneğin, \(S(12)=0{,}80\), deneklerin %80'inin 12 ay içinde olayı yaşamamış olmasının beklendiği şeklinde yorumlanabilir.
2) Tehlike fonksiyonu
Tehlike fonksiyonu (risk oranı), kişinin o zamana kadar hayatta kalması koşuluyla, "şimdi" meydana gelebilecek bir olayın riskini tanımlar:
\[
h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t+\Delta t \mid T \ge t)}{\Delta t}
\]
Tehlike bir olasılık değil, bir orandır. Tıbbi bağlamda, daha yüksek bir tehlike, o anda olayı yaşama riskinin hayatta kalan bireyler için daha yüksek olduğu anlamına gelir.
Bu iki kavram şu yollarla birbirleriyle ilişkilidir:
\[
S(t)=\exp\left(-\int_0^th(u)\,du\right)
\]
Bu ilişki önemlidir çünkü bazı modeller tehlikeye odaklanıp hayatta kalma oranını düşürürken, bazı modeller de tam tersini yapmaktadır.
Parametrik olmayan tahmin: Kaplan-Meier
Hayatta kalma analizinde en bilinen yöntemlerden biri, belirli bir dağılım varsayımı olmaksızın hayatta kalma fonksiyonunun parametrik olmayan bir tahmini olan Kaplan-Meier tahmincisidir. Bu tahminci, her olay zamanındaki hayatta kalma olasılıklarını çarparak bir hayatta kalma eğrisi oluşturur.
Kavramsal olarak, Kaplan-Meier şu hesaplamaları yapar:
– her olay zamanında \(t_i\),
– \(d_i\) = \(t_i\) içindeki olay sayısı,
– \(n_i\) = \(t_i\)'den hemen önce "risk altında" olan denek sayısı,
Bu yüzden:
\[
\hat{S}(t) = \prod_{t_i \le t}\left(1 – \frac{d_i}{n_i}\right)
\]
Kaplan-Meier yönteminin avantajları şunlardır:
– Hayatta kalma eğrileri aracılığıyla kolayca yorumlanabilir,
– doğru sansürlemeyi yönetebilir,
– Veri keşfi ve grup karşılaştırmaları için kullanışlıdır.
Ancak Kaplan-Meier yöntemi esasen tanımlayıcıdır. İki hayatta kalma eğrisinin anlamlı derecede farklı olup olmadığını test etmek için genellikle log-rank testi kullanılır.
Grup karşılaştırması: log-rank testi
Log-rank testi, iki (veya daha fazla) grup arasında, örneğin A terapi grubu ile B terapi grubu arasında, hayatta kalma oranında bir fark olup olmadığını test etmek için kullanılır. Bu test, her olay zamanında "gözlemlenen" olay sayısını "beklenen" olay sayısıyla karşılaştırır ve risk altında olan denek sayısını dikkate alır.
Gruplar arasındaki varsayılan risk farkı zaman içinde nispeten sabit kaldığında log-rank testi etkilidir. Riskler birbirini kesiyorsa, yorumlama daha karmaşık hale gelir ve alternatif testler düşünülebilir.
Regresyon modeli: Cox Orantılı Tehlikeler
Araştırmacılar birden fazla kovaryant (yaş, cinsiyet, biyobelirteçler, tedavi türü vb.) eklemek istediklerinde, en yaygın yöntem Cox Orantılı Tehlike Modeli'dir. Cox modeli, kovaryantlar \(X\) ile bireysel tehlikeyi şu şekilde ifade eder:
\[
h(t \mid X) = h_0(t)\exp(\beta^\top X)
\]
Nerede:
– \(h_0(t)\) temel tehlike oranıdır (şeklini belirtmeye gerek yok),
– \(\beta\) tahmini parametredir.
Cox'un temel yorumu tehlike oranı (HR) üzerinden yapılır:
\[
HR = \exp(\beta)
\]
Eğer \(HR = 1{,}5\) ise, diğer kovaryatların sabit olduğu varsayıldığında, belirli bir kovaryata sahip grubun risk oranı referans gruba göre 1,5 kat ( %50 daha yüksek) olur.
Cox modelinin avantajları:
– esnek çünkü \(h_0(t)\) için özel bir dağıtım biçimi gerektirmiyor,
– birçok yardımcı değişken içerebilir,
– Tehlike oranı üzerinden yorumlama nispeten kolaydır.
Cox modelinin en büyük zorluğu, gruplar arasındaki risk oranının zaman içinde sabit kaldığını varsayan orantılı riskler varsayımıdır. Bu varsayım şu şekilde kontrol edilebilir:
– Gruplar arasındaki log(-log(S(t))) grafiği,
– Schoenfeld kalıntısı,
– Varsayımlar karşılanmadığında zamana bağlı kovaryatlar yaklaşımı kullanılır.
Parametrik modeller: Üstel, Weibull ve diğerleri
Yarı parametrik Cox modelinin aksine, parametrik model hayatta kalma süresi için belirli bir dağılım biçimi varsayar, örneğin:
– Üstel: Tehlike zaman içinde sabittir,
– Weibull: Risk artabilir veya azalabilir,
– Logaritmik normal ve logaritmik lojistik: monoton olmayan tehlike modelleri için kullanışlıdır.
Parametrik modeller şu alanlarda üstünlük gösterir:
– uzun vadeli tahminler,
– Ortalama yaşam süresi gibi niceliklerin tahmini (tanımlanmışsa),
– Dağıtım varsayımları doğruysa verimlilik.
Ancak, dağılımsal varsayımlar yanlışsa, sonuçlar yanlı olabilir. Bu nedenle, model seçiminde tanılamalar, AIC/BIC ve eğri uyumu dikkate alınmalıdır.
Çeşitli alanlarda pratik uygulamalar
1. Sağlık ve epidemiyoloji: ölüm süresi, kanserin tekrarlaması, iyileşme veya nüksetme süresi, tedavi değerlendirmesi.
2. Mühendislik ve güvenilirlik: bileşen arıza süresi, garanti analizi, bakım planlaması.
3. İşletme ve pazarlama: müşteri kaybı süresi, tekrar satın alma süresi, uygulama kullanıcı tutma oranı.
4. Sosyal ve ekonomik: işsizlik süresi, evlenme süresi, mezuniyete kadar geçen öğrenim süresi.
Doğru verilerle, hayatta kalma analizi, kuruluşların bir sistemin "dayanıklılığının" dinamiklerini ve olayların meydana gelme hızını artıran veya azaltan faktörleri anlamalarına yardımcı olur.
Hayatta kalma analizi uygulamasında önemli noktalar
Analizin doğru ve güvenilir olması için dikkate alınması gereken birkaç husus vardır:
– Olayları net bir şekilde tanımlayın: örneğin, “arıza” kavramı tutarlı olmalıdır (küçük hasarları da içeriyor mu?).
– Zaman başlangıcını belirleyin: örneğin, teşhisten itibaren, tedavinin başlangıcından itibaren veya bileşen montajından itibaren.
– Sansürleme bilgilendirici olmamalıdır: ideal olarak, sansürlenen olasılık, kovaryatları kontrol ettikten sonra olay riskinden bağımsız olmalıdır. Eğer sansürleme bilgilendirici ise, özel bir yaklaşım gereklidir.
– Veri kalitesi ve takip: Eksik takip verileri sonuçları etkileyebilir.
– Model tanılaması: Cox modelleri için orantılı tehlikeler varsayımını veya parametrik modeller için dağılım uyumunu kontrol edin.
Sonuç
Hayatta kalma analizi, özellikle verilerde sansürleme olduğunda, olay meydana gelme süresini incelemek için güçlü bir istatistiksel yöntemdir. Kaplan-Meier testi, log-rank testi, Cox orantılı tehlike modeli ve parametrik modeller gibi araçlar kullanılarak araştırmacılar hayatta kalma olasılıklarını tahmin edebilir, grupları karşılaştırabilir ve kovaryatların olay riski üzerindeki etkisini değerlendirebilirler. Hayatta kalma ve tehlike kavramlarını anlamak, model varsayımlarına ve veri kalitesine dikkat etmek, çeşitli alanlarda karar verme için kullanışlı güvenilir hayatta kalma analizi sonuçları elde etmenin anahtarıdır.
Dilerseniz, makalenin daha akademik bir versiyonunu (kaynakça ile birlikte) oluşturabilir veya Kaplan-Meier eğrisinin hesaplamalarına ve çizimlerine ve risk oranının yorumlanmasına ilişkin örnekler ekleyebilirim.
