Kalkulator krzywej przeżycia Kaplana–Meiera
Oszacuj krzywą przeżycia na podstawie danych o czasie do zdarzenia z cenzorowaniem. Wpisz czas obserwacji każdego badanego oraz informację, czy zdarzenie nastąpiło, a kalkulator zwróci prawdopodobieństwa przeżycia Kaplana–Meiera, wartość S(t) w wybranym punkcie czasowym oraz medianę czasu przeżycia.
Oszacowanie przeżycia w czasie przy danych cenzurowanych
Wzór Kaplana–Meiera
Gdzie:
- \( t_i \) — kolejne momenty, w których odnotowano zdarzenia, do czasu \( t \) włącznie
- \( d_i \) — liczba zdarzeń w chwili \( t_i \)
- \( n_i \) — liczba osób pod ryzykiem (nadal obserwowanych i bez zdarzenia) tuż przed chwilą \( t_i \)
- \( \hat{S}(t) \) — szacowane prawdopodobieństwo, że badany pozostanie bez zdarzenia po czasie \( t \)
Estymator iloczynowy (product-limit) mnoży warunkowe prawdopodobieństwa przetrwania kolejnych momentów zdarzeń. Obserwacje cenzorowane nie są zdarzeniami — po prostu wypadają ze zbioru ryzyka \( n_i \) w chwili cenzurowania, i właśnie w ten sposób metoda radzi sobie z niedokończoną obserwacją.
Krzywa przeżycia Kaplana–Meiera — przykład obliczeń
Przykład: 10 badanych z czasami obserwacji 3; 4; 5; 6; 6; 8; 8; 9; 11; 14 i statusami zdarzenia 1; 1; 0; 1; 0; 1; 1; 0; 1; 0 (6 zdarzeń, 4 obserwacje cenzorowane), a przeżycie wyznaczamy dla \( t_0 = 6 \).
\[ \hat{S}(3) = 1 - \tfrac{1}{10} = 0.9 \quad\Rightarrow\quad \hat{S}(4) = 0.9 \left(1 - \tfrac{1}{9}\right) = 0.8 \]
\[ \hat{S}(6) = 0.8 \left(1 - \tfrac{1}{7}\right) = 0.6857 \]
\[ \hat{S}(8) = 0.6857 \left(1 - \tfrac{2}{5}\right) = 0.4114 \quad\Rightarrow\quad \hat{S}(11) = 0.4114 \left(1 - \tfrac{1}{2}\right) = 0.2057 \]
Wynik: \( \hat{S}(6) = 0.6857 \) (68,6% badanych powinno pozostać bez zdarzenia po czasie 6). Krzywa przeżycia spada do 0,5 lub poniżej po raz pierwszy przy \( t = 8 \), zatem mediana czasu przeżycia wynosi 8.
Jak korzystać z kalkulatora Kaplana–Meiera
- Wpisz czasy obserwacji dla wszystkich badanych — po jednym w wierszu albo rozdzielone średnikami lub spacjami. W całym zestawie danych używaj tej samej jednostki (dni, tygodnie, miesiące).
- W tej samej kolejności co czasy wpisz wartości statusu zdarzenia (1 = zdarzenie, 0 = cenzorowanie): 1, jeśli u badanego nastąpiło zdarzenie (zgon, nawrót choroby, awaria maszyny…), 0, jeśli obserwacja zakończyła się bez zdarzenia.
- W polu Wyznacz przeżycie w czasie podaj punkt czasowy \( t_0 \), dla którego chcesz poznać prawdopodobieństwo przeżycia \( S(t_0) \).
- Odczytaj wyniki: \( S(t_0) \), medianę czasu przeżycia, liczby badanych, zdarzeń i cenzorowań, pełną tabelę oszacowań dla każdego kolejnego czasu oraz interpretację rezultatów.
Czym jest estymator Kaplana–Meiera?
Estymator Kaplana–Meiera (estymator iloczynowy) to standardowa nieparametryczna metoda wyznaczania funkcji przeżycia z danych o czasie do zdarzenia. „Przeżycie” oznacza tu pozostanie bez dowolnego interesującego nas zdarzenia — nie tylko zgon, ale też nawrót choroby, wyzdrowienie, awarię urządzenia, rezygnację klienta i tak dalej. Wynikiem jest funkcja schodkowa, która startuje od 1 i obniża się wyłącznie w momentach zdarzeń; między zdarzeniami oszacowanie pozostaje stałe.
Cenzorowanie czyni tę metodę niezastąpioną. W większości badań część badanych odchodzi, zanim nastąpi zdarzenie: badanie się kończy, pacjent rezygnuje albo maszyna zostaje wycofana z powodów niezwiązanych z awarią. Nie można po prostu uznać takich osób za wolne od zdarzenia na zawsze, bo nie znamy ich przyszłości. Metoda Kaplana–Meiera rozwiązuje ten problem, usuwając cenzorowane osoby ze zbioru ryzyka w chwili cenzorowania i wykorzystując informację, że przetrwały przynajmniej do tego momentu.
Gdy cenzurowania nie ma wcale, estymator sprowadza się do prostego odsetka badanych, którzy w danym momencie nadal nie doświadczyli zdarzenia. Przy cenzorowaniu estymator pozostaje nieobciążony, o ile cenzorowanie jest niezależne od procesu zdarzeń. Krzywa jest też wielkością porównywaną między grupami w teście log-rank, a wartość \( S(t) \) odczytuje się wprost: na przykład \( \hat{S}(6) = 0.6857 \) oznacza, że około 68,6% badanych pozostaje bez zdarzenia po czasie 6.
Interpretacja wyników
Przeżycie w wybranym punkcie \( t_0 \): szacowane prawdopodobieństwo pozostania bez zdarzenia po czasie \( t_0 \). Jeśli do czasu \( t_0 \) włącznie nie odnotowano żadnego zdarzenia, oszacowanie wynosi 1.
Mediana czasu przeżycia: najmniejszy zaobserwowany czas, przy którym \( \hat{S}(t) \) spada do 0,5 lub poniżej — moment, do którego połowa badanych powinna już doświadczyć zdarzenia. Jeśli krzywa w trakcie obserwacji nigdy nie osiąga 0,5, mediana jest „niewyznaczalna”; zdarza się to często przy krótkich badaniach i małej liczbie zdarzeń i nie oznacza, że mediana jest nieskończona, lecz jedynie, że obserwacja była zbyt krótka, by ją oszacować.
Tabela pokazuje dla każdego kolejnego czasu liczbę osób pod ryzykiem, zdarzenia i cenzorowania oraz zaktualizowane \( \hat{S}(t) \). Zwróć uwagę, że oszacowanie zmienia się tylko w momentach zdarzeń; czasy wyłącznie z cenzurowaniami są wypisane dla przejrzystości, ale nie modyfikują krzywej.
Założenia i wskazówki praktyczne
- Nieinformatywne cenzurowanie: osoby cenzorowane muszą mieć takie samo przyszłe ryzyko zdarzenia jak te pozostające pod obserwacją. Cenzorowanie związane ze zdarzeniem (np. pacjenci odchodzący z badania z powodu pogorszenia stanu) obciąża oszacowanie.
- Jednolite jednostki i niezależni badani: wszystkie czasy w jednej jednostce, jeden wiersz na badanego, bez powtórzonych lub skorelowanych obserwacji.
- Remisy w tym samym momencie: gdy zdarzenia i cenzorowania przypadały na tę samą chwilę, przyjęta tu konwencja zakłada, że cenzurowane osoby wypadają ze zbioru ryzyka po zdarzeniach z tego momentu — w chwili przetwarzania zdarzeń osoby cenzorowane są więc nadal liczone jako pod ryzykiem.
- Małe próby: przy małej liczbie zdarzeń funkcja schodkowa jest zgrubna, a \( S(t) \) mało precyzyjne; mediany nie da się wyznaczyć, dopóki krzywa nie spadnie do 0,5.
- Estymator opisuje jedną grupę. Do formalnego porównania dwóch krzywych przeżycia użyj testu log-rank; do podsumowania częstości zdarzeń w dwóch grupach zobacz kalkulator ilorazu szans i ryzyka względnego. Gdy preferowany jest model parametryczny, czasy przeżycia często opisuje się rozkładem Weibulla lub rozkładem wykładniczym; do porównań wyników jakościowych standardowym narzędziem jest kalkulator testu chi-kwadrat.
Najczęściej zadawane pytania
Czy kolejność wpisywania badanych ma znaczenie?
Nie. Kalkulator przed wszelkimi obliczeniami porządkuje obserwacje według czasu obserwacji, więc badanych możesz wpisać w dowolnej kolejności — byle każdy czas był sparowany z jego statusem zdarzenia na tym samym miejscu na liście. Liczy się wyłącznie poprawne powiązanie obu list.
Czy można wpisać dane pogrupowane lub zagregowane, zamiast jednego wiersza na badanego?
Nie, kalkulator wymaga jednego czasu obserwacji i jednego statusu dla każdego badanego osobno. Liczb zagregowanych typu „12 zdarzeń w 6. miesiącu” nie da się wpisać bezpośrednio. Jeśli dane są pogrupowane, trzeba odtworzyć pojedyncze wiersze (np. wpisać ten sam czas 12 razy ze statusem 1), ale pamiętaj, że agregacja zwykle powoduje utratę informacji o dokładnych momentach zdarzeń i cenzorowań.
Dlaczego kalkulator nie pokazuje przedziałów ufności dla S(t)?
Przedziały ufności wymagają dodatkowych metod, najczęściej wzoru Greenwooda na błąd standardowy \( \hat{S}(t) \), często stosowanego na skali log-minus-log, żeby przedział nie wychodził poza granice 0 i 1. Bez przedziału pamiętaj, że \( \hat{S}(t) \) to tylko oszacowanie punktowe: przy małej liczbie zdarzeń może być dość nieprecyzyjne, więc wartości takiej jak 0,70 nie należy traktować jako dokładnej.
Jaka jest różnica między medianą a średnim czasem przeżycia?
Mediana to moment, w którym \( \hat{S}(t) \) po raz pierwszy spada do 0,5 — do tego czasu połowa badanych powinna już doświadczyć zdarzenia. Średni czas przeżycia odpowiada polu pod krzywą przeżycia, ale nie da się go wiarygodnie oszacować, chyba że obserwacja trwa do momentu, gdy niemal wszyscy badani doświadczyli zdarzenia. Dlatego w analizie przeżycia standardowym podsumowaniem jest mediana.
Ilu badanych lub zdarzeń potrzeba, żeby oszacowanie Kaplana–Meiera było wiarygodne?
Nie ma sztywnego minimum, ale precyzja zależy głównie od liczby zdarzeń, a nie tylko od liczby badanych. Gdy zdarzeń jest mniej niż z grubsza 10–15 krzywa jest zgrubną klatką schodową, a mediana może być nieosiągalna. Jako regułę można przyjąć, że błąd standardowy \( \hat{S}(t) \) maleje mniej więcej z pierwiastkiem liczby zdarzeń — więcej zdarzeń oznacza wyraźnie stabilniejszą krzywą.
Czy można przeliczyć wyniki na inną jednostkę czasu?
Tak. Jeśli wszystkie czasy wejściowe podane są w jednej spójnej jednostce, każdy wynik (wybrany czas \( t_0 \), mediana i czasy w tabeli) jest w tej samej jednostce. Aby ją zmienić, przelicz czasy wejściowe przed ich wpisaniem albo wyniki po obliczeniu — na przykład mediana 540 dni to 78,6 tygodnia (540 ÷ 7). Same prawdopodobieństwa przeżycia są niezależne od jednostki i nigdy się nie zmieniają.
Jakie błędy najczęściej zdarzają się przy wpisywaniu danych o przeżyciu?
Typowe pomyłki to: podanie czasów i statusów w różnych kolejnościach (parowanie musi się zgadzać), użycie jako statusu wartości innych niż dokładnie 0 lub 1, wymieszanie jednostek, np. dni i miesięcy w jednym zestawie danych, oraz przypadkowe potraktowanie osoby cenzorowanej jako zdarzenia. Sprawdź też powtórzone wiersze — ten sam badany wpisany dwukrotnie zawyża liczbę osób pod ryzykiem i zawyża \( \hat{S}(t) \).