Метод выживаемости

Метод выживаемости — это совокупность статистических и математических подходов, используемых для анализа времени до наступления интересующего события (например, смерти, отказа оборудования, рецидива заболевания, увольнения с работы). Метод применяется в медицинских исследованиях, социальных науках, биологии, технике, экономике и демографии. Ключевой особенностью метода является возможность работы с неполными данными, когда для части объектов наблюдения интересующее событие ещё не наступило к моменту окончания исследования.

История

Основы метода выживаемости восходят к демографическим таблицам смертности XVII века, составленным Джоном Граунтом. Однако современный математический аппарат начал формироваться в середине XX века. В 1958 году американские статистики Эдвард Каплан и Пол Мейер опубликовали метод оценки функции выживаемости по неполным данным (оценка Каплана — Мейера). В 1972 году сэр Дэвид Кокс предложил модель пропорциональных рисков (регрессия Кокса), которая стала основой для многофакторного анализа выживаемости в медицине. С 1980-х годов методы выживаемости внедряются в техническую диагностику и актуарные расчёты.

Основные понятия и термины

Событие и время до события

Событие — заранее определённый исход (смерть, рецидив, поломка, смена статуса). Время до события — интервал от начала наблюдения до наступления события или до момента прекращения наблюдения.

Цензурирование

Цензурирование — ситуация, когда точное время события неизвестно. Различают:

• правое цензурирование — наблюдение прекращается до наступления события (наиболее распространённый тип);
• левое цензурирование — событие произошло до начала наблюдения;
• интервальное цензурирование — известно только, что событие наступило в некотором временном промежутке.

Функция выживаемости

Функция выживаемости \( S(t) \) — вероятность того, что время до события превышает заданное \( t \): \[ S(t) = P(T > t) \] где \( T \) — случайная величина времени до события. Функция монотонно убывает от 1 при \( t=0 \) до 0 при \( t \to \infty \).

Функция риска (hazard function)

Функция риска \( h(t) \) — мгновенная вероятность наступления события в момент времени \( t \) при условии, что до этого момента событие не наступило: \[ h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t+\Delta t \mid T \ge t)}{\Delta t} \] Может быть постоянной, возрастающей, убывающей или иметь сложную форму.

Основные методы анализа выживаемости

Непараметрические методы

Метод Каплана — Мейера — оценка функции выживаемости на основе таблицы последовательных времён событий. Позволяет построить ступенчатую кривую выживаемости. Используется для сравнения двух и более групп (например, экспериментальной и контрольной). Сравнение групп выполняется с помощью лог-рангового теста или теста Гехана — Бреслоу.

Таблицы смертности (life tables) — группировка временного интервала по равным промежуткам и расчёт числа событий и лиц под риском в каждом интервале. Часто применяется в демографии и страховании.

Полупараметрические методы

Модель пропорциональных рисков Кокса — регрессионная модель, в которой функция риска представляется как произведение базовой функции риска \( h_0(t) \) и экспоненты от линейной комбинации ковариат: \[ h(t \mid \mathbf{X}) = h_0(t) \exp(\beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k) \] Базовая функция риска не параметризуется, что делает модель полупараметрической. Коэффициенты \( \beta \) интерпретируются как логарифмы отношения рисков (hazard ratio). Модель Кокса широко применяется в клинических испытаниях, эпидемиологии и социальных науках.

Параметрические методы

Параметрические методы предполагают, что распределение времени до события принадлежит некоторому параметрическому семейству. Наиболее распространённые модели:

• экспоненциальное распределение — постоянная функция риска;
• распределение Вейбулла — монотонная функция риска (возрастающая или убывающая);
• логарифмически нормальное распределение — функция риска с максимумом;
• распределение Гомпертца — экспоненциально возрастающая функция риска, часто используется в демографии.

Параметрические модели позволяют строить прогнозы и выполнять оценку медианного времени до события.

Сравнение групп

Для проверки гипотез о равенстве функций выживаемости в двух или более группах используются:

• лог-ранговый тест — наиболее распространённый, чувствителен к различиям в «хвосте» кривых;
• тест Гехана — Бреслоу — придаёт больший вес ранним событиям;
• тест Флеминга — Харрингтона — с настраиваемым весом.

Применение в медицине и эпидемиологии

Метод выживаемости — основной инструмент анализа результатов клинических исследований. Позволяет:

• оценивать эффективность лекарственных препаратов по времени до рецидива или смерти;
• сравнивать выживаемость при разных методах лечения;
• строить прогностические модели на основе клинических и молекулярных маркеров (например, стадия опухоли, возраст, уровень биомаркера);
• оценивать время до развития осложнений.

Примеры применения: исследование 5-летней выживаемости при раке, анализ времени до сердечно-сосудистого события в кардиологических испытаниях.

Применение в технике и актуарных расчётах

Анализ надёжности (reliability analysis)

Метод выживаемости используется для оценки времени до отказа технических систем. Основные задачи:

• проверка наработки до отказа механических узлов, электроники, программного обеспечения;
• построение кривых надёжности и функции риска;
• планирование профилактических ремонтов и запасных частей.

Актуарные расчёты

В страховании методы выживаемости применяются для:

• расчёта страховых тарифов на дожитие и на случай смерти;
• построения таблиц смертности для разных демографических групп;
• оценки вероятности наступления страхового случая.

Применение в социальных и экономических науках

Методы выживаемости используются для анализа:

• продолжительности безработицы (время от потери работы до трудоустройства);
• времени до смены работы или пенсии;
• длительности браков (времени до развода);
• времени до повторного совершения преступления (рецидивизма).

В этих областях событиями могут быть не только смерти, но и любые качественные переходы (например, выход на пенсию или смена места жительства).

Программное обеспечение

Для анализа выживаемости существует множество статистических пакетов:

• R: пакеты survival, survminer, coxme;
• Python: библиотеки lifelines, scikit-survival;
• SAS: процедура PROC PHREG и PROC LIFETEST;
• Stata: команды stset, sts list, stcox;
• SPSS: модуль Survival Analysis.

Ограничения и критика

Основные ограничения методов выживаемости:

• проблема пропущенных данных — цензурирование может быть связано с самим событием (например, пациент выбывает из исследования из-за ухудшения состояния), что вносит смещение;
• допущение независимости цензурирования — классические методы требуют, чтобы момент цензурирования не зависел от вероятности события;
• необходимость большого объёма данных для стабильной оценки регрессионных моделей при большом числе ковариат;
• неприменимость к событиям с множественными повторениями без специальных расширений (например, модели с повторными событиями или методом Нельсона — Аалена).

В медицинских исследованиях также отмечается проблема интерпретации отношения рисков (hazard ratio) при нарушении пропорциональности во времени.

Современные направления развития

В последние десятилетия развиваются:

• модели с конкурирующими рисками (competing risks), когда несколько разных событий могут помешать наблюдению друг друга;
• модели с временно изменяющимися ковариатами (time-dependent covariates);
• методы машинного обучения — случайные леса выживаемости, нейронные сети Кокса (DeepSurv);
• байесовские подходы к анализу выживаемости, позволяющие учитывать априорную информацию.

Эти расширения позволяют применять метод выживаемости к более сложным и реалистичным данным.