506. Test log-rank – porównanie krzywych przeżycia

W poprzedniej lekcji poznaliśmy sposób odczytywania krzywej Kaplana–Meiera. Sama wizualna ocena wykresu nie wystarcza jednak do formalnego stwierdzenia, czy obserwowane różnice między grupami są większe, niż można byłoby oczekiwać wskutek losowej zmienności. Do takiego porównania często stosuje się test log-rank, nazywany także testem Mantela–Coxa. Jest to nieparametryczna metoda porównywania rozkładów czasu do zdarzenia w dwóch lub większej liczbie grup, uwzględniająca obserwacje prawostronnie cenzorowane (Mantel, 1966; Peto i Peto, 1972).

W tej lekcji kursu na statystyk.edu.pl przejdziemy od intuicji do wzoru, a następnie omówimy interpretację wyniku, założenia, ograniczenia i sytuacje, w których sam test log-rank nie powinien być jedyną analizą.

1. Jakie pytanie odpowiada test log-rank?

Załóżmy, że badacz porównuje dwie grupy pacjentów i dla każdej osoby rejestruje:

  • czas od określonego początku obserwacji do wystąpienia zdarzenia,
  • informację, czy zdarzenie rzeczywiście wystąpiło, czy obserwację zakończono wcześniej z powodu cenzorowania.

Zdarzeniem może być zgon, nawrót choroby, hospitalizacja, wypis ze szpitala, wystąpienie objawów albo rezygnacja z leczenia. Test log-rank odpowiada na pytanie, czy całe doświadczenie czasu do zdarzenia różni się między grupami, a nie tylko na przykład odsetek osób bez zdarzenia w 12. miesiącu.

Hipoteza zerowa ma postać:

H0: rozkłady czasu do zdarzenia są takie same w porównywanych grupach.

W praktyce, przy typowej interpretacji testu log-rank, hipotezę tę wiąże się również z brakiem systematycznej różnicy w hazardzie między grupami w czasie. Nie oznacza to, że badany test dowodzi równości wszystkich parametrów ani że wykrywa każdy możliwy rodzaj różnicy między krzywymi.

Hipoteza alternatywna głosi, że występuje różnica między rozkładami czasu do zdarzenia. Jeżeli porównujemy trzy grupy, test globalny mówi jedynie, że co najmniej jedna krzywa różni się od pozostałych. Nie wskazuje automatycznie, które pary grup odpowiadają za tę różnicę.

2. Intuicja działania testu

Test log-rank analizuje kolejne momenty wystąpienia zdarzeń. W każdym takim momencie porównuje:

  • ile zdarzeń rzeczywiście obserwowano w każdej grupie,
  • ile zdarzeń oczekiwalibyśmy w każdej grupie, gdyby hipoteza zerowa była prawdziwa.

Jeżeli w danym momencie w grupie A znajduje się 40 osób zagrożonych zdarzeniem, a w grupie B – 60, to przy założeniu braku różnic 40% wszystkich zdarzeń przypadałoby przeciętnie na grupę A, a 60% na grupę B. Jeżeli wystąpiły łącznie 2 zdarzenia, oczekiwana liczba zdarzeń wynosiłaby odpowiednio 0,8 i 1,2. Test powtarza takie obliczenia dla kolejnych czasów zdarzeń i sumuje różnice między wartościami obserwowanymi a oczekiwanymi.

Osoby ocenzorowane nie są traktowane jak osoby, u których zdarzenie nie wystąpiło. Ich dane są wykorzystywane do czasu cenzorowania, a następnie osoba przestaje należeć do zbioru osób zagrożonych. To podstawowa różnica między analizą przeżycia a prostym porównaniem odsetków.

3. Wzór i oznaczenia

Dla uproszczenia rozważmy dwie grupy. Niech j oznacza kolejny czas wystąpienia zdarzenia. W tym czasie:

  • n1j – liczba osób zagrożonych w grupie 1 tuż przed czasem j,
  • n2j – liczba osób zagrożonych w grupie 2 tuż przed czasem j,
  • d1j – liczba zdarzeń w grupie 1 w czasie j,
  • d2j – liczba zdarzeń w grupie 2 w czasie j,
  • dj = d1j + d2j – łączna liczba zdarzeń w czasie j,
  • nj = n1j + n2j – łączna liczba osób zagrożonych.

Oczekiwana liczba zdarzeń w grupie 1 wynosi:

E1j = dj × n1j / nj

Analogicznie dla grupy 2:

E2j = dj × n2j / nj

Po zsumowaniu wszystkich momentów zdarzeń otrzymujemy łączną liczbę zdarzeń obserwowanych i oczekiwanych. Dla grupy 1 statystyka log-rank jest oparta na różnicy:

O1 − E1

gdzie O1 oznacza łączną liczbę zdarzeń obserwowanych w grupie 1, a E1 – łączną liczbę zdarzeń oczekiwanych przy założeniu hipotezy zerowej.

W przybliżeniu statystyka ma postać:

χ² = (O1 − E1)² / V1

Symbol V1 oznacza wariancję różnicy między liczbą obserwowaną i oczekiwaną. W przypadku dwóch grup statystyka ma w przybliżeniu rozkład chi-kwadrat z jednym stopniem swobody. Dla k grup liczba stopni swobody wynosi zwykle k − 1. Oprogramowanie statystyczne może stosować dokładniejsze warianty obliczeń, zwłaszcza gdy występują remisy, czyli kilka zdarzeń w tym samym czasie.

Wynik testu jest często raportowany jako wartość statystyki chi-kwadrat i wartość p, na przykład: χ²(1) = 5,84; p = 0,016. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Informuje, jak zgodne z hipotezą zerową są obserwowane dane lub wynik bardziej skrajny, przy założeniach przyjętego modelu testowego.

4. Przykład medyczny: czas do nawrotu choroby

Wyobraźmy sobie randomizowane badanie dwóch schematów leczenia pacjentów po operacji raka jelita grubego. Głównym punktem końcowym jest czas do nawrotu choroby. Pacjenci są obserwowani przez 36 miesięcy, ale część nie doświadcza nawrotu do końca badania albo nie zgłasza się na kolejną wizytę. Ich obserwacje są prawostronnie cenzorowane.

Na wykresie Kaplana–Meiera krzywa leczenia skojarzonego znajduje się zwykle powyżej krzywej leczenia standardowego. Test log-rank daje wynik χ²(1) = 7,21; p = 0,007. Wniosek brzmi: w analizowanej próbie istnieją statystyczne przesłanki, aby odrzucić hipotezę o identycznych rozkładach czasu do nawrotu w obu grupach.

Nie należy jednak pisać, że test wykazał, iż nowe leczenie „wydłuża czas do nawrotu” bez dodatkowego kontekstu. Jeżeli badanie było randomizowane i poprawnie przeprowadzone, można rozważać interpretację przyczynową, ale nadal trzeba podać wielkość efektu, przedziały ufności i charakterystykę zdarzeń. Sam test log-rank nie dostarcza ilorazu hazardów ani bezpośredniej miary klinicznej różnicy.

Przykładowy pełniejszy opis mógłby brzmieć: „Krzywe czasu do nawrotu różniły się między grupami, test log-rank: χ²(1) = 7,21; p = 0,007. Mediana czasu do nawrotu wyniosła 24 miesiące w grupie standardowej i nie została osiągnięta w grupie leczenia skojarzonego. Wynik należy interpretować łącznie z przedziałami ufności oraz modelem Coxa”.

5. Przykład z ratownictwa: czas do wypisu ze szpitala

W badaniu obserwacyjnym porównuje się czas do wypisu pacjentów z zaostrzeniem przewlekłej obturacyjnej choroby płuc leczonych w dwóch typach oddziałów. Zdarzeniem jest wypis ze szpitala, a cenzorowanie może oznaczać przeniesienie pacjenta do innej placówki, zgon albo zakończenie obserwacji.

Jeżeli test log-rank jest istotny, można stwierdzić, że rozkłady czasu do wypisu różnią się między oddziałami. Nie wolno jednak automatycznie wnioskować, że typ oddziału spowodował krótszą hospitalizację. Pacjenci mogą różnić się wiekiem, ciężkością stanu, dostępnością opieki domowej lub kryteriami przyjęcia. W badaniu obserwacyjnym test log-rank porównuje grupy tak, jak zostały zaobserwowane; nie usuwa zakłócenia przez czynniki towarzyszące.

W takiej sytuacji warto rozważyć model Coxa z odpowiednio uzasadnionymi zmiennymi objaśniającymi, analizę konkurujących ryzyk albo model czasu do wypisu uwzględniający zgon jako zdarzenie konkurujące. Wybór zależy od pytania badawczego, definicji punktu końcowego i sposobu traktowania zgonu.

6. Założenia i właściwości testu

Jednoznacznie zdefiniowany punkt początkowy i zdarzenie

Każda osoba powinna mieć określony czas rozpoczęcia obserwacji, na przykład dzień randomizacji lub dzień przyjęcia do szpitala. Trzeba także zdefiniować, co jest zdarzeniem oraz jak traktować osoby, które nie doświadczyły zdarzenia.

Niezależne lub niezwiązane prognostycznie cenzorowanie

Klasyczna analiza zakłada, że mechanizm cenzorowania nie zależy od przyszłego, nieobserwowanego czasu do zdarzenia, przynajmniej po uwzględnieniu istotnych informacji. Jeżeli osoby o szczególnie wysokim ryzyku częściej wypadają z badania, krzywe i test mogą być obciążone.

Porównywalność obserwacji

W badaniu porównawczym grupy powinny być obserwowane według podobnych reguł. Różne harmonogramy wizyt, odmienne definicje zdarzenia albo nierówny dostęp do diagnostyki mogą tworzyć pozorne różnice.

Względnie stała różnica między grupami

Test log-rank jest szczególnie użyteczny, gdy różnica między grupami ma podobny kierunek w czasie, co często wiąże się z założeniem proporcjonalności hazardów. Gdy krzywe przecinają się, efekt jest opóźniony albo obecny tylko na początku obserwacji, klasyczny test może mieć małą moc lub prowadzić do trudnej interpretacji.

7. Test log-rank a model Coxa

Test log-rank jest przede wszystkim testem globalnym. Informuje, czy występuje różnica między krzywymi, ale nie daje sam z siebie estymacji wielkości efektu. Model proporcjonalnych hazardów Coxa umożliwia oszacowanie ilorazu hazardów oraz przedziału ufności, a także uwzględnienie zmiennych towarzyszących (Cox, 1972).

W prostym porównaniu dwóch grup test log-rank i test współczynnika w jednoczynnikowym modelu Coxa często prowadzą do podobnego wniosku. Nie są jednak tym samym narzędziem. Model Coxa wymaga oceny proporcjonalności hazardów i poprawnej specyfikacji zmiennych, natomiast test log-rank nie koryguje automatycznie o potencjalne czynniki zakłócające.

Dobre raportowanie powinno obejmować: liczebność grup, liczbę zdarzeń, liczbę cenzorowań, wykres Kaplana–Meiera, estymowane mediany lub ograniczoną średnią długość przeżycia, wynik testu log-rank oraz – gdy to uzasadnione – iloraz hazardów z 95-procentowym przedziałem ufności.

8. Co zrobić, gdy krzywe się przecinają?

Przecinanie się krzywych oznacza, że przewaga jednej grupy nie utrzymuje się w całym okresie obserwacji. Wtedy jeden globalny wynik p może nie oddawać ważnego obrazu klinicznego. Możliwe rozwiązania obejmują:

  • opisanie różnic w z góry określonych przedziałach czasu,
  • analizę ograniczonej średniej długości przeżycia,
  • zastosowanie odpowiednio uzasadnionego ważonego testu log-rank,
  • modelowanie zależnego od czasu efektu leczenia,
  • zastosowanie metod przeznaczonych dla nieproporcjonalnych hazardów.

Ważony test log-rank może nadawać większą wagę zdarzeniom wczesnym albo późnym. Nie jest jednak neutralnym „ulepszeniem” klasycznego testu: wybór wag powinien wynikać z pytania badawczego i być zaplanowany przed analizą, ponieważ dobieranie wag po obejrzeniu danych zwiększa ryzyko selektywnego raportowania.

9. Najczęstsze błędy

  1. Porównywanie wyłącznie median. Mediana może być nieosiągnięta w jednej grupie albo nie opisywać różnicy widocznej w innych częściach krzywej.
  2. Traktowanie cenzorowania jak braku zdarzenia. Osoba ocenzorowana nie jest równoznaczna z osobą, która przeżyła cały okres obserwacji bez zdarzenia.
  3. Interpretowanie wartości p jako miary wielkości efektu. Mała wartość p nie mówi, czy różnica jest klinicznie ważna. Znaczenie praktyczne wymaga oceny skali efektu i niepewności.
  4. Wnioskowanie przyczynowe z badania obserwacyjnego. Istotny test log-rank nie eliminuje konfuzji, błędu selekcji ani różnic w opiece.
  5. Wykonywanie wielu porównań par parami bez korekty. Po istotnym teście dla trzech lub większej liczby grup należy zaplanować porównania post hoc i kontrolę błędu wielokrotnych testów.
  6. Ignorowanie liczby osób pozostających w obserwacji. Końcowy fragment krzywej może być bardzo niestabilny, jeśli pozostaje w nim niewiele osób.
  7. Automatyczne stosowanie testu przy przecinających się krzywych. W takim przypadku trzeba sprawdzić, czy pytanie badawcze rzeczywiście odpowiada globalnemu porównaniu log-rank.
  8. Raportowanie samego „p < 0,05”. Należy podać dokładną wartość p, statystykę, stopnie swobody i opis efektu.

10. Przykład praktyczny: interpretacja kompletnego wyniku

Badacze porównali czas do zgonu w grupie otrzymującej terapię A i w grupie otrzymującej terapię B. W grupie A było 120 pacjentów i 64 zgony, a w grupie B – 118 pacjentów i 77 zgonów. Krzywa Kaplana–Meiera sugerowała lepsze przeżycie w grupie A. Test log-rank dał wynik χ²(1) = 4,68; p = 0,031.

Poprawny wniosek: „Obserwowane rozkłady czasu do zgonu różniły się między grupami; test log-rank wskazał na różnicę statystyczną, χ²(1) = 4,68; p = 0,031”.

Niepoprawne byłyby natomiast stwierdzenia: „Prawdopodobieństwo, że hipoteza zerowa jest prawdziwa, wynosi 3,1%” albo „terapia A zmniejszyła ryzyko zgonu o 31%”. Drugie zdanie wymaga oszacowania ilorazu hazardów lub innej adekwatnej miary efektu. Nawet wtedy trzeba sprawdzić założenia modelu i uwzględnić kontekst kliniczny.

Co warto zapamiętać?

  • Test log-rank porównuje całe krzywe przeżycia, a nie tylko pojedynczy punkt czasowy.
  • Może uwzględniać prawostronne cenzorowanie, dlatego jest właściwszy niż zwykły test porównujący średnie lub odsetki.
  • W każdym czasie zdarzenia porównuje liczby obserwowane z oczekiwanymi przy założeniu braku różnic.
  • Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej i nie opisuje wielkości efektu.
  • Wynik testu należy interpretować razem z wykresem Kaplana–Meiera, liczbą osób zagrożonych, liczbą zdarzeń i miarami efektu.
  • Przy przecinających się krzywych lub nieproporcjonalnych hazardach klasyczny test log-rank może być niewystarczający.
  • W badaniach obserwacyjnych test nie zastępuje kontroli czynników zakłócających.
  • W praktyce test log-rank często stanowi etap wstępny, po którym rozważa się model Coxa albo inne metody analizy czasu do zdarzenia.

Najważniejsza zasada brzmi: istotna różnica między krzywymi nie jest jeszcze pełnym wynikiem naukowym. Pełna interpretacja wymaga odpowiedzi na pytanie, jak duża jest różnica, w jakim okresie występuje, jak precyzyjnie ją oszacowano i czy ma znaczenie dla pacjentów lub badanej populacji.

Źródła i dalsza lektura

  1. Mantel, N. (1966). Evaluation of survival data and two new rank order statistics arising in its consideration. Cancer Chemotherapy Reports, 50(3), 163–170. Pełny opis źródła.
  2. Peto, R.; Peto, J. (1972). Asymptotically Efficient Rank Invariant Test Procedures. Journal of the Royal Statistical Society: Series A (General), 135(2), 185–198. DOI: 10.2307/2344317.
  3. 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.
  4. Rich, J. T.; Neclassic, B. A.; Leghari, K. H.; Bell, D. L. (2010). A practical guide to understanding Kaplan-Meier curves. Otolaryngology–Head and Neck Surgery, 143(3), 331–336. DOI: 10.1016/j.otohns.2010.05.007.
  5. Bewick, V.; Cheek, L.; Ball, J. (2004). Statistics review 12: survival analysis. Critical Care, 8(5), 389–394. DOI: 10.1186/cc2955.
  6. Kamarudin, A. N.; Cox, T.; Kolam unnava, S. (2017). Survival analysis: a primer for the clinician. The Journal of the Royal College of Physicians of Edinburgh, 47(4), 373–378. DOI: 10.4997/JRCPE.2017.409.

Podobne wpisy

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *