MerQur'da Sağkalım Analizleri: Kaplan-Meier'den Frailty Cox'a Olay-Zamanı Verilerinin Tam Repertuarı
DOI:
https://doi.org/10.53463/merqur.20260452Anahtar Kelimeler:
sağkalım analizi- Kaplan-Meier- Cox regresyon- frailtyÖzet
Sağkalım analizi (survival analysis), olay-zamanı verilerini ele alan istatistiksel yöntemler ailesidir: ne zaman gerçekleşeceği gözlenecek bir olay (ölüm, hastalık nüksü, makine arızası, türün yerleşmesi, müşteri kaybı) ve gözlem süresi sonunda olayın hâlâ gerçekleşmemiş olduğu sansürlü birimler. Klasik regresyon yöntemleri sansürü doğru ele alamaz; bu nedenle sağkalım analizi ayrı bir metodolojik gelenektir. Bu çalışmada MerQur masaüstü yazılımının Sağkalım kategorisinde sunulan 8 analiz ayrıntılı olarak tanıtılmıştır: Kaplan-Meier sağkalım analizi, Cox orantılı tehlikeler regresyonu, Parametrik Sağkalım (AFT — Weibull/lognormal/log-logistic), Competing Risks (Fine-Gray), Time-dependent Cox (zamana göre değişen kovaryatlar), Survey-PHREG (karmaşık örneklem-ağırlıklı Cox), Interval-Censored sağkalım ve Shared-Frailty Cox (rastgele etkili Cox). Her analiz için (i) yöntemin matematiksel temeli, (ii) sansürleme türleri (sağ, sol, aralık) ve uygulama bağlamı, (iii) MerQur’daki form alanları ve seçenekler, (iv) raporlanan istatistikler (hazard ratio, %95 GA, median survival, RMST), ve (v) tipik bir araştırma sorusu için yorumlama önerisi sunulmuştur. Cox modelinin orantılı tehlikeler varsayımı, Schoenfeld kalıntılarıyla otomatik testle değerlendirilir; parametrik AFT için en uygun dağılımın seçimi AIC karşılaştırmasıyla yapılır. Competing risks çerçevesinde Fine-Gray subdistribution hazard’ı, klasik Cox’tan farklı bilgi sunar. MerQur, tıbbi araştırmadan orman ekolojisine, finansal hayatta kalmadan teknik güvenilirliğe uzanan sağkalım çalışmaları için Türkçe arayüzde bütünleşik bir araç ortamı sağlar.
Referanslar
Aalen, O. O. (1989). A linear regression model for the analysis of life times. Statistics in Medicine, 8(8), 907–925. https://doi.org/10.1002/sim.4780080803
Andersen, P. K., Borgan, Ø., Gill, R. D., & Keiding, N. (1993). Statistical models based on counting processes. Springer.
Breslow, N. E. (1974). Covariance analysis of censored survival data. Biometrics, 30(1), 89–99. https://doi.org/10.2307/2529620
Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B, 34(2), 187–202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496–509. https://doi.org/10.1080/01621459.1999.10474144
Gómez, G., Calle, M. L., Oller, R., & Langohr, K. (2009). Tutorial on methods for interval-censored data and their implementations in R. Statistical Modelling, 9(4), 259–297. https://doi.org/10.1177/1471082X0900900402
Grambsch, P. M., & Therneau, T. M. (1994). Proportional hazards tests and diagnostics based on weighted residuals. Biometrika, 81(3), 515–526. https://doi.org/10.1093/biomet/81.3.515
Hougaard, P. (2000). Analysis of multivariate survival data. Springer.
Kalbfleisch, J. D., & Prentice, R. L. (2002). The statistical analysis of failure time data (2nd ed.). Wiley.
Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481. https://doi.org/10.2307/2281868
Kleinbaum, D. G., & Klein, M. (2012). Survival analysis: A self-learning text (3rd ed.). Springer.
Lin, D. Y. (2000). On fitting Cox’s proportional hazards models to survey data. Biometrika, 87(1), 37–47. https://doi.org/10.1093/biomet/87.1.37
Lumley, T. (2004). Analysis of complex survey samples. Journal of Statistical Software, 9(8), 1–19. https://doi.org/10.18637/jss.v009.i08
Royston, P., & Parmar, M. K. B. (2002). Flexible parametric proportional-hazards and proportional-odds models for censored survival data. Statistics in Medicine, 21(15), 2175–2197. https://doi.org/10.1002/sim.1203
Schoenfeld, D. (1982). Partial residuals for the proportional hazards regression model. Biometrika, 69(1), 239–241. https://doi.org/10.1093/biomet/69.1.239
Therneau, T. M., & Grambsch, P. M. (2000). Modeling survival data: Extending the Cox model. Springer. https://doi.org/10.1007/978-1-4757-3294-8
Turnbull, B. W. (1976). The empirical distribution function with arbitrarily grouped, censored and truncated data. Journal of the Royal Statistical Society: Series B, 38(3), 290–295.
Vaupel, J. W., Manton, K. G., & Stallard, E. (1979). The impact of heterogeneity in individual frailty on the dynamics of mortality. Demography, 16(3), 439–454. https://doi.org/10.2307/2061224
Wei, L. J. (1992). The accelerated failure time model: A useful alternative to the Cox regression model in survival analysis. Statistics in Medicine, 11(14–15), 1871–1879. https://doi.org/10.1002/sim.4780111409
İndir
Yayınlandı
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2026 MerQur
Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
Bu makale, Creative Commons Atıf 4.0 Uluslararası Lisansı (CC-BY 4.0) altında yayımlanmıştır. Bu lisans kapsamında:
- Paylaşma: Eseri herhangi bir ortamda ya da formatta kopyalayabilir ve yeniden dağıtabilirsiniz.
- Uyarlama: Eseri herhangi bir amaç için, ticari kullanım dahil, yeniden düzenleyebilir, dönüştürebilir ve üzerine inşa edebilirsiniz.
- Atıf koşulu: Uygun atıfı vermeli, lisansa bağlantı sağlamalı ve değişiklik yapılıp yapılmadığını belirtmelisiniz.
