505. Krzywa Kaplana–Meiera – jak ją czytać?
Krzywa Kaplana–Meiera jest jednym z najważniejszych sposobów przedstawiania danych w analizie przeżycia. Pozwala opisać, jaki odsetek osób pozostaje bez określonego zdarzenia wraz z upływem czasu, nawet wtedy, gdy część obserwacji kończy się przed wystąpieniem zdarzenia. W praktyce zdarzeniem może być zgon, nawrót choroby, ponowna hospitalizacja, rezygnacja z terapii, wystąpienie objawu albo znalezienie pracy. W tej lekcji z modułu 26 szkolenia dostępnego na statystyk.edu.pl skupiamy się nie na samym narysowaniu wykresu, lecz na jego poprawnym czytaniu.
1. Co przedstawia krzywa Kaplana–Meiera?
Krzywa Kaplana–Meiera jest graficznym przedstawieniem oszacowanej funkcji przeżycia. Funkcja ta jest zwykle oznaczana jako S(t) i można ją rozumieć jako prawdopodobieństwo, że osoba pozostaje bez zdarzenia co najmniej do czasu t. Słowo „przeżycie” ma więc znaczenie techniczne. Nie musi oznaczać przeżycia biologicznego; może oznaczać na przykład pozostanie bez nawrotu, pozostanie w badaniu albo nieosiągnięcie określonego punktu końcowego.
Na osi poziomej wykresu znajduje się czas obserwacji, na przykład miesiące od rozpoczęcia leczenia. Na osi pionowej znajduje się oszacowane prawdopodobieństwo pozostania bez zdarzenia, najczęściej od 0 do 1 albo od 0% do 100%. Krzywa rozpoczyna się zwykle w wartości 1, czyli 100%, a następnie schodzi w dół w momentach, w których obserwuje się zdarzenia.
W klasycznym estymatorze Kaplana–Meiera krzywa ma charakter schodkowy. Odcinki poziome oznaczają okresy, w których nie zaobserwowano zdarzenia. Spadki oznaczają wystąpienie jednego lub kilku zdarzeń. Taki sposób konstrukcji wynika z tego, że estymator wykorzystuje kolejno informacje o osobach pozostających „w obserwacji i zagrożonych zdarzeniem” w danym momencie (Kaplan i Meier, 1958).
2. Dane potrzebne do analizy
Do analizy Kaplana–Meiera potrzebne są co najmniej dwie informacje dla każdej osoby:
- czas obserwacji – do wystąpienia zdarzenia albo do zakończenia obserwacji;
- status obserwacji – informacja, czy zdarzenie wystąpiło, czy obserwacja została ocenzorowana.
Jeśli pacjent zmarł po 14 miesiącach, mamy informację o zdarzeniu w czasie 14 miesięcy. Jeśli inny pacjent wycofał się z badania po 10 miesiącach bez zgonu, wiemy tylko, że do 10. miesiąca zgon nie nastąpił. Nie wiemy natomiast, co wydarzyłoby się później. Tę drugą obserwację uznaje się za prawostronnie cenzorowaną.
W analizie Kaplana–Meiera cenzorowanie nie oznacza automatycznie brakujących danych w sensie jakościowym. Jest to część informacji o przebiegu obserwacji: wiemy, że osoba pozostawała bez zdarzenia do określonego czasu, ale nie znamy dalszego losu. Wiarygodność estymacji zależy jednak od założenia, że mechanizm cenzorowania jest niezależny od przyszłego ryzyka zdarzenia, przynajmniej po uwzględnieniu istotnych zmiennych. Jeżeli z badania częściej wypadają osoby o szczególnie złym rokowaniu, krzywa może być obciążona.
3. Jak powstaje krzywa?
Niech:
- ti oznacza i-ty czas wystąpienia zdarzenia;
- ni oznacza liczbę osób pozostających w grupie ryzyka bezpośrednio przed czasem ti;
- di oznacza liczbę zdarzeń w czasie ti;
- Ŝ(t) oznacza estymator funkcji przeżycia do czasu t.
Estymator Kaplana–Meiera ma postać:
Ŝ(t) = ∏ti ≤ t (1 − di/ni)
Symbol ∏ oznacza iloczyn. Dla każdego czasu wystąpienia zdarzenia oblicza się warunkowe prawdopodobieństwo pozostania bez zdarzenia, czyli 1 − di/ni, a następnie mnoży się te wartości. Jeśli w danym momencie spośród 20 osób zagrożonych zdarzeniem wystąpiły 2 zdarzenia, lokalny czynnik wynosi 1 − 2/20 = 0,90. Jeżeli wcześniej oszacowana wartość krzywej wynosiła 0,80, po tym momencie będzie wynosiła 0,80 × 0,90 = 0,72.
Osoby ocenzorowane nie powodują pionowego spadku krzywej. Zmniejszają jednak liczbę osób pozostających w grupie ryzyka dla kolejnych czasów. Dlatego symbol cenzorowania, często przedstawiany jako pionowa kreska na krzywej, należy traktować jako informację o zakończeniu obserwacji konkretnej osoby, a nie jako zdarzenie końcowe.
4. Jak czytać wykres krok po kroku?
Odczyt osi
Najpierw należy sprawdzić, co dokładnie oznacza zdarzenie i od którego momentu mierzony jest czas. W badaniu onkologicznym może chodzić o całkowite przeżycie, gdzie zdarzeniem jest zgon, albo o przeżycie wolne od progresji, gdzie zdarzeniem jest progresja choroby lub zgon. W badaniu psychologicznym zdarzeniem może być na przykład rezygnacja z terapii. Bez znajomości definicji punktu końcowego nie da się poprawnie interpretować etykiety „survival”.
Spadki krzywej
Każdy spadek oznacza zaobserwowane zdarzenie lub grupę zdarzeń występujących w tym samym czasie. Wielkość spadku zależy przede wszystkim od liczby zdarzeń oraz liczby osób pozostających w grupie ryzyka. Ten sam jeden zgon może spowodować mały spadek na początku badania i znacznie większy spadek pod jego koniec, gdy w obserwacji pozostało niewiele osób.
Poziome odcinki
Odcinek poziomy nie oznacza, że „nic się nie dzieje” w sensie klinicznym. Oznacza tylko, że w danym przedziale nie zaobserwowano zdefiniowanego zdarzenia. Pacjenci mogą nadal doświadczać innych objawów, hospitalizacji lub zmian wartości laboratoryjnych, które nie zostały określone jako punkt końcowy.
Znaczniki cenzorowania
Kreski, kółka lub inne symbole na krzywej wskazują momenty cenzorowania. Ich duża liczba, szczególnie pod koniec obserwacji, sygnalizuje, że późne fragmenty krzywej opierają się na mniejszej liczbie osób i mogą być mniej precyzyjne. Właśnie dlatego wykres powinien zawierać tabelę liczby osób pozostających w grupie ryzyka w kolejnych punktach czasu.
Przedziały ufności
Pasmo wokół krzywej przedstawia zwykle 95-procentowy przedział ufności. Wraz z upływem czasu pasmo często się poszerza, ponieważ maleje liczba obserwowanych osób. Przedział ufności opisuje niepewność estymacji. Nie należy utożsamiać go z zakresem, w którym znajduje się określony odsetek pacjentów.
5. Mediana przeżycia i inne punkty czasowe
Mediana przeżycia to czas, w którym oszacowana funkcja przeżycia po raz pierwszy osiąga wartość 0,50 lub niższą. Jeżeli krzywa przecina poziom 50% w 18. miesiącu, można powiedzieć, że oszacowana mediana czasu do zdarzenia wynosi 18 miesięcy.
Interpretacja wymaga ostrożności. Jeżeli krzywa nie spadła do 50% w okresie obserwacji, mediany nie można wyznaczyć jako konkretnej liczby. Nie oznacza to, że mediana wynosi „więcej niż maksymalny czas badania” w sensie dokładnej wartości. Poprawny zapis brzmi na przykład: „mediana nie została osiągnięta w czasie obserwacji”. Można natomiast raportować przeżycie po 6, 12 lub 24 miesiącach, o ile w tych punktach istnieje wystarczająca informacja.
Mediana nie zawsze jest najlepszym podsumowaniem. Gdy krzywe mają długi plateau, są silnie prawoskośne albo przekraczają 50% dopiero bardzo późno, warto przedstawić także wybrane prawdopodobieństwa przeżycia, przedziały ufności oraz opis liczby zdarzeń i cenzorowań.
6. Porównywanie dwóch krzywych
Krzywe Kaplana–Meiera często przedstawia się osobno dla dwóch lub większej liczby grup, na przykład dla leczenia standardowego i eksperymentalnego. Wzrokowe położenie jednej krzywej wyżej od drugiej nie wystarcza do formalnego wniosku. Do porównania rozkładów czasu do zdarzenia często stosuje się test log-rank (Peto i Peto, 1972).
Wartość p z testu log-rank informuje o zgodności danych z hipotezą zerową dotyczącą porównywanych krzywych w całym okresie obserwacji, przy założeniach właściwych dla tego testu. Nie jest prawdopodobieństwem, że hipoteza zerowa jest prawdziwa. Nie mówi też sama przez się, jak duża i jak ważna klinicznie jest różnica.
Do oceny znaczenia różnicy należy dołączyć wielkość efektu, na przykład hazard ratio z modelu Coxa, różnice przeżycia w określonych punktach czasu oraz przedziały ufności. Jeżeli krzywe przecinają się, pojedynczy test log-rank może nie oddawać dobrze charakteru różnicy, a założenie proporcjonalności hazardów może być nieadekwatne.
7. Przykład 1: pacjenci po leczeniu onkologicznym
Załóżmy, że obserwowano 120 pacjentów po operacji z powodu nowotworu. Zdarzeniem jest nawrót choroby, a czas liczony jest od dnia zabiegu. Po 24 miesiącach:
- 42 osoby doświadczyły nawrotu;
- 51 osób zakończyło obserwację bez nawrotu, na przykład z powodu końca badania;
- 27 osób nadal pozostawało pod obserwacją.
Jeżeli krzywa Kaplana–Meiera wskazuje wartość 0,68 w 24. miesiącu, interpretacja brzmi: „Oszacowane prawdopodobieństwo pozostania bez nawrotu do 24 miesięcy wynosiło 68%”. Nie należy pisać, że „68% pacjentów na pewno nie będzie miało nawrotu”, ponieważ jest to oszacowanie populacyjne, a nie pewna prognoza dla każdej osoby.
Jeżeli 95-procentowy przedział ufności wynosi 0,59–0,76, przedstawia on niepewność oszacowania. Nie oznacza natomiast, że 95% pacjentów ma indywidualne prawdopodobieństwo między 59% a 76%. Taki zapis byłby błędny interpretacyjnie.
8. Przykład 2: czas do rezygnacji z terapii psychologicznej
W badaniu porównano dwie formy terapii depresji. Zdarzeniem była przedwczesna rezygnacja z terapii. Osoby, które ukończyły 16-tygodniowy program, były cenzorowane w tygodniu 16, ponieważ nie zaobserwowano u nich rezygnacji w czasie badania.
Krzywa dla terapii A pozostaje wyżej niż krzywa dla terapii B. Oznacza to, że w każdym z wielu obserwowanych momentów oszacowany odsetek osób pozostających w terapii był większy w grupie A. Nie wolno jednak automatycznie stwierdzić, że terapia A „powodowała” większą wytrwałość, jeżeli badanie nie było randomizowane i grupy mogły różnić się między sobą przed rozpoczęciem terapii.
Jeżeli badacze raportują, że mediana czasu do rezygnacji w grupie B wyniosła 7 tygodni, a w grupie A nie została osiągnięta, należy uwzględnić, że brak mediany w grupie A może oznaczać, iż ponad połowa osób ukończyła program lub pozostawała w nim do końca obserwacji. Nie oznacza to, że czas do rezygnacji jest nieskończony.
9. Przykład praktyczny: jak opisać wykres w raporcie?
Załóżmy, że w badaniu ratowników medycznych analizowano czas do pierwszego zwolnienia lekarskiego z powodu przeciążenia zawodowego. Badanie obejmowało 80 osób i trwało 12 miesięcy. W grupie objętej programem wsparcia odsetek osób bez zwolnienia po 12 miesiącach wyniósł 0,74, a w grupie kontrolnej 0,58.
Poprawny opis może brzmieć:
„Krzywa Kaplana–Meiera wskazywała wyższe oszacowane prawdopodobieństwo pozostania bez zwolnienia lekarskiego w grupie programu wsparcia niż w grupie kontrolnej. Po 12 miesiącach wartości wynosiły odpowiednio 74% i 58%. Różnicę oceniono testem log-rank, jednak jej interpretacja powinna uwzględniać przedziały ufności, liczbę osób pozostających w grupie ryzyka oraz sposób rekrutacji uczestników.”
Taki opis oddziela wynik opisowy od wniosku przyczynowego. Jeżeli uczestnicy nie byli losowo przydzielani do programu, ostrożniej jest mówić o różnicy między grupami niż o skuteczności programu.
10. Najczęstsze błędy
- Traktowanie cenzorowania jako zdarzenia. Cenzorowanie oznacza koniec obserwacji bez zaobserwowania zdarzenia, a nie wystąpienie punktu końcowego.
- Odczytywanie krzywej bez znajomości definicji zdarzenia. „Przeżycie” może oznaczać brak zgonu, brak nawrotu, brak hospitalizacji albo pozostanie w terapii.
- Uznawanie mediany za średni czas. Mediana dzieli rozkład na dwie części; nie jest średnią arytmetyczną.
- Podawanie mediany, której nie osiągnięto. Jeżeli krzywa nie spadła poniżej 50%, należy napisać, że mediana nie została osiągnięta.
- Ignorowanie liczby osób zagrożonych. Prawy koniec wykresu może wyglądać stabilnie, ale opierać się na kilku osobach.
- Uznawanie położenia krzywej za dowód przyczynowości. Różnica krzywych nie dowodzi skutku leczenia bez odpowiedniego schematu badania i kontroli zakłóceń.
- Interpretowanie wartości p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Test log-rank nie dostarcza takiej interpretacji.
- Raportowanie samego wykresu. Należy podać liczbę uczestników, liczbę zdarzeń, liczbę cenzorowań, definicję czasu zerowego, przedziały ufności oraz tabelę osób pozostających w grupie ryzyka.
11. Ograniczenia krzywej Kaplana–Meiera
Krzywa Kaplana–Meiera jest metodą nieparametryczną i bardzo użyteczną opisowo, ale nie rozwiązuje wszystkich problemów analizy czasu do zdarzenia. Nie uwzględnia automatycznie różnic wieku, płci, ciężkości choroby ani innych zmiennych zakłócających. Do analizy skorygowanej można zastosować między innymi model proporcjonalnych hazardów Coxa, pod warunkiem sprawdzenia jego założeń.
Klasyczny estymator jest również problematyczny w obecności zdarzeń konkurencyjnych. Jeżeli na przykład analizujemy czas do konkretnego rodzaju nawrotu, a zgon bez tego nawrotu uniemożliwia jego wystąpienie, zwykła krzywa Kaplana–Meiera może zawyżać prawdopodobieństwo badanego zdarzenia. W takiej sytuacji należy rozważyć funkcję skumulowanej częstości występowania dla zdarzeń konkurencyjnych.
Na interpretację wpływa także czas zerowy. Jeżeli pacjenci są włączani do badania w różnych momentach choroby, a czas liczony jest od diagnozy u jednych i od rozpoczęcia terapii u innych, porównanie może być mylące. Czas rozpoczęcia obserwacji powinien odpowiadać pytaniu badawczemu i być zdefiniowany przed analizą.
Co warto zapamiętać?
- Krzywa Kaplana–Meiera przedstawia oszacowane prawdopodobieństwo pozostania bez określonego zdarzenia w czasie.
- Spadki krzywej oznaczają zdarzenia, a znaczniki na odcinkach zwykle oznaczają cenzorowanie.
- Cenzorowanie informuje, że obserwacja zakończyła się bez zaobserwowania zdarzenia, ale wpływa na dalszą liczbę osób pozostających w grupie ryzyka.
- Mediana przeżycia to czas, przy którym krzywa osiąga 50%; może nie zostać osiągnięta w okresie badania.
- Wykres trzeba czytać razem z przedziałami ufności i tabelą liczby osób zagrożonych.
- Test log-rank ocenia różnicę między krzywymi, ale nie zastępuje oceny wielkości efektu i znaczenia praktycznego.
- Krzywa opisuje dane; sama w sobie nie dowodzi związku przyczynowego.
Najbardziej dojrzała interpretacja krzywej Kaplana–Meiera łączy trzy poziomy: opis przebiegu krzywej, ocenę niepewności oraz rozważenie, czy sposób zaprojektowania badania pozwala na wniosek kliniczny lub przyczynowy. Dopiero wtedy wykres staje się elementem rzetelnej analizy, a nie jedynie atrakcyjną ilustracją wyników.
Źródła i dalsza lektura
- Edward L. Kaplan; Paul Meier (1958). Nonparametric Estimation from Incomplete Observations. Journal of the American Statistical Association, 53(282), 457–481. DOI: 10.1080/01621459.1958.10501452.
- J. Martin Bland; Douglas G. Altman (1998). Survival probabilities (the Kaplan-Meier method). BMJ, 317(7172), 1572. DOI: 10.1136/bmj.317.7172.1572.
- Richard Peto; Julian Peto (1972). Asymptotically Efficient Rank Invariant Test Procedures. Journal of the Royal Statistical Society: Series A (General), 135(2), 185–198. DOI: 10.2307/2344317.
- Michael Schemper; Terry L. Smith (1996). A note on quantifying follow-up in studies of failure time. Controlled Clinical Trials, 17(4), 343–346. DOI: 10.1016/0197-2456(96)00075-X.
- David Collett (2015). Modelling Survival Data in Medical Research. 3rd edition. Chapman & Hall/CRC. Informacja wydawcy / źródło.
2 komentarze