503. Analiza przeżycia – dlaczego zwykła średnia czasu nie wystarcza?
W wielu badaniach nie interesuje nas wyłącznie to, czy zdarzenie wystąpiło, lecz także kiedy do niego doszło. Przykładami są czas do zgonu, nawrotu choroby, wypisu ze szpitala, ponownej hospitalizacji, rezygnacji z terapii albo uzyskania poprawy psychologicznej. Takie dane nazywa się danymi typu time-to-event, a zbiór metod przeznaczonych do ich analizy określa się jako analizę przeżycia.
Nazwa może być myląca, ponieważ „przeżycie” nie musi oznaczać biologicznego przeżycia pacjenta. W badaniu nad czasem do powrotu do pracy „zdarzeniem” będzie powrót do pracy, a w badaniu nad czasem do wypisu — wypis ze szpitala. Kluczowe jest precyzyjne zdefiniowanie początku obserwacji, zdarzenia końcowego oraz sposobu postępowania z osobami, u których zdarzenie nie zostało zaobserwowane.
Dlaczego zwykła średnia czasu może być niewystarczająca?
Najprostszy pomysł polegałby na obliczeniu średniego czasu do zdarzenia. To rozwiązanie jest poprawne tylko wtedy, gdy znamy rzeczywisty czas zdarzenia u każdej osoby. W praktyce badanie często kończy się wcześniej, część uczestników wycofuje się z udziału, a niektórzy nadal nie doświadczyli zdarzenia w chwili zakończenia obserwacji.
Jeżeli pacjent pozostaje przy życiu do końca badania, nie oznacza to, że jego czas przeżycia jest równy długości obserwacji. Wiemy jedynie, że rzeczywisty czas przeżycia jest co najmniej tak długi jak obserwowany okres. Zastąpienie nieznanej wartości długością obserwacji zwykle zaniżałoby czas przeżycia i prowadziło do błędnych wniosków.
Problem pogłębiają różne momenty włączenia uczestników. Osoba zrekrutowana na początku badania może być obserwowana przez 24 miesiące, a osoba włączona pod koniec — tylko przez 4 miesiące. Krótka obserwacja drugiej osoby nie oznacza, że zdarzenie wystąpiło szybko. Oznacza jedynie, że nie mieliśmy jeszcze możliwości obserwować jej dostatecznie długo.
Przykład liczbowy: pozornie krótszy czas przeżycia
Załóżmy, że badamy 10 pacjentów po leczeniu onkologicznym. U pięciu wystąpił nawrót po 3, 6, 8, 12 i 15 miesiącach. Pozostałych pięciu nie miało nawrotu do końca 18-miesięcznej obserwacji. Ich dane nie są pełnymi czasami do nawrotu. Dla tych osób znamy tylko dolną granicę: czas do nawrotu przekracza 18 miesięcy.
Jeżeli potraktujemy 18 miesięcy jako rzeczywisty czas nawrotu, sztucznie uznamy, że wszyscy ci pacjenci doświadczyli zdarzenia właśnie w tym momencie. Jeżeli natomiast usuniemy ich z analizy, wykorzystamy tylko połowę informacji i możemy uzyskać wynik obciążony selekcją. Analiza przeżycia pozwala wykorzystać informację o tym, jak długo każda osoba pozostawała pod obserwacją, bez udawania, że znamy niezaobserwowany moment zdarzenia.
Podstawowe pojęcia
Czas do zdarzenia
Czas do zdarzenia to różnica między zdefiniowanym początkiem obserwacji a momentem wystąpienia zdarzenia albo ostatnim momentem, w którym uczestnik był obserwowany. Początkiem może być diagnoza, randomizacja, rozpoczęcie leczenia, przyjęcie do szpitala lub pierwsza wizyta w poradni.
Nie należy automatycznie przyjmować daty włączenia do badania. Jeżeli uczestnicy mieli chorobę przez różny czas przed rekrutacją, wybór początku obserwacji może istotnie zmienić interpretację. Początek, zdarzenie oraz jednostka czasu powinny być ustalone przed analizą, najlepiej w protokole badania.
Cenzorowanie
Cenzorowanie oznacza, że dla części osób nie obserwujemy zdarzenia w pełnym zakresie, lecz znamy czas do ostatniej wiarygodnej informacji. Do cenzorowania dochodzi na przykład wtedy, gdy:
- badanie kończy się, zanim u uczestnika wystąpi zdarzenie;
- uczestnik wycofuje zgodę na dalszy udział;
- uczestnik przestaje odpowiadać na kontakt;
- obserwacja kończy się z powodu administracyjnego zamknięcia projektu;
- u pacjenta wystąpi inne zdarzenie uniemożliwiające obserwację zdarzenia głównego.
W typowej analizie zakłada się, że cenzorowanie jest niezależne od przyszłego ryzyka zdarzenia, przynajmniej po uwzględnieniu dostępnych zmiennych. Innymi słowy, osoby ocenzorowane w danym momencie powinny mieć — warunkowo — podobne rokowanie jak osoby pozostające w obserwacji. To założenie jest często trudne do zweryfikowania i wymaga opisania przyczyn utraty obserwacji (Bland i Altman, 1998).
Zdarzenie i wskaźnik zdarzenia
W analizie przeżycia każda osoba ma zwykle dwie informacje: czas obserwacji oraz wskaźnik, czy zdarzenie wystąpiło. Można to zapisać jako parę (ti, δi), gdzie ti oznacza zaobserwowany czas, a δi przyjmuje wartość 1, gdy zdarzenie wystąpiło, oraz 0, gdy obserwacja została ocenzorowana.
Funkcja przeżycia i hazard
Funkcja przeżycia opisuje prawdopodobieństwo, że osoba nie doświadczy zdarzenia do czasu t. Zapisuje się ją jako:
S(t) = P(T > t)
gdzie:
- S(t) — prawdopodobieństwo pozostania bez zdarzenia do czasu t;
- T — rzeczywisty czas do wystąpienia zdarzenia;
- t — konkretny moment, dla którego obliczamy prawdopodobieństwo.
Jeżeli S(12) = 0,70, oznacza to, że szacowane prawdopodobieństwo pozostania bez zdarzenia przez 12 miesięcy wynosi 70%. Nie oznacza to, że 70% badanych ma dokładnie 12 miesięcy przeżycia ani że każdy pacjent ma takie samo ryzyko.
Drugim ważnym pojęciem jest hazard, czyli chwilowa intensywność wystąpienia zdarzenia u osób, które do danego momentu nie doświadczyły zdarzenia. Hazard nie jest tym samym co prawdopodobieństwo. Jest wielkością opisującą tempo występowania zdarzeń w danym momencie, warunkowo na wcześniejsze pozostanie bez zdarzenia.
W praktyce hazard ratio, czyli iloraz hazardów, informuje, jak różni się chwilowa intensywność zdarzenia między grupami. Nie należy jednak tłumaczyć go automatycznie jako różnicy prawdopodobieństw ani jako proporcjonalnej różnicy średnich czasów przeżycia.
Estymator Kaplana-Meiera
Najczęściej stosowaną metodą szacowania funkcji przeżycia jest estymator Kaplana-Meiera. Jego idea polega na mnożeniu kolejnych warunkowych prawdopodobieństw przeżycia:
Ŝ(t) = ∏tj ≤ t (1 − dj/nj)
gdzie:
- Ŝ(t) — oszacowana funkcja przeżycia do czasu t;
- tj — kolejny moment wystąpienia zdarzenia;
- dj — liczba zdarzeń w momencie tj;
- nj — liczba osób pozostających „w ryzyku” bezpośrednio przed momentem tj;
- ∏ — iloczyn kolejnych czynników dla wszystkich momentów zdarzeń do czasu t.
Krzywa Kaplana-Meiera ma postać schodkową. Obniża się w momentach wystąpienia zdarzeń, natomiast samo cenzorowanie nie powoduje pionowego spadku krzywej. Osoba ocenzorowana opuszcza jednak zbiór osób pozostających w ryzyku dla późniejszych momentów.
Na wykresie warto pokazywać nie tylko krzywe, lecz także liczebności osób pozostających w obserwacji w kolejnych punktach czasu. Pod koniec badania krzywa może opierać się na bardzo małej liczbie uczestników, a wtedy jej odległe fragmenty są obarczone dużą niepewnością.
Porównywanie grup: test log-rank
Jeżeli chcemy porównać czas do zdarzenia w dwóch lub większej liczbie grup, można zastosować test log-rank. Porównuje on obserwowaną liczbę zdarzeń z liczbą oczekiwaną przy założeniu braku różnic między krzywymi przeżycia.
Wynik testu log-rank odpowiada na pytanie, czy dane dostarczają dowodów na różnicę między przebiegami krzywych w całym okresie obserwacji. Nie wskazuje sam z siebie, w którym momencie powstała różnica, jak duża jest różnica kliniczna ani czy założenie proporcjonalności hazardów jest spełnione.
Dlatego raportowanie powinno obejmować co najmniej krzywe Kaplana-Meiera, liczby osób narażonych, oszacowania przeżycia w istotnych punktach czasu oraz miarę efektu z przedziałem ufności. Sama wartość p nie jest miarą wielkości efektu ani prawdopodobieństwem prawdziwości hipotezy zerowej.
Model proporcjonalnych hazardów Coxa
Model Coxa pozwala analizować związek czasu do zdarzenia z wieloma zmiennymi jednocześnie. W uproszczeniu można go zapisać jako:
h(t|X) = h0(t) exp(β1X1 + β2X2 + … + βpXp)
gdzie:
- h(t|X) — hazard w czasie t dla osoby o określonych wartościach zmiennych;
- h0(t) — hazard bazowy, czyli hazard dla osoby referencyjnej;
- X1, …, Xp — zmienne objaśniające, na przykład leczenie, wiek lub palenie;
- β1, …, βp — współczynniki modelu;
- exp(β) — hazard ratio związany ze wzrostem danej zmiennej o jedną jednostkę albo ze zmianą kategorii względem grupy referencyjnej.
Model Coxa jest semiparametryczny, ponieważ nie wymaga określenia konkretnego rozkładu hazardu bazowego. Jego kluczowe założenie mówi, że iloraz hazardów między porównywanymi osobami jest stały w czasie. To właśnie założenie proporcjonalności hazardów należy sprawdzać, a nie przyjmować automatycznie (Cox, 1972).
Przykład praktyczny: czas do ponownej hospitalizacji
Wyobraźmy sobie badanie pacjentów wypisywanych po zaostrzeniu niewydolności serca. Porównujemy program standardowej edukacji z programem obejmującym dodatkowo telefoniczne monitorowanie objawów. Zdarzeniem jest pierwsza ponowna hospitalizacja w ciągu 12 miesięcy.
Pacjent A został ponownie przyjęty po 45 dniach — jego obserwacja kończy się zdarzeniem. Pacjent B nie był hospitalizowany, ale przestał odpowiadać po 90 dniach — jego obserwacja jest ocenzorowana w 90. dniu. Pacjent C ukończył 12-miesięczną obserwację bez hospitalizacji — także jest ocenzorowany, tym razem w 365. dniu.
Średnia nie pozwalałaby poprawnie wykorzystać tych danych, ponieważ u pacjentów B i C nie znamy rzeczywistego czasu do hospitalizacji. Krzywa Kaplana-Meiera umożliwiłaby oszacowanie prawdopodobieństwa pozostania bez ponownej hospitalizacji w 30., 90. i 365. dniu. Model Coxa mógłby następnie uwzględnić wiek, frakcję wyrzutową, choroby współistniejące i rodzaj programu opieki.
Jeśli dla monitorowania uzyskano hazard ratio 0,75 z 95-procentowym przedziałem ufności 0,60–0,94, można powiedzieć, że w analizowanym modelu grupa monitorowana miała niższy hazard ponownej hospitalizacji niż grupa referencyjna. Nie należy jednak bez dodatkowych założeń stwierdzać, że program „wydłużył średni czas przeżycia” o 25% ani że zmniejszył ryzyko absolutne o 25 punktów procentowych.
Drugi przykład: czas do rezygnacji z terapii psychologicznej
W badaniu psychoterapii można analizować czas do przerwania leczenia. Zdarzeniem jest rezygnacja przed ukończeniem zaplanowanego cyklu. Osoba, która ukończyła terapię, może zostać potraktowana jako ocenzorowana w dniu ostatniej sesji, jeżeli badanym zdarzeniem jest wyłącznie przedwczesne przerwanie.
W tym zastosowaniu analiza przeżycia pozwala uwzględnić fakt, że uczestnicy rozpoczynają terapię w różnych dniach i pozostają w badaniu przez różny czas. Można porównać krzywe dla terapii indywidualnej i grupowej albo zbadać, czy liczba wcześniejszych epizodów depresji wiąże się z szybszą rezygnacją.
Trzeba jednak z góry określić, czy ukończenie terapii jest rzeczywiście cenzorowaniem, czy może stanowi konkurencyjne zdarzenie. Jeżeli interesuje nas czas do dowolnego zakończenia kontaktu z terapią, ukończenie i rezygnacja mają odmienny sens niż w analizie wyłącznie przedwczesnego przerwania.
Najczęstsze błędy
- Obliczanie zwykłej średniej po zastąpieniu cenzorowania długością obserwacji. Takie postępowanie traktuje dolne granice czasów jako pełne obserwacje.
- Usuwanie osób ocenzorowanych z analizy. Może to zmniejszyć liczebność i wprowadzić błąd selekcji.
- Mylenie mediany przeżycia z medianą czasu obserwacji. Są to różne statystyki i odpowiadają na różne pytania.
- Interpretowanie hazard ratio jako ryzyka względnego w każdym punkcie czasu. Hazard ratio dotyczy intensywności zdarzenia, a nie bezpośrednio skumulowanego prawdopodobieństwa.
- Brak kontroli założenia proporcjonalnych hazardów. Jeżeli krzywe przecinają się lub efekt zmienia się w czasie, standardowy model Coxa może być nieadekwatny.
- Ignorowanie zdarzeń konkurencyjnych. Na przykład zgon z innej przyczyny może uniemożliwić obserwację nawrotu choroby. Traktowanie go jak zwykłego cenzorowania może zawyżyć skumulowaną częstość badanego zdarzenia.
- Raportowanie wyłącznie wartości p. Należy przedstawić efekt, przedział ufności, punkty czasowe oraz znaczenie kliniczne.
- Wybór punktu końcowego po obejrzeniu danych. Definicja zdarzenia, czasu początkowego i reguł cenzorowania powinna wynikać z protokołu lub być jasno uzasadniona.
Jak raportować analizę przeżycia?
Dobry opis powinien wskazywać: populację początkową, początek obserwacji, definicję zdarzenia, jednostkę czasu, liczbę i przyczyny cenzorowania, metodę estymacji, sposób obliczania przedziałów ufności, zastosowane testy oraz sprawdzenie założeń modelu.
W przypadku krzywych Kaplana-Meiera warto raportować przeżycie w klinicznie istotnych punktach czasu. Mediana przeżycia może być nieoszacowana, jeśli ponad połowa uczestników nie doświadczyła zdarzenia. Nie jest to błąd obliczeniowy, lecz informacja, że przy danym czasie obserwacji mediana nie została osiągnięta.
Jeżeli proporcjonalność hazardów jest wątpliwa, można rozważyć iloraz hazardów zależny od czasu, modele z kowariatami zmieniającymi się w czasie albo alternatywne miary, takie jak ograniczona średnia długość przeżycia. Wybór metody powinien wynikać z pytania badawczego, a nie wyłącznie z dostępności procedury w programie statystycznym.
Co warto zapamiętać?
- Analiza przeżycia dotyczy czasu do zdefiniowanego zdarzenia, nie tylko samego wystąpienia zdarzenia.
- Zwykła średnia czasu jest niewystarczająca, gdy występuje cenzorowanie lub różna długość obserwacji.
- Krzywa Kaplana-Meiera szacuje prawdopodobieństwo pozostania bez zdarzenia w czasie.
- Cenzorowanie nie oznacza, że zdarzenie nie wystąpiło; oznacza, że nie zaobserwowano go w pełnym okresie.
- Hazard opisuje chwilową intensywność zdarzenia, a hazard ratio nie jest tożsamy z różnicą prawdopodobieństw.
- Model Coxa wymaga oceny założenia proporcjonalności hazardów.
- Wynik powinien obejmować wielkość efektu, przedział ufności, przebieg obserwacji i znaczenie praktyczne, a nie tylko wartość p.
Analiza przeżycia jest jednym z podstawowych narzędzi zaawansowanej biostatystyki, ponieważ zachowuje informację o czasie i pozwala uczciwiej analizować niepełne obserwacje. W dalszej części publicznego szkolenia na statystyk.edu.pl warto połączyć te podstawy z interpretacją krzywych Kaplana-Meiera, testem log-rank, diagnostyką modelu Coxa oraz analizą zdarzeń konkurencyjnych.
Źródła i dalsza lektura
- Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481. DOI: 10.1080/01621459.1958.10501452.
- Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202. DOI: 10.1111/j.2517-6161.1972.tb00899.x.
- Bland, J. M., & Altman, D. G. (1998). Survival probabilities (the Kaplan-Meier method). BMJ, 317(7172), 1572. DOI: 10.1136/bmj.317.7172.1572.
- Schober, P., & Vetter, T. R. (2018). Survival analysis and interpretation of time-to-event data: The tortoise and the hare. Anesthesia & Analgesia, 127(3), 792–798. DOI: 10.1213/ANE.0000000000003653.
- Andrade, C. (2023). Survival analysis, Kaplan-Meier curves, and Cox regression: Basic concepts. Indian Journal of Psychological Medicine, 45(4), 434–435. DOI: 10.1177/02537176231176986.
- Kim, D. H., & Lee, D. K. (2018). Survival analysis: Part I—analysis of time-to-event. Korean Journal of Anesthesiology, 71(3), 182–191. DOI: 10.4097/kja.d.18.00067.
3 komentarze