Анализ выживаемости¶

Анализ выживаемости — это раздел статистики, изучающий ожидаемую продолжительность времени до наступления одного или нескольких интересующих событий. В биологии и медицине таким событием чаще всего является смерть, но метод применяется и в других областях, например, в технике для анализа времени до отказа устройства (анализ надёжности), в экономике для оценки времени до дефолта по кредиту, или в социологии для изучения времени до повторного ареста. Ключевая особенность анализа выживаемости — способность корректно обрабатывать цензурированные данные, то есть наблюдения, для которых интересующее событие не наступило к моменту окончания исследования или по которым была потеряна информация.

¶Основные понятия

¶Функция выживания

Функция выживания \( S(t) \) определяет вероятность того, что время до наступления события \( T \) превышает заданное время \( t \). Формально: \( S(t) = P(T > t) \). Она является монотонно убывающей функцией, принимающей значение 1 в начальный момент времени (\( t=0 \)) и стремящейся к 0 при \( t \to \infty \). В медицинских исследованиях \( S(t) \) часто интерпретируется как доля пациентов, остающихся в живых к моменту времени \( t \).

¶Функция риска (hazard function)

Функция риска \( h(t) \) описывает мгновенную вероятность наступления события в момент времени \( t \) при условии, что оно не наступило ранее. Она не является вероятностью и может принимать любые неотрицательные значения. Высокое значение функции риска указывает на высокий риск наступления события в данный момент. Кумулятивная функция риска \( H(t) \) — это интеграл функции риска от 0 до \( t \).

¶Цензурирование

Цензурирование — это фундаментальное понятие, отличающее анализ выживаемости от стандартных статистических методов. Наиболее распространённый тип — правостороннее цензурирование, возникающее, когда:

Исследование заканчивается, а у части объектов событие ещё не наступило.
Объект выбывает из наблюдения (например, пациент переезжает в другой город).
Объект переживает другое событие, делающее дальнейшее наблюдение невозможным (например, смерть от другой причины в конкурирующих рисках).

Левостороннее и интервальное цензурирование встречаются реже, но также учитываются в более сложных моделях.

¶Методы оценки

¶Непараметрические методы

Эти методы не предполагают какой-либо функциональной формы распределения времени до события.

¶Оценка Каплана — Мейера

Наиболее распространённый непараметрический метод оценки функции выживания. Оценка Каплана — Мейера представляет собой ступенчатую функцию, которая изменяется только в моменты наступления событий. Формула оценки: \[ \hat{S}(t) = \prod_{t_i \le t} \left(1 - \frac{d_i}{n_i}\right) \] где \( t_i \) — время наступления события, \( d_i \) — число событий в момент \( t_i \), а \( n_i \) — число объектов, находящихся под риском непосредственно перед моментом \( t_i \). Кривая Каплана — Мейера визуализирует выживаемость в виде ступенчатого графика, часто с отметками цензурированных наблюдений.

¶Лог-ранговый тест

Непараметрический критерий для сравнения двух или более кривых выживаемости (например, между группами лечения и контроля). Нулевая гипотеза состоит в том, что функции выживания во всех группах одинаковы. Тест основан на сравнении наблюдаемого и ожидаемого числа событий в каждой группе в каждый момент времени.

¶Полупараметрические методы

¶Модель пропорциональных рисков Кокса

Наиболее широко используемая регрессионная модель в анализе выживаемости. Модель Кокса не требует задания базовой функции риска \( h_0(t) \), но предполагает, что отношение рисков (hazard ratio, HR) для двух объектов постоянно во времени. Модель записывается как: \[ h(t|X) = h_0(t) \cdot \exp(\beta_1 X_1 + \beta_2 X_2 + \dots + \beta_p X_p) \] где \( X \) — ковариаты (предикторы), а \( \beta \) — коэффициенты регрессии. Экспонента коэффициента \( \exp(\beta_i) \) интерпретируется как отношение рисков при увеличении \( X_i \) на единицу. Модель позволяет оценить влияние нескольких факторов на выживаемость одновременно.

¶Параметрические методы

Эти методы предполагают, что время до события подчиняется определённому распределению вероятностей. Наиболее часто используются:

Экспоненциальное распределение: предполагает постоянную функцию риска.
Распределение Вейбулла: допускает монотонно возрастающую или убывающую функцию риска.
Лог-нормальное распределение: функция риска сначала возрастает, а затем убывает.
Гамма-распределение: обобщает несколько распределений.

Параметрические модели позволяют получить более точные оценки, если распределение выбрано верно, но могут давать смещённые результаты при неправильном выборе.

¶Применение в медицине

Анализ выживаемости является основным инструментом в клинических исследованиях и эпидемиологии. Он используется для:

Оценки эффективности лечения: сравнение выживаемости пациентов, получающих новый препарат, с контрольной группой.
Определения прогностических факторов: выявление характеристик пациента (возраст, стадия заболевания, генетические маркеры), которые значимо влияют на продолжительность жизни.
Анализа времени до рецидива: изучение периода ремиссии после лечения.
Оценки времени до прогрессирования заболевания: используется в онкологии для оценки эффективности терапии.

¶Применение в технике и промышленности

В инженерии анализ выживаемости известен как анализ надёжности. Он применяется для:

Прогнозирования срока службы: оценка времени до отказа механических, электронных или программных компонентов.
Планирования технического обслуживания: определение оптимальных интервалов для профилактических работ.
Анализа гарантийных случаев: оценка вероятности отказа в гарантийный период.
Испытаний на ускоренный износ: экстраполяция результатов испытаний в экстремальных условиях на нормальные условия эксплуатации.

Анализ продолжительности безработицы: оценка времени, которое человек проводит в поиске работы.
Анализ времени до дефолта по кредиту: кредитный скоринг и оценка рисков.
Криминология: изучение времени до повторного совершения преступления после освобождения.
Демография: построение таблиц смертности и оценка ожидаемой продолжительности жизни.

¶Ограничения и критика

Предположение о независимости цензурирования: стандартные методы предполагают, что цензурирование не связано с вероятностью наступления события. Например, если пациенты с более тяжёлым течением болезни чаще выбывают из исследования, оценки могут быть смещены.
Пропорциональность рисков: модель Кокса предполагает, что отношение рисков между группами постоянно во времени. Если это предположение нарушается (например, эффект лечения ослабевает со временем), модель может давать неверные результаты.
Конкурирующие риски: в ситуациях, когда возможно наступление нескольких взаимоисключающих событий (например, смерть от рака и смерть от сердечного приступа), стандартные методы могут давать некорректные оценки. Для таких случаев разработаны специальные модели (например, модель Файна — Грея).
Малые выборки: при небольшом числе событий оценки могут быть нестабильными, а доверительные интервалы — широкими.

¶Программное обеспечение

Анализ выживаемости реализован во всех основных статистических пакетах:

R: пакеты survival, survminer, coxme.
Python: библиотеки lifelines, scikit-survival.
SAS: процедуры LIFETEST, PHREG.
SPSS: модуль «Анализ выживаемости».
Stata: команды stset, sts list, stcox.

¶Источники

Кокс Д. Р., Оукс Д. Анализ данных типа времени жизни. — М.: Финансы и статистика, 1988.
Kleinbaum D. G., Klein M. Survival Analysis: A Self-Learning Text. — 3rd ed. — Springer, 2012.
Therneau T. M., Grambsch P. M. Modeling Survival Data: Extending the Cox Model. — Springer, 2000.
Collett D. Modelling Survival Data in Medical Research. — 3rd ed. — CRC Press, 2015.
Kalbfleisch J. D., Prentice R. L. The Statistical Analysis of Failure Time Data. — 2nd ed. — Wiley, 2002.

BFOmetr — база данных и аналитика по компаниям России.

На главную BFOmetr →