Метод Каплана-Мейера

Метод Каплана-Мейера — это непараметрический статистический метод оценки функции выживаемости на основе данных о времени до наступления интересующего события (например, смерти, рецидива болезни, отказа оборудования). Метод позволяет построить кривую выживаемости, которая показывает долю объектов (пациентов, устройств), не испытавших события к заданному моменту времени. Он широко применяется в медицинской статистике, эпидемиологии, актуарных расчётах, технической надёжности и других областях, где анализируются данные с цензурированием (когда время события известно не для всех наблюдений).

История

Метод был разработан американскими статистиками Эдвардом Капланом и Полом Мейером в 1950-х годах. В 1958 году они опубликовали совместную статью «Nonparametric Estimation from Incomplete Observations» в журнале Journal of the American Statistical Association. В этой работе авторы предложили способ оценки функции выживаемости, который не требует предположений о распределении времени до события (в отличие от параметрических методов, таких как экспоненциальное или Вейбулла распределение). Метод Каплана-Мейера стал одним из первых непараметрических подходов к анализу выживаемости и быстро завоевал популярность благодаря своей простоте и наглядности.

До появления метода Каплана-Мейера исследователи часто использовали таблицы смертности (актуарные таблицы), которые делили время на интервалы и оценивали вероятность выживания на каждом интервале. Однако такой подход был менее точным при малом числе наблюдений или при неравномерном распределении событий во времени. Метод Каплана-Мейера позволил оценивать функцию выживаемости в каждый момент времени, когда происходит событие, что даёт более детальную картину.

Основные понятия

Функция выживаемости

Функция выживаемости \( S(t) \) определяется как вероятность того, что объект (например, пациент) не испытает интересующего события (например, смерти) к моменту времени \( t \). Формально: \( S(t) = P(T > t) \), где \( T \) — случайная величина, обозначающая время до события. Функция выживаемости монотонно убывает от 1 (в начальный момент времени) до 0 (при стремлении времени к бесконечности, если все объекты рано или поздно испытывают событие).

Цензурирование

Ключевая особенность данных в анализе выживаемости — наличие цензурирования. Цензурирование возникает, когда для некоторых объектов точное время события неизвестно. Наиболее распространённый тип — правостороннее цензурирование: объект наблюдается до определённого момента времени, после которого информация о нём теряется (например, пациент выбыл из исследования или исследование закончилось до наступления события). В методе Каплана-Мейера цензурированные наблюдения учитываются до момента их последнего наблюдения, после чего они исключаются из «группы риска».

Алгоритм оценки

Оценка Каплана-Мейера для функции выживаемости \( \hat{S}(t) \) вычисляется как произведение условных вероятностей выживания на каждом временном интервале, где произошло хотя бы одно событие. Формула имеет вид:

\[ \hat{S}(t) = \prod_{i: t_i \le t} \left(1 - \frac{d_i}{n_i}\right) \]

где:

• \( t_i \) — моменты времени, в которые произошли события (упорядоченные по возрастанию);
• \( d_i \) — количество событий, произошедших в момент \( t_i \);
• \( n_i \) — количество объектов, находящихся в группе риска непосредственно перед моментом \( t_i \) (то есть тех, кто ещё не испытал события и не был цензурирован ранее).

Оценка представляет собой ступенчатую функцию: она остаётся постоянной между моментами событий и скачкообразно уменьшается в каждый момент, когда происходит событие. Цензурированные наблюдения не вызывают скачков, но уменьшают размер группы риска для последующих событий.

Пример расчёта

Рассмотрим гипотетический пример с 5 пациентами, для которых изучается время до смерти (в месяцах):

• Пациент A: 3 месяца (смерть)
• Пациент B: 5 месяцев (цензурирован — выбыл из исследования)
• Пациент C: 6 месяцев (смерть)
• Пациент D: 8 месяцев (смерть)
• Пациент E: 10 месяцев (цензурирован — исследование закончилось)

Упорядочим моменты событий: 3, 6, 8. Для каждого момента:

• В момент 3: \( n_1 = 5 \) (все пациенты в группе риска), \( d_1 = 1 \) (смерть A). \( \hat{S}(3) = 1 - 1/5 = 0.8 \).
• В момент 5: цензурирование B — не влияет на оценку, но уменьшает группу риска для следующего события: \( n_2 = 3 \) (A и B уже не в группе риска).
• В момент 6: \( n_2 = 3 \), \( d_2 = 1 \) (смерть C). \( \hat{S}(6) = 0.8 \times (1 - 1/3) = 0.8 \times 2/3 \approx 0.533 \).
• В момент 8: \( n_3 = 2 \) (D и E), \( d_3 = 1 \) (смерть D). \( \hat{S}(8) = 0.533 \times (1 - 1/2) = 0.533 \times 0.5 \approx 0.267 \).
• После 8: в группе риска остаётся E (цензурирован в 10), событий нет, оценка остаётся 0.267 до конца.

Таким образом, кривая выживаемости будет иметь ступеньки в моменты 3, 6 и 8.

Свойства и ограничения

Преимущества

• Непараметричность: не требует предположений о распределении времени до события, что делает метод универсальным.
• Простота: легко вычисляется и интерпретируется, особенно при визуализации в виде кривой.
• Учёт цензурирования: корректно обрабатывает данные с цензурированными наблюдениями, что часто встречается в реальных исследованиях.
• Наглядность: кривая выживаемости позволяет быстро оценить медиану выживаемости (время, при котором \( S(t) = 0.5 \)) и сравнить группы.

Недостатки

• Ступенчатая форма: оценка является ступенчатой функцией, что может быть нереалистично для непрерывных процессов (хотя при большом числе событий ступеньки становятся мелкими).
• Чувствительность к малым выборкам: при малом числе наблюдений или редких событиях оценка может быть нестабильной.
• Не учитывает ковариаты: метод не позволяет напрямую включать влияние других переменных (например, возраста, пола, лечения). Для этого используются регрессионные модели, такие как модель пропорциональных рисков Кокса.
• Предположение о независимости цензурирования: метод предполагает, что цензурирование не зависит от времени до события (то есть объекты, выбывшие из исследования, имеют такое же распределение времени до события, как и оставшиеся). Нарушение этого предположения может привести к смещению оценки.

Применение

Медицина и эпидемиология

Метод Каплана-Мейера является стандартным инструментом в клинических исследованиях для анализа выживаемости пациентов. Например, он используется для оценки эффективности лечения рака: строится кривая выживаемости для групп, получающих разные виды терапии, и сравнивается с помощью лог-рангового теста. Также метод применяется в эпидемиологии для изучения времени до развития заболевания или до наступления смерти.

Техническая надёжность

В инженерии метод используется для анализа времени до отказа оборудования или компонентов. Например, можно оценить функцию надёжности для партии электронных устройств на основе данных о времени их поломок с учётом цензурирования (когда некоторые устройства ещё работают на момент окончания испытаний).

Актуарные расчёты

В страховом деле и демографии метод применяется для построения таблиц смертности и оценки вероятности дожития до определённого возраста. Однако в актуарной практике чаще используются классические таблицы смертности, основанные на больших популяционных данных.

Социология и экономика

Метод может использоваться для анализа времени до наступления событий, таких как увольнение с работы, развод, повторное трудоустройство и т.д. Например, можно оценить вероятность сохранения брака в зависимости от времени.

Сравнение с другими методами

Метод актуарных таблиц

Актуарные таблицы (или таблицы смертности) делят время на равные интервалы (например, годы) и оценивают вероятность выживания на каждом интервале. В отличие от метода Каплана-Мейера, который учитывает точные моменты событий, актуарные таблицы теряют информацию о точном времени, что может снижать точность при неравномерном распределении событий. Однако актуарные таблицы лучше подходят для больших популяций, где точное время событий не всегда известно.

Модель пропорциональных рисков Кокса

Модель Кокса — это полупараметрический регрессионный метод, который позволяет оценить влияние нескольких ковариат на функцию риска (интенсивность наступления события). В отличие от метода Каплана-Мейера, который даёт оценку функции выживаемости для одной группы, модель Кокса может сравнивать группы с учётом поправок на другие переменные. Метод Каплана-Мейера часто используется для визуализации результатов модели Кокса (например, построение кривых выживаемости для разных уровней ковариат).

Параметрические методы

Параметрические методы (например, экспоненциальное, Вейбулла, логнормальное распределения) предполагают, что время до события подчиняется определённому закону. Они могут давать более точные оценки при правильном выборе распределения, но риск ошибки выше при неверном предположении. Метод Каплана-Мейера не требует таких предположений, что делает его более надёжным в условиях неопределённости.

Программная реализация

Метод Каплана-Мейера реализован во многих статистических пакетах и языках программирования:

• R: функция survfit() из пакета survival.
• Python: метод KaplanMeierFitter из библиотеки lifelines.
• SAS: процедура PROC LIFETEST.
• SPSS: команда KM (Kaplan-Meier).
• Stata: команда sts list и sts graph.

Критика и альтернативы

Основная критика метода Каплана-Мейера связана с его предположением о независимости цензурирования. Если цензурирование связано с риском события (например, пациенты с более тяжёлым состоянием чаще выбывают из исследования), оценка может быть смещённой. В таких случаях используются более сложные методы, такие как модели с конкурирующими рисками (например, метод Аалена-Йохансена) или анализ чувствительности.

Кроме того, при наличии большого числа цензурированных наблюдений на ранних сроках кривая выживаемости может иметь длинные «хвосты» с низкой точностью. Для улучшения оценки иногда применяют сглаживание (например, ядерное сглаживание функции выживаемости).

Интересные факты

• Метод Каплана-Мейера иногда называют «оценкой произведения-предела» (product-limit estimator), поскольку он вычисляется как произведение условных вероятностей.
• В 1958 году статья Каплана и Мейера была одной из первых, где использовался метод максимального правдоподобия для непараметрической оценки функции выживаемости.
• Метод широко используется в онкологии: например, для оценки пятилетней выживаемости при различных видах рака.
• В 2020 году, во время пандемии COVID-19, метод применялся для анализа времени до госпитализации или смерти пациентов с коронавирусной инфекцией.

Источники

• Kaplan E.L., Meier P. Nonparametric estimation from incomplete observations // Journal of the American Statistical Association. — 1958. — Vol. 53, № 282. — P. 457–481.
• Klein J.P., Moeschberger M.L. Survival Analysis: Techniques for Censored and Truncated Data. — 2nd ed. — Springer, 2003.
• Collett D. Modelling Survival Data in Medical Research. — 3rd ed. — CRC Press, 2015.
• Therneau T.M., Grambsch P.M. Modeling Survival Data: Extending the Cox Model. — Springer, 2000.