Basics of Survival Curves and Kaplan-Meier Estimates
Table of Contents
Introdução à Análise de Sobrevivência
A análise de sobrevivência, também conhecida como análise do tempo-a-evento, é um ramo de estatísticas que lida com o tempo até que um evento específico de interesse ocorra. Este evento pode ser morte, recorrência da doença, falha da máquina, ou churn do cliente. Ao contrário dos métodos de regressão padrão, a análise de sobrevivência é responsável por dados censurados—situações em que o evento não ocorreu até ao final do período de estudo, um sujeito desiste ou perde o seguimento. Ignorar observações censuradas pode levar a resultados gravemente enviesados.
Duas ferramentas fundamentais na análise de sobrevivência são curvas de sobrevivência e a Estimador Kaplan-Meier (KM) Esses métodos não paramétricos permitem aos pesquisadores estimar e visualizar a função de sobrevivência sem assumir uma distribuição estatística específica para os tempos de sobrevivência, ampliando os conceitos básicos, explicando como construir e interpretar curvas de KM e discutindo extensões comuns.
Compreender as Curvas de Sobrevivência
Uma curva de sobrevivência traça a proporção de indivíduos que ainda não experimentaram o evento (sobrevivência) em pontos de tempo sucessivos. O eixo vertical normalmente corre de 0 a 1 (ou 0% a 100%), representando a probabilidade de sobrevivência. O eixo horizontal representa o tempo (dias, meses, ciclos, etc.). A curva desce cada vez que um evento ocorre, permanecendo plana durante intervalos quando não são observados eventos. Observações censorizadas são frequentemente marcadas com marcas de carrapatos ou pequenas linhas verticais na curva.
Conceitos-chave
- Função de sobrevivência S( t): A probabilidade de que um sujeito sobreviva mais do que o tempo t. Formalmente, S(t) = P(T > t), onde T é a variável aleatória para o tempo de sobrevivência.
- Função de perigo h(t): A taxa instantânea de experiência do evento no momento t, condicionada a ter sobrevivido até aquele momento. Não é uma probabilidade, mas uma taxa (eventos por unidade de tempo).
- Tipos de censura:
- Censura de direito: o mais comum; o evento ocorre após o término do estudo ou a perda do sujeito.
- Censura à esquerda: O evento ocorreu antes do início do estudo, mas o tempo exato é desconhecido.
- Censura de intervalo: O evento ocorre dentro de uma janela de tempo conhecida, mas o tempo exato não é registrado.
As curvas de sobrevivência são inestimáveis em ensaios clínicos para comparar os braços de tratamento, em engenharia de confiabilidade avaliar a vida útil do produto e epidemiologia para estudar a progressão da doença. Eles fornecem um resumo visual intuitivo do risco ao longo do tempo.
O Estimador Kaplan-Meier
O estimador Kaplan-Meier, também chamado de estimador de limite de produto, foi introduzido por Edward L. Kaplan e Paul Meier em 1958. não- paramétrico método, ou seja, não faz suposições sobre a distribuição subjacente dos tempos de sobrevivência, o que torna amplamente aplicável.
Definição Matemática
Vamos t1 < t2 < ... < tk ser os diferentes tempos de evento ordenados. ti, vamos di ser o número de eventos ocorridos nessa altura, e deixar ni ser o número de indivíduos que se sabe estarem em risco imediatamente antes ti. O estimador KM da função de sobrevivência é:
.(t) = .i: ti ≤ t (1 - di / ni)
O produto começa no tempo 0, onde .(0) = 1. Em cada momento do evento, a probabilidade de sobrevivência é reduzida por um fator igual à proporção de indivíduos em risco que experimentam o evento. Indivíduos censurados são removidos do risco definido no momento da censura, mas não contribuem para eventos.
Exemplo de Cálculo Passo-a-Passo
Considere um pequeno estudo com 10 pacientes acompanhados para recorrência de uma doença:
- Paciente A: recidiva aos 3 meses
- Paciente B: censurado aos 4 meses
- Paciente C: recidiva aos 5 meses
- Paciente D: recidiva aos 6 meses
- Paciente E: censurado aos 6 meses
- Paciente F: recidiva aos 8 meses
- Pacientes G, H, I, J: sem eventos, seguidos até 12 meses (censorados aos 12)
Os tempos de evento ordenado são 3, 5, 6 e 8 meses. No tempo 3: n=10, d=1 → probabilidade de sobrevivência = 1 − 1/10 = 0,9 → □(3)=0,9. No tempo 5: risco estabelecido antes de 5 inclui aqueles ainda em risco após o tempo 3 (9 indivíduos), mas B foi censurado em 4, assim o risco definido no tempo 5 é 8 (A, C, F, G, H, I, J – mas A teve evento de modo que não pode estar em risco; cuidado: após o evento em 3, A é removido. Assim, após o tempo 3, risco definido = 9 (B,C,E,F,G,H,I,J). B censurado em 4 reduz o risco definido em 8 pouco antes do tempo 5 (C) e censurado? Assim, n=8, d=1 → 5 (C = 0,9 × (1 - 1/8) = 0,975 = 0,87 = 4,78; no tempo restante 6,D = 6,D = tempo após o tempo de tempo de duração:
Construindo uma curva de sobrevivência Kaplan-Meier
A maioria das análises utiliza software estatístico (R, SAS, Stata, Python lifelines, etc.) para calcular estimativas de KM e curvas de gráfico. No entanto, entender as etapas de construção manual é importante para interpretação.
Passos para Criar a Curva
- Ordenar os dados por tempo: Organize todas as observações (tempos de evento ou censura) em ordem crescente.
- Determinar os conjuntos de risco: Para cada tempo de evento distinto, conte o número de sujeitos ainda em observação antes desse tempo.
- Calcular probabilidade de sobrevivência: Multiplique as probabilidades condicionais passo-a-passo como mostrado acima.
- Gráfico: No tempo de gráfico do eixo x; no gráfico do eixo y □( t). Desenhe uma linha horizontal no nível de sobrevivência atual até à próxima hora do evento, depois desça verticalmente para o novo nível de sobrevivência. Adicione marcas para observações censuradas.
- Adicionar intervalos de confiança: A fórmula de Greenwood estima a variância do estimador KM, permitindo o cálculo de intervalos de confiança pontuais, tipicamente mostrados como linhas tracejadas ou bandas sombreadas ao redor da curva.
Implementação de Software
In R, o pacote fornece a função . Python, a biblioteca oferece a classe . Para uma calculadora rápida online, recursos como A Bioestatística Wiki de Vanderbilt fornecer exemplos. NIST Engenharia Estatísticas Manual também inclui um secção sobre Kaplan- Meier com fórmulas e suposições.
Comparando curvas de sobrevivência: o teste de log-rank
Muitas vezes os investigadores querem testar formalmente se duas ou mais curvas de Kaplan- Meier são estatisticamente diferentes (por exemplo, tratamento vs. placebo). Teste de log-rank é o método mais comum, comparando o número de eventos observados em cada grupo com o número esperado sob a hipótese nula de sobrevivência idêntica, e a estatística do teste segue uma distribuição qui-quadrado.
Assunções do Teste de Rank-Logue
- Observações independentes.
- Censura não informativa (não relacionada com a sobrevivência futura).
- As funções de perigo são proporcionais ao longo do tempo (a relação de perigos é constante). Quando os perigos se cruzam, o teste log-rank perde potência; podem ser utilizados testes alternativos como o teste Wilcoxon (Breslow).
O teste log-rank é a base para muitas análises de ensaios clínicos e é relatado ao lado das curvas KM. No entanto, ele apenas testa para uma diferença ao longo de todo o período de seguimento, não em pontos de tempo específicos.
Limitações e Assunções de Kaplan-Meier
Assunto-chave
- Censura não informativa: A razão para censura deve ser não relacionada ao evento. Por exemplo, se pacientes mais doentes desistirem, a estimativa de MC pode ser tendenciosa.
- Tempos de sobrevivência independentes: Os tempos de eventos dos sujeitos são assumidos de forma independente.
- Sem tendências seculares: A experiência de sobrevivência não se altera ao longo do tempo de calendário durante o estudo (condições estáveis).
Pistácios comuns
- Pequenos conjuntos de risco: Quando poucos indivíduos permanecem em risco (por exemplo, no final do seguimento), a curva torna-se muito imprecisa. Examine sempre o número na tabela de risco abaixo da curva.
- Ignorar os riscos concorrentes: Se os indivíduos puderem experimentar outros acontecimentos que impeçam o evento de interesse (por exemplo, morte antes da recorrência), o MC pode superestimar a incidência cumulativa. Análise específica da causa ou o estimador de Aalen-Johansen deve ser utilizado nestes casos.
- Sem ajustamento para covariáveis: Para ajustar as variáveis de confusão, é necessário um modelo de risco proporcional de Cox ou outros métodos de regressão.
Extensões e Métodos Relacionados
Estimador Nelson-Aalen
Uma alternativa ao KM para a função de perigo cumulativa é o estimador Nelson-Aalen, que soma os incrementos de perigo: .(t) = . . (d)i/ni) para tempos de evento ≤ t. A função de sobrevivência pode ser derivada como .(t) = exp(− .(t)).
Modelo de Riscos Proporcionais de Cox
Muitas vezes chamado de extensão “semi-paramétrica”, o modelo de Cox permite a inclusão de múltiplos preditores (covariáveis) enquanto assume que as funções de perigo para diferentes grupos são proporcionais ao longo do tempo. Estima razões de risco, que são amplamente utilizados na literatura médica.
Modelos de Sobrevivência Paramétrica
Se os tempos de sobrevivência seguirem uma distribuição conhecida (exponencial, Weibull, log-normal), os modelos paramétricos podem ser mais eficientes. O estimador KM serve como uma linha de base livre de modelos para verificar os ajustes paramétricos.
Aplicações em Disciplinas
Medicina e Saúde Pública
As curvas de sobrevivência são onipresentes em ensaios oncológicos para comparar o tempo com a progressão ou sobrevivência global. FDA Em epidemiologia, eles ajudam a estimar a probabilidade de desenvolver uma doença ao longo do tempo.
Engenharia e Confiabilidade
Os fabricantes usam análise de sobrevivência para estimar a distribuição de tempo de falha dos componentes. Estimador Kaplan-Meier pode ser utilizado para calcular a função de sobrevivência de um sistema a partir de dados de falha de campo, contabilizando unidades que ainda estão funcionando (censoradas).
Finanças e Economia
Em finanças, a análise de sobrevivência modela o tempo para o incumprimento de empréstimos ou o tempo até que um cliente feche uma conta. A “sobrevivência” de um negócio ou investimento pode ser visualizada com curvas KM.
Considerações Práticas para Relatar
- Incluir sempre um número na tabela de risco abaixo da curva de sobrevivência em vários pontos temporais (por exemplo, 0, 6, 12, 18 meses). Esta tabela documenta quantos indivíduos ainda são seguidos e evita a superinterpretação da cauda direita.
- Relatório tempo de sobrevivência mediano (o tempo em que a probabilidade de sobrevivência cai para 0,5) juntamente com um intervalo de confiança.
- Se compararmos grupos, fornecer o valor de p do teste log-rank e a razão de risco de um modelo Cox.
- Utilizar o Fórmula de madeira verde para calcular os intervalos de confiança para a curva de sobrevivência; considere usar a transformação log-log para manter intervalos dentro de [0,1].
Conclusão
As curvas de sobrevivência e o estimador Kaplan-Meier são ferramentas indispensáveis para analisar dados de tempo-a-evento. Sua natureza não paramétrica, capacidade de lidar com censuras e interpretação visual clara fazem delas a primeira escolha para muitos pesquisadores. Ao entender como construir, interpretar e comparar curvas de KM, juntamente com seus pressupostos e limitações subjacentes, você pode tirar conclusões robustas dos dados de sobrevivência. BMJ séries de análise de sobrevivência de Bland e Altman ( Parte 1: Kaplan-Meier e Parte 2: o teste de log-rank) proporciona uma excelente perspectiva clínica. Análise de Sobrevivência: Um Texto Auto-Aprendente por Kleinbaum e Klein (Springer).
Domine estes princípios, e você estará bem preparado para avançar para métodos mais avançados como o modelo de riscos proporcionais Cox e análise de riscos concorrentes.