Методы анализа выживаемости. Кривые Каплана-Майера. Cox-регрессия

Август 20, 2022

Главная
Математика
Методы анализа выживаемости. Кривые Каплана-Майера. Cox-регрессия

Содержание

2. Анализ данных выживаемости Статистические методы анализа продолжительных (во времени) данных, отражающих наступление событий К событиям относятся:
3. Зачем нужен анализ данных выживаемости? Почему нельзя сравнить время до наступления события в группах при помощи
4. Выживаемость: вероятность прожить более n времени с момента события Время до наступления события: время с момента
5. Кривые Каплана-Мейера Непараметрическая оценка функции выживания Эмпирическая вероятность выжить после определенного времени (с учетом цензурирования) Обычно
6. Данные выживаемости
7. Соответствующая кривая Каплана-Мейера Из теории вероятностей: P(A&B)=P(A)*P(B) если A и B независимы В анализе выживаемости: интервалы
8. Кривые Каплана-Мейера Ограничения: Оценки выживаемости могут быть ненадежны в конце исследования, когда остается малое количество пациентов
9. Cox-регрессия Аналогична логистической регрессии Работает с факторами и ковариатами Есть варианты метода работающие с изменяющимися во
18. Лирическое отступление
19. Доказательная медицина Несмотря на проблемы, доказательная медицина остается «золотым стандартом» С одной стороны: возможность искать причины
20. Доказательная медицина и причинно-следственные механизмы Все больше внимания к статистическим результатам, часто некритичного Предположение, что механизм
21. Спасибо за внимание!
23. Скачать презентацию

Слайд 2

Анализ данных выживаемости
Статистические методы анализа продолжительных (во времени) данных, отражающих наступление

событий
К событиям относятся: смерть, травма, наступление заболевания, выздоровление (бинарные показатели), или переход через пороговое значение какой-либо интервальной переменной (например, снижение уровня лейкоцитов ниже нормы)
Включает данные рандомизированных контролируемых исследований или исследований когортного дизайна

Слайд 3

Зачем нужен анализ данных выживаемости?
Почему нельзя сравнить время до наступления события

в группах при помощи t-теста или линейной регрессии?
Если нет цензурирования, то так сделать можно, в противном случае – данные отсутствуют
Почему нельзя сравнить частоты событий в группах при помощи риска/отношений шансов или логистической регрессии?
Такой подход игнорирует время до наступления события

Слайд 4

Выживаемость: вероятность прожить более n времени с момента события
Время до наступления

события: время с момента включения в исследование до наступления заранее оговоренного (и точно определенного) исхода
Цензурирование: вариант развития событий, когда пациенты выбывают или исключаются из исследования до наступления интересующего исхода. В этом случае пациенты считаются живыми или с ненаступившим целевым исходом на момент последнего контакта

Слайд 5

Кривые Каплана-Мейера
Непараметрическая оценка функции выживания
Эмпирическая вероятность выжить после определенного времени (с

учетом цензурирования)
Обычно используется для сравнения двух исследуемых популяций
Интуитивное графическое представление

Слайд 6

Данные выживаемости

Слайд 7

Соответствующая кривая Каплана-Мейера
Из теории вероятностей:
P(A&B)=P(A)*P(B) если A и B независимы
В анализе

выживаемости: интервалы определяются наступлением событий (2 интервала, заканчивающиеся наступлением событий).
P(выжить в течение периодов 1 и 2)=P(выжить в течение периода 1)*P(выжить в течение периода 2)
= 4/5 * 2/3= .5333

Слайд 8

Кривые Каплана-Мейера
Ограничения:
Оценки выживаемости могут быть ненадежны в конце исследования, когда остается

малое количество пациентов с риском развития исхода
Отсутствует контроль ковариат
Требует для проведения сравнения качественных предикторов (независимых факторов)
Не может включать предикторные (независимые) переменные, изменяющиеся со временем

Слайд 9

Cox-регрессия
Аналогична логистической регрессии
Работает с факторами и ковариатами
Есть варианты метода работающие с

изменяющимися во времени переменными
Обладает меньшей мощностью и сложнее в трактовке

Слайд 10

Слайд 11

Слайд 12

Слайд 13

Слайд 14

Слайд 15

Слайд 16

Слайд 17

Слайд 18

Лирическое отступление

Слайд 19

Доказательная медицина
Несмотря на проблемы, доказательная медицина остается «золотым стандартом»
С одной

стороны: возможность искать причины заболеваний без глубокого понимания механизмов
С другой стороны: упор на экстенсивное изучение факторов, предикторов и сравнение групп в ущерб изучению физиологии приводит к тому, что увеличивается количество данных, но не смысла

Слайд 20

Доказательная медицина и причинно-следственные механизмы
Все больше внимания к статистическим результатам, часто

некритичного
Предположение, что механизм может существовать достаточно, чтобы результаты исследования были некритически приняты
Свидетельство того, что вмешательство работает – не говорит о том, что оно работает именно по этому механизму
Отсутствие знания патофизиологических механизмов может тормозить разработку более эффективных методов вмешательства

Слайд 21

Методы анализа выживаемости. Кривые Каплана-Майера. Cox-регрессия

Содержание

Анализ данных выживаемостиСтатистические методы анализа продолжительных (во времени) данных, отражающих наступление

Зачем нужен анализ данных выживаемости?Почему нельзя сравнить время до наступления события

Выживаемость: вероятность прожить более n времени с момента событияВремя до наступления

Кривые Каплана-МейераНепараметрическая оценка функции выживанияЭмпирическая вероятность выжить после определенного времени (с

Данные выживаемости

Соответствующая кривая Каплана-МейераИз теории вероятностей:P(A&B)=P(A)*P(B) если A и B независимыВ анализе

Кривые Каплана-МейераОграничения:Оценки выживаемости могут быть ненадежны в конце исследования, когда остается

Cox-регрессияАналогична логистической регрессииРаботает с факторами и ковариатамиЕсть варианты метода работающие с