Basics of Survival Curves and Kaplan-Meier Estimates
Table of Contents
Introduction à l'analyse de survie
L'analyse de survie, aussi appelée analyse du temps à l'événement, est une branche de statistiques qui traite du temps jusqu'à ce qu'un événement spécifique d'intérêt se produise. données censurées—situations où l'événement n'a pas eu lieu à la fin de la période d'étude, un sujet s'est désisté ou a perdu le contrôle.
Deux outils fondamentaux dans l'analyse de survie sont courbes de survie et les Estimateur Kaplan-Meier (KM). Ces méthodes non paramétriques permettent aux chercheurs d'estimer et de visualiser la fonction de survie sans supposer une distribution statistique particulière pour les temps de survie. Cet article s'étend sur les concepts de base, explique comment construire et interpréter les courbes de KM, et discute des extensions communes.
Comprendre les courbes de survie
Une courbe de survie représente la proportion de sujets qui n'ont pas encore vécu l'événement (survivant) à des moments successifs. L'axe vertical s'étend généralement de 0 à 1 (ou 0% à 100%), ce qui représente la probabilité de survie. L'axe horizontal représente le temps (jours, mois, cycles, etc.). La courbe descend chaque fois qu'un événement se produit, restant plan pendant les intervalles sans événement.
Concepts clés
- Fonction de survie S(t): La probabilité qu'un sujet survive plus longtemps que le temps t. Formellement, S(t) = P(T > t), où T est la variable aléatoire pour le temps de survie.
- Fonction de danger h(t): Le taux instantané de l'événement au temps t, sous réserve d'avoir survécu jusqu'à ce temps. Ce n'est pas une probabilité mais un taux (événements par unité de temps).
- Types de censure:
- Censurage droit : Le plus commun ; l'événement se produit après la fin de l'étude ou le sujet est perdu.
- Censure de gauche : L'événement s'est produit avant le début de l'étude, mais l'heure exacte est inconnue.
- Censure intervalle : L'événement se produit dans une fenêtre de temps connue, mais l'heure exacte n'est pas enregistrée.
Les courbes de survie sont inestimables dans essais cliniques pour comparer les bras de traitement, dans ingénierie de la fiabilité pour évaluer la durée de vie du produit, et épidémiologie Ils fournissent un résumé visuel intuitif du risque au fil du temps.
L'estimation Kaplan-Meier
L'estimateur Kaplan-Meier, également appelé estimateur limite de produits, a été introduit par Edward L. Kaplan et Paul Meier en 1958. non paramétrique La méthode, qui signifie qu'elle ne fait aucune hypothèse sur la répartition sous-jacente des temps de survie, est largement applicable.
Définition mathématique
Laisse-moi t1 < t2 < ... < tk être les heures d'événement ordonnées distinctes. tLes, laisse dLes être le nombre d'événements qui se sont produits à ce moment-là, et nLes soit le nombre de sujets connus pour être à risque juste avant tLes. L'estimateur KM de la fonction de survie est :
-(t) = -i: tLes ≤ t (à l ' heure actuelle)Les Nombre de personnesLes)
Le produit commence au moment 0, où -(0) = 1. A chaque événement, la probabilité de survie est réduite d'un facteur égal à la proportion de sujets à risque qui subissent l'événement. Les sujets censurés sont retirés du risque fixé au moment de la censure mais ne contribuent pas aux événements.
Exemple de calcul étape par étape
Considérez une petite étude chez 10 patients suivis pour la récurrence d'une maladie:
- Patient A: récurs à 3 mois
- Patient B : censuré à 4 mois
- Patient C: récurs à 5 mois
- Patient D: récurs à 6 mois
- Patient E : censuré à 6 mois
- Patient F: récurs à 8 mois
- Patients G, H, I, J: aucun événement n'a suivi jusqu'à 12 mois (censuré à 12 ans)
À l'heure 3: n=10, d=1 → probabilité de survie = 1 - 1/10 = 0,9 → , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
Construire une courbe de survie Kaplan-Meier
La plupart des analyses utilisent des logiciels statistiques (R, SAS, Stata, Python lifelines, etc.) pour calculer les estimations de KM et les courbes de tracé.
Étapes pour créer la courbe
- Trier les données par temps : Disposer toutes les observations (événements ou temps de censure) dans l'ordre ascendant.
- Déterminer les ensembles de risques : Pour chaque événement, compter le nombre de sujets encore sous observation avant cette date.
- Calculer la probabilité de survie: Multipliez les probabilités conditionnelles par étapes, comme indiqué ci-dessus.
- Emplacement: Sur la courbe de l'axe x, sur la courbe de l'axe y, tracer une ligne horizontale au niveau de survie actuel jusqu'à la prochaine période d'événement, puis descendre verticalement au nouveau niveau de survie. Ajouter des marques de tic pour les observations censurées.
- Ajouter les intervalles de confiance: La formule Greenwood évalue la variance de l'estimateur KM, permettant le calcul des intervalles de confiance pointus, généralement montrés comme des lignes en tirets ou des bandes ombragées autour de la courbe.
Mise en œuvre de logiciels
Dans Autres, le paquet fournit la fonction . Python, la bibliothèque offre la classe . Pour une calculatrice en ligne rapide, des ressources comme Vanderbilt ,s Biostatistique Wiki donner des exemples. NISTES Le Manuel de statistiques techniques comprend également un section sur Kaplan-Meier avec des formules et des hypothèses.
Comparaison des courbes de survie : le test de log‐rank
Souvent, les chercheurs veulent vérifier officiellement si deux ou plusieurs courbes Kaplan-Meier sont statistiquement différentes (p. ex., traitement par rapport au placebo). Essai de log‐rank La statistique de test suit une distribution de chi-carré.
Hypothèses de l'essai de log‐rank
- Observations indépendantes.
- Censure non informative (non liée à la survie future).
- Les fonctions de danger sont proportionnelles au fil du temps (le rapport des risques est constant). Lorsque les dangers se croisent, l'essai log-rank perd de la puissance; d'autres essais comme l'essai Wilcoxon (Breslow) peuvent être utilisés.
Le test log‐rank est la base de nombreuses analyses d'essais cliniques et est rapporté aux courbes de KM. Cependant, il ne fait que des tests pour une différence sur toute la période de suivi, et non à des moments précis.
Limites et hypothèses de Kaplan-Meier
Hypothèses clés
- Censure non informative: La raison de la censure ne doit pas être liée à l'événement. Par exemple, si les patients malades abandonnent, l'estimation de la KM peut être biaisée.
- Durées de survie indépendantes: Les temps d'événement des sujets sont supposés indépendants.
- Pas de tendances séculaires: L'expérience de survie ne change pas au cours du calendrier pendant l'étude (conditions stables).
Pièges fréquents
- Petits ensembles de risques: Lorsque peu de sujets restent à risque (p. ex. tard dans le suivi), la courbe devient très imprécise.
- Ignorer les risques concurrents: Si les sujets peuvent présenter d'autres événements qui excluent l'événement d'intérêt (p. ex. décès avant récurrence), la KM peut surestimer l'incidence cumulative. Analyse de la cause ou estimateur d'Aalen-Johansen doivent être utilisés dans de tels cas.
- Aucun ajustement pour les covariables: Pour ajuster les variables confusionnelles, il faut un modèle de risque proportionnel Cox ou d'autres méthodes de régression.
Extensions et méthodes connexes
Estimation de Nelson‐Aalen
Une alternative à KM pour la fonction de danger cumulatif est l'estimateur Nelson-Aalen, qui résume les augmentations de danger : , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Les/nLes) pour les temps d'événement ≤ t. La fonction de survie peut être dérivée comme -(t) = exp(−-)(t).
Modèle de risque proportionnel Cox
Souvent appelé extension -semi-paramétrique , le modèle Cox permet l'inclusion de plusieurs prédicteurs (covariables) tout en supposant que les fonctions de danger pour différents groupes sont proportionnelles au fil du temps. Il estime les rapports de risque, qui sont largement utilisés dans la littérature médicale.
Modèles de survie paramétriques
Si les temps de survie suivent une distribution connue (exponentielle, Weibull, log-normal), les modèles paramétriques peuvent être plus efficaces. L'estimateur KM sert de base sans modèle pour vérifier les ajustements paramétriques.
Demandes dans toutes les disciplines
Médecine et santé publique
Les courbes de survie sont omniprésentes dans les essais oncologiques pour comparer le temps à la progression ou la survie globale. FDA En épidémiologie, ils aident à estimer la probabilité de développer une maladie au fil du temps.
Ingénierie et fiabilité
Les fabricants utilisent l'analyse de survie pour estimer la répartition des temps de défaillance des composants. Estimateur Kaplan-Meier peut être utilisé pour calculer la fonction de survie d'un système à partir de données de défaillance sur le terrain, en tenant compte des unités qui fonctionnent toujours (censuré).
Finances et économie
En finance, l'analyse de survie modélise le temps de défaut de paiement sur les prêts ou le temps jusqu'à ce qu'un client ferme un compte.
Considérations pratiques concernant les rapports
- Toujours inclure une Tableau des risques En dessous de la courbe de survie à plusieurs moments (p. ex., 0, 6, 12, 18 mois), ce tableau indique combien de sujets sont encore suivis et empêche une interprétation excessive de la queue droite.
- Rapport annuel durée médiane de survie (la période de probabilité de survie tombe à 0,5) avec un intervalle de confiance.
- Si vous comparez des groupes, indiquez la valeur p de l'essai de log‐rank et le rapport de danger d'un modèle Cox.
- Utilisez la Formule de bois vert pour calculer les intervalles de confiance pour la courbe de survie; envisager d'utiliser la transformation log‐log pour maintenir les intervalles dans [0,1].
Conclusion
Les courbes de survie et l'estimateur Kaplan-Meier sont des outils indispensables pour analyser les données du temps à l'événement. Leur nature non paramétrique, leur capacité à manipuler la censure et leur interprétation visuelle claire en font le premier choix pour de nombreux chercheurs. BMJ série sur l'analyse de survie par Bland et Altman ( Partie 1: Kaplan-Meier et Partie 2: le test de log‐rank) offre une excellente perspective clinique. Analyse de survie : un texte auto-apprenant maîtrisez ces bases et vous serez bien préparé à passer à des méthodes plus avancées comme le modèle de risques proportionnels Cox et l'analyse des risques concurrents.