Модель конкурирующих рисков

Модель конкурирующих рисков — это класс статистических моделей, используемых в анализе выживаемости (survival analysis) для описания ситуаций, когда наступление интересующего события может быть предотвращено наступлением другого, альтернативного события. В таких моделях предполагается, что объект наблюдения (например, пациент, техническое устройство, экономический субъект) подвержен нескольким различным типам рисков, и реализация одного из них исключает возможность наступления остальных.

История и происхождение

Концепция конкурирующих рисков возникла в демографии и актуарной математике в XVIII—XIX веках при изучении смертности населения. Классический пример — анализ причин смерти: человек может умереть от сердечно-сосудистого заболевания, рака или несчастного случая. Наступление смерти от одной причины делает невозможным наблюдение смерти от других причин. Первые формальные математические описания были предложены в работах Даниэля Бернулли (1760) при анализе эффективности вакцинации против оспы, где смерть от оспы конкурировала со смертью от других причин.

В XX веке, с развитием медицинской статистики и теории надежности, модели конкурирующих рисков получили строгое вероятностное обоснование. Значительный вклад внесли работы Дж. Калбфляйша и Р. Прентиса (1980), которые систематизировали подходы к оценке функций риска и кумулятивной заболеваемости в условиях конкурирующих событий.

Математическая формализация

Основные понятия

Пусть для каждого субъекта наблюдения существует время до наступления события \( T \) и тип события \( C \in \{1, 2, ..., K\} \), где \( K \) — количество конкурирующих рисков. В классической постановке наблюдается пара \( (X, \delta) \), где:

• \( X = \min(T_1, T_2, ..., T_K) \) — минимальное время до наступления любого из событий,
• \( \delta = C \) — индикатор того, какой именно риск реализовался.

Если наблюдение цензурировано (субъект выбыл из исследования до наступления любого события), то \( \delta = 0 \).

Функции риска

Для каждого типа риска \( j \) определяется причинно-специфическая функция риска (cause-specific hazard function): \[ \lambda_j(t) = \lim_{\Delta t \to 0} \frac{P(t \leq T < t + \Delta t, C = j \mid T \geq t)}{\Delta t} \] Она описывает мгновенную вероятность наступления события типа \( j \) при условии, что до момента \( t \) ни одно событие не произошло.

Общая функция риска (all-cause hazard) равна сумме причинно-специфических: \[ \lambda(t) = \sum_{j=1}^{K} \lambda_j(t) \]

Кумулятивная заболеваемость

Кумулятивная функция заболеваемости (cumulative incidence function, CIF) для риска \( j \) определяется как: \[ F_j(t) = P(T \leq t, C = j) = \int_0^t \lambda_j(u) \cdot S(u) \, du \] где \( S(u) = \exp\left(-\int_0^u \lambda(v) dv\right) \) — общая функция выживаемости (вероятность не дожить до момента \( u \) ни до одного события).

Важное свойство: сумма всех CIF и общей функции выживаемости равна 1: \[ S(t) + \sum_{j=1}^{K} F_j(t) = 1 \]

Классификация моделей

Параметрические модели

• Модель с пропорциональными рисками (Cox-подобная): предполагает, что ковариаты влияют на каждый причинно-специфический риск мультипликативно.
• Модель ускоренного времени жизни (accelerated failure time): предполагает, что ковариаты сжимают или растягивают шкалу времени для каждого риска.
• Модели с латентными временами: предполагают существование ненаблюдаемых времен до каждого события, независимых между собой.

Полупараметрические модели

• Модель пропорциональных рисков Кокса (Cox proportional hazards model) — наиболее распространённый подход. Для каждого риска \( j \) оценивается своя регрессия:

\[ \lambda_j(t \mid Z) = \lambda_{0j}(t) \cdot \exp(\beta_j^T Z) \] где \( \lambda_{0j}(t) \) — базовая функция риска, \( Z \) — вектор ковариат, \( \beta_j \) — вектор коэффициентов.

Непараметрические методы

• Оценка Каплана — Мейера (Kaplan-Meier) в классическом виде неприменима для конкурирующих рисков, так как она даёт смещённые оценки вероятности события. Вместо неё используется оценка Аалена — Йохансена (Aalen-Johansen estimator) для кумулятивной заболеваемости.

Применение в различных областях

Медицина и эпидемиология

Наиболее распространённая область применения. Примеры:

• Изучение эффективности лечения рака: смерть от рака конкурирует со смертью от сердечно-сосудистых заболеваний или других причин.
• Трансплантология: отторжение трансплантата конкурирует со смертью пациента с функционирующим трансплантатом.
• Исследования вакцин: заражение целевым патогеном конкурирует с заражением другими инфекциями.

Техническая диагностика и надёжность

В теории надёжности конкурирующие риски описывают отказы сложных систем, где отказ может произойти по разным причинам (механический износ, электрический пробой, программная ошибка). Модели используются для:

• Оценки надёжности компонентов,
• Планирования технического обслуживания,
• Анализа гарантийных случаев.

Демография и социология

• Анализ смертности по причинам,
• Изучение брачно-семейных отношений: развод конкурирует со смертью супруга,
• Анализ миграции: выезд из страны конкурирует со смертью или сменой гражданства.

Экономика и финансы

• Оценка дефолтов по кредитам: дефолт конкурирует с досрочным погашением,
• Анализ времени безработицы: трудоустройство конкурирует с выходом на пенсию или переходом в статус «неактивного».

Критика и ограничения

1. Проблема интерпретации: причинно-специфические риски не всегда имеют прямую причинную интерпретацию. Например, если пациент умирает от инфаркта, это не означает, что он не мог бы умереть от рака через год — конкурирующий риск «отменяет» возможность наблюдения другого события.
2. Зависимость между рисками: в большинстве моделей предполагается, что риски независимы, что на практике часто неверно. Например, смерть от сердечно-сосудистого заболевания может быть связана с риском смерти от рака через общие факторы (курение, возраст).
3. Цензурирование: стандартные методы анализа выживаемости (например, регрессия Кокса) дают смещённые оценки, если не учитывать конкурирующие риски. В частности, оценка Каплана — Мейера для вероятности события типа \( j \) будет завышена.
4. Выбор модели: при большом числе конкурирующих рисков (более 3-4) интерпретация результатов усложняется, а оценки становятся нестабильными.

Современные направления

В последние десятилетия активно развиваются:

• Модели с учётом зависимых конкурирующих рисков (например, с использованием копула-функций),
• Байесовские подходы к оценке параметров,
• Методы машинного обучения (случайные леса, нейронные сети) для анализа выживаемости с конкурирующими рисками,
• Суб-распределение рисков (Fine-Gray model) — альтернативный подход, оценивающий влияние ковариат непосредственно на кумулятивную заболеваемость.

Источники

1. Kalbfleisch J. D., Prentice R. L. The Statistical Analysis of Failure Time Data. — 2nd ed. — Wiley, 2002.
2. Pintilie M. Competing Risks: A Practical Perspective. — Wiley, 2006.
3. Crowder M. J. Classical Competing Risks. — Chapman & Hall/CRC, 2001.
4. Fine J. P., Gray R. J. A Proportional Hazards Model for the Subdistribution of a Competing Risk // Journal of the American Statistical Association. — 1999. — Vol. 94, No. 446. — P. 496–509.
5. Andersen P. K., Borgan Ø., Gill R. D., Keiding N. Statistical Models Based on Counting Processes. — Springer, 1993.