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.

Применение в экономике и социальных науках

• 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

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