Анализ выживаемости

1. Анализ выживаемости

Ахтаева Н.С.
Профессор кафедры биостатистики
и основ научного исследования

2.

Анализ выживаемости фокусируется на описании для отдельного лица или
группы лиц определенной точки событий,
называемой происшествие (возникновение заболевания, излечение от
заболевания, смерть, рецидив после ответа на лечение…), которая происходит в
период времени, называемый время происшествия (или время отслеживания в
когортных/популяционных исследованиях), во время которого ведется
наблюдение за лицами. Чтобы определить время происшествия, необходимо
определить отправную точку (это может быть дата включения, дата постановки
диагноза…).
В этом случае объектом вывода при анализе выживаемости является время между
отправной точкой и событием. В современных медицинских исследованиях оно
широко используется, например, в клинических исследованиях для оценки
эффекта лечения или в онкологической эпидемиологии для оценки большого
числа показателей выживаемости при раке.
Как правило, выражается в вероятности выживания, которая является
вероятностью того, что интересующее событие не возникло до длительности t.
Цензурировуание: Цензурирование возникает в том случае, если в конце
наблюдения у некоторых индивидуумов не произошло интересующее событие, и,
таким образом, истинное время наступления события неизвестно.

3.

• Чтобы выполнить анализ выживаемости в
R, одним из наиболее часто используемых
пакетов является пакет survival.

4. Управление данными и преобразования

Если говорить кратко, данные о выживаемости можно
описать как имеющие следующие три характеристики:
зависимая переменная или отклик - время ожидания до
возникновения хорошо определенного события,
наблюдения цензурированы в том смысле, что для
некоторых единиц интересующее событие не возникло на
момент анализа данных, и
существуют предикторы или независимые переменные,
чей эффект на время ожидания мы хотим оценить или
контролировать
Следовательно, мы создаем разные переменные,
необходимые для соблюдения этой структуры и
выполнения анализа выживаемости.

5.

Мы определяем:
• интересующее нас событие, как “смерть”
(следовательно, вероятность выживания будет
вероятностью того, что человек жив через
определенный промежуток времени после
отправной точки),
• время отслеживания (futime) как время от
возникновения до времени исхода в днях,
• цензурированных пациентов, как тех, кто
выздоровел или по кому исход неизвестен, т.е.
событие “смерть” не наблюдалось (event=0).

6.

• Анализ Каплана-Мейера эффективно оценивает время
выживания, помогая принимать жизненно важные решения в
области здравоохранения.
• Что касается цензуры данных, анализ Каплана-Мейера
раскрывает всю историю показателей выживаемости.
• Пошаговое руководство по подготовке и анализу данных в R
обеспечивает этичное и тщательное исследование.
• Интерпретация кривых выживаемости с помощью КапланаМейера проливает свет на различия в результатах лечения.
• Усовершенствованные приложения Каплана-Мейера,
включая лог-ранговые тесты, улучшают понимание данных о
выживаемости.

7. Понимание анализа выживания Каплана-Мейера

Анализ выживания Каплана-Мейера — это ключевой статистический
метод, который оценивает вероятности выживания с течением времени.
Его значение в исследованиях невозможно переоценить, поскольку оно
позволяет получить полное представление о времени выживания в
различных областях, особенно в медицинских исследованиях. Этот
анализ ценен своей способностью обрабатывать цензурированные
данные, что является распространенной проблемой в исследованиях
выживания. Цензурирование происходит, когда интересующий результат
(например, время до события) наблюдается лишь частично по таким
причинам, как выбывание пациентов из исследования или завершение
исследования до того, как произошли все события. Анализ выживания
Каплана-Мейера элегантно решает эту проблему, используя
информацию, доступную до момента цензуры, для оценки вероятностей
выживания, гарантируя тем самым, что каждая точка данных
способствует общему пониманию кривой выживания. Этот подход
обогащает набор данных опытом каждого человека. Это согласуется с
проведением более детального и правдивого анализа данных о
выживаемости.

8. Подготовка данных для анализа выживания Каплана-Мейера в R

Тщательная подготовка данных формирует основу для
любого надежного анализа выживания Каплана-Мейера в
R. В этом разделе описаны основные шаги по подготовке
ваших данных, обеспечивающие уважение целостности и
достоинства субъектов на протяжении всего процесса. В
нем также освещаются этические соображения, имеющие
решающее значение для исследователей.
Принципы сбора данных: Отдавайте приоритет
прозрачности и согласию при сборе данных. Убедитесь,
что участники полностью проинформированы о масштабах
исследования и использовании их данных в соответствии с
этическими стандартами, уважающими права личности и
конфиденциальность.

9. Пример форматирования данных для анализа выживания Каплана-Мейера в R

Ниже приведен наглядный пример того, как данные должны быть
отформатированы для проведения анализа выживаемости Каплана-Мейера с
использованием R. Набор данных состоит из двух важных столбцов:
time_to_event, который представляет время до того, как произойдет событие,
представляющее интерес или цензуру, и event_indicator, указывающий, есть ли
произошло интересующее событие (1) или данные подверглись цензуре (0). Этот
пример демонстрирует структуру и тип данных, необходимых для надежного
анализа выживаемости.
time_to_event
event_indicator
103
0
349
0
271
1
107
1
72
1

10. Реализация анализа выживания Каплана-Мейера в R

Реализация анализа выживания КапланаМейера в R требует структурированного подхода
для эффективного понимания и интерпретации
данных о выживании. Это руководство проведет
вас через необходимые шаги, используя для
ясности фрагменты кода R.
Цель — проиллюстрировать этот процесс
наборами данных из реальной жизни,
демонстрируя сложность и глубину жизненных
историй выживания.

11. Шаг 1. Установите и загрузите необходимые пакеты

Прежде чем начать, убедитесь, что в R
установлен пакет выживания. Этот пакет
предоставляет функции для анализа выживания,
включая оценку Каплана-Мейера. Вы также
можете установить survminer для расширения
возможностей визуализации.
install.packages("survival")
install.packages("survminer")
библиотека(выживание)
библиотека(survminer)

12.

• Шаг 2. Загрузите набор данных
Загрузите набор данных в R. Убедитесь, что он включает в
себя как минимум два ключевых компонента: данные о
времени до события и индикатор события (1, если
событие произошло, 0 для подвергнутых цензуре данных).
# Предполагая, что ваши данные находятся в файле CSV с
именем 'dataset.csv' data <- read.csv("dataset.csv")
• Шаг 3: Создайте объект выживания
Используйте функцию Surv() для создания объекта
выживания. Эта функция принимает данные о времени до
события и индикатор события в качестве аргументов.
surv_obj <- Surv(time = data$time_to_event, event =
data$event_indicator)

13.

Шаг 4. Проведите анализ выживаемости Каплана-Мейера
Используйте функцию survfit() для выполнения анализа выживания Каплана-Мейера на вашем объекте
выживания.
km_fit <- survfit(surv_obj ~ 1) # '~ 1' указывает, что мы не расслаиваемся по какому-либо факторуШаг 5. Постройте
кривую выживания
Функция ggsurvplot() из пакета survminer используется для визуализации кривой выживания.
ggsurvplot(km_fit, data = data, Risk.table = TRUE, ggtheme = theme_minimal(), title = «Кривая выживания КапланаМейера», xlab = «Время», ylab = «Вероятность выживания»)Этот график дает графическое представление
вероятностей выживания с течением времени, а таблица риска ниже показывает количество субъектов,
подвергающихся риску в различные моменты времени.
Шаг 6: Анализ и интерпретация кривой
Вероятность выживания: Ось Y представляет вероятность выживания после заданного момента времени.
Время: По оси X показано время с начала исследования или лечения.
Цензурированные данные: Точки на кривой обозначают цензурированные наблюдения, когда время события
субъекта после определенной точки неизвестно.
Реальное применение
Представьте себе исследование эффективности нового лечение рака. Ваш набор данных включает в себя время
наблюдения за пациентами и информацию о том, произошло ли интересующее событие (например, рецидив).
Применяя анализ выживаемости Каплана-Мейера, вы можете оценить функцию выживания пациентов,
получающих этот новый метод лечения, что дает бесценную информацию о его эффективности с течением
времени.
Следуя этим шагам, исследователи могут выполнить анализ выживания Каплана-Мейера в R, что позволит
провести тщательный анализ данных о времени до события. Этот процесс не только раскрывает вероятности
выживания, связанные с различными методами лечения или состояниями, но также углубляет наше понимание
лежащих в основе данных, отражающих сложность и устойчивость жизни.

14.

• Интерпретация результатов
Интерпретация результатов анализа выживания Каплана-Мейера в R выходит за рамки простой
визуализации кривых выживания; это предполагает глубокое погружение в повествования,
которые эти кривые разворачивают об изучаемых популяциях. В этом разделе объясняется, как
расшифровать функцию выживания и кривые, сопоставлять различные группы и подчеркивать
более широкие последствия такого анализа в различных областях.
• Понимание функций и кривых выживания
Функция выживания, построенная с помощью анализа Каплана-Мейера, предлагает графическое
представление вероятности того, что событие (например, отказ, смерть) не произойдет к
определенному времени. Ось Y обозначает вероятность выживания, а ось X представляет время.
Ключевые элементы, на которые следует обратить внимание на кривой, включают:
• Снижение кривой выживания: Каждая капля означает возникновение события. Величина
этого снижения может дать представление о частоте событий с течением времени.
• Плато: Это предполагает периоды, когда не наблюдалось никаких событий, что указывает на
стабильность вероятности выживания в течение этого интервала.
• Цензурированные данные: Часто отмеченные небольшими вертикальными точками на
кривой, они указывают на цензурированные наблюдения, показывающие, что данные по
некоторым испытуемым были неполными.

15.

Сравнение разных групп
Кривые выживаемости Каплана-Мейера могут сыграть важную роль в сравнении
вероятностей выживания различных групп в рамках вашего исследования (например,
группы лечения и контрольной группы). При интерпретации этих сравнений
сосредоточьтесь на:
Разделение кривой: Значительное разделение кривых разных групп предполагает
различия в опыте выживания, которые могут быть связаны с изучаемым
вмешательством или состоянием.
Пересечение кривых: Если кривые пересекаются, это может указывать на то, что
эффект лечения меняется с течением времени.