MerQuR+Başvuru Kitabı

128. Kaplan–Meier Sağkalım Analizi

Analiz kimliği: kaplan_meier · Menü adı: Kaplan-Meier Sağkalım Analizi · Panel ve motor: gui/panels/analyses/kaplan_meier.py (form add_form_rows 622–710, read_options 713–741, execute 746–1064) · Yardımcılar: _fit_km 137–222, _greenwood 250–263, _ci_frame 266–285, _qtime 320–357, _add_means_medians 360–413, _lr_uv 469–485, _chi_trend 494–497, _life_table 574–611 · Dış motor: lifelines KaplanMeierFitter, logrank_test, multivariate_logrank_test

128.1 Ne işe yarar

Kaplan–Meier (KM) yöntemi, bir olayın (ölüm, nüks, cihaz arızası) henüz gerçekleşmemiş olma olasılığını zamanın fonksiyonu olarak, hiçbir dağılım varsaymadan kestirir. Cevapladığı sorular: "Hastaların yüzde kaçı 24. ayda hayattadır?", "Ortanca sağkalım süresi kaç aydır?", "Evrelerin sağkalım eğrileri farklı mı?"

Kestirilen büyüklük sağkalım fonksiyonudur:

S(t)=P(T>t)
  • T: olaya kadar geçen süre (rastgele değişken).
  • S(t): t anına kadar olayın gerçekleşmemiş olma olasılığı. S(0)=1'dir ve t büyüdükçe azalır ya da sabit kalır.

Grup karşılaştırmasında sınanan hipotez:

H_0:\ S_1(t)=S_2(t)=\dots=S_K(t)\ \ \text{her } t \text{ için},\qquad H_1:\ \text{en az bir grup için en az bir } t \text{'de fark var}

Sansür bu yöntemin varlık nedenidir. İzlem süresi biten, çalışmadan ayrılan ya da çalışma sonuna olaysız ulaşan kişinin olay zamanı bilinmez; yalnız "en az bu kadar" olduğu bilinir (sağdan sansür). Sansürlü kişiyi atmak ya da olay zamanı saymak yanlı sonuç verir. KM, sansürlü kişiyi sansür anına kadar risk kümesinde tutar, sonra çıkarır.

Ne zaman kullanılır?

  • Tek bir olay türü ve sağdan sansürlü süre verisi varsa.
  • Bir ya da birkaç kategorik grubun sağkalım eğrilerini betimlemek ve karşılaştırmak isteniyorsa.
  • Ortanca sağkalım, belirli bir zamandaki sağkalım oranı (ör. 5 yıllık sağkalım) ya da kısıtlı ortalama süre (RMST) isteniyorsa.

Ne zaman kullanılmaz?

  • Birden çok sürekli ya da kategorik açıklayıcının etkisi birlikte, birbirine göre düzeltilerek isteniyorsa: Cox Regresyon (Bölüm 129).
  • Açıklayıcı zamanla değişiyorsa (izlem boyunca ölçülen HbA1c, doz): Zamana Bağlı Cox Regresyonu (Bölüm 132).
  • Birbirini dışlayan birden çok olay türü varsa (kanserden ölüm ile başka nedenden ölüm): 1-\hat S(t) birikimli olasılığı abartır; Rakip Riskler (Bölüm 131).
  • Olay zamanı yalnız iki muayene arasında biliniyorsa (aralık sansürü): Aralık Sansürlü Sağkalım (Bölüm 134).
  • Süre dağılımı (Weibull, log-normal) varsayılıp hızlanmış zaman oranı isteniyorsa: Parametrik Sağkalım (AFT) (Bölüm 130).

Sık karıştırılan analizler. Aktüeryal yaşam tablosu (bu modülde "Ek çıktılar" altında) süreyi sabit aralıklara böler ve aralık içinde sansürlülerin yarısını riskte sayar; KM ise her olay zamanında ayrı bir basamak kurar. Log-rank testi ile Cox modelinde tek bir grup değişkeninin skor testi aynı istatistiktir (Bölüm 129.5); log-rank yalnız "fark var mı?" sorusunu yanıtlar, etkinin büyüklüğünü (HR) vermez.

128.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Bilgi vermeyen (bağımsız) sansür Sansürlenen kişinin olay riski, o anda riskte kalanlarınkiyle aynıdır. Denetlenmez; tasarım sorusudur. Yüksek sansür oranında uyarı verilir.
Doğru ölçülmüş süre ve olay Başlangıç anı herkes için tanımlı; olay 0/1 doğru kodlanmış. Olay sütununda 0/1 dışında değer varsa hata (kaplan_meier.py:796–802).
Negatif olmayan süre T\ge0. Negatif süre hata verir (:789–790).
Kohort etkisi yok Erken ve geç alınan hastaların sağkalımı aynı. Denetlenmez.
Grup karşılaştırmasında orantılı tehlike (yalnız log-rank'ın gücü için) Log-rank, tehlike oranı zamanla sabitken en güçlüdür. "Grafik türü: Log-minus-log" ile görsel denetim.

Eksik değer. Süre, olay ve (seçildiyse) grup sütununun herhangi birinde eksik olan satır çıkarılır (liste bazında, :768–775); çıkarılan sayı çıktıda "eksik" olarak ve uyarıda yazılır. Tabaka değişkeninde eksik olan satır yalnız tabakalı testten çıkarılır (:936–937).

Uç durumlar (koddan):

  • n<2: hata (:777–778).
  • Olay kodları kutusu doluysa olay sütunu yeniden kodlanır: listedeki değerler 1, öteki dolu değerler 0 (sansür) (recode_event, :433–449).
  • Bir grupta 3'ten az gözlem varsa o grubun KM tablosu gösterilmez, ama log-rank ve öteki testlere katılır; uyarıyla bildirilir (:813–817, :1003–1004).
  • n<10 ve 10\le n<30 için ayrı küçük örneklem uyarıları; sansür oranı %70'i aşarsa ya da n>30 iken %5'in altındaysa uyarı (:985–1002).
  • Kullanıcının verdiği zaman noktası en büyük süreyi aşıyorsa o zaman tablolara alınmaz ve uyarılır (:1005–1009).

128.3 Parametreler

Varsayılanlar add_form_rows (:606–694) ve read_options (:697–725) kodundan alınmıştır.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Süre sütunu ilk sayısal sütun Olay ya da sansüre kadar geçen süre. Tüm kestirimler.
Olay sütunu (0/1) — 1 = olay, 0 = sansür. Olay sayıları, \hat S(t).
Olay kodları (isteğe bağlı) boş Çok değerli durum sütununda olay sayılacak değerler (ör. 1, 3). Öteki değerler sansür sayılır (R Surv(t, durum %in% c(1, 3))).
Grup sütunu (isteğe bağlı) (yok) Kategorik grup; ≤ 20 düzeyli tamsayı kodlu sayısal sütun da seçilebilir. Grup başına KM ve eşitlik testleri.
Güven Düzeyi %95 Tüm GA'lar için 1-\alpha. \hat S(t), yüzdelik ve RMST GA'ları. Testleri değiştirmez.
Ek karşılaştırma testleri: Breslow, Tarone-Ware kapalı Ağırlıklı log-rank testleri. Ek satırlar.
İkili grup karşılaştırmaları kapalı 3+ grupta her çift için log-rank (ve seçilen ek testler). Ek tablo.
Çoklu karşılaştırma düzeltmesi Yok Bonferroni, Holm, Benjamini–Hochberg. Yalnız ikili p değerleri; ikili kapalıyken devre dışı.
Tabaka (STRATA) değişkeni (yok) Tabakalı log-rank. Ek satır; grup seçili olmalıdır.
GA dönüşümü log-log log-log, log, plain. Yalnız GA sınırları ve onlardan türeyen yüzdelik GA'ları.
Grafik türü Sağkalım S(t) 1-S, -\ln S, \ln S, log-minus-log. Yalnız Grafik sekmesi.
Zaman noktaları (isteğe bağlı) boş \hat S(t), SH, GA ve riskteki n bu zamanlarda. Boşsa otomatik standart zamanlar.
Ek çıktılar: Trend testi kapalı Sıralı gruplar için 1 sd'li trend log-rank. Ek satır.
Ek çıktılar: Tam sağkalım tablosu kapalı Her olay zamanında riskte n, olay, sansür, \hat S, SH, GA. Ek tablo; Tablo sekmesi de bu tabloya geçer.
Ek çıktılar: Aktüeryal yaşam tablosu kapalı Cutler–Ederer yaşam tablosu. Ek tablo.
Yaşam tablosu aralık genişliği boş (otomatik) Aralık genişliği w. Boşsa yaklaşık 10 aralık veren 1/2/5×10ᵏ genişlik (_auto_width, :546–555).

Standart zaman noktaları (koddan)

Zaman noktası verilmezse en büyük süre t_{\max}'a göre seçilir (_standard_timepoints, :128–134): t_{\max}\le12 ise 3, 6, 9, 12; t_{\max}\le60 ise 12, 24, 36, 48, 60; daha büyükse 12, 36, 60, 120, 180 (her biri t_{\max}'ı aşmamak koşuluyla). "Riskte olanlar sayısı" tablosu 0 ile bu zamanlarda verilir.

Güven düzeyi neden yalnız GA'yı değiştirir?

Log-rank ve ağırlıklı testler bir \chi^2 istatistiği ve p değeri üretir; \alpha yalnız "anlamlı" yorum satırında kullanılır. GA'lar, yüzdelik GA'ları ve RMST GA'sı z_{1-\alpha/2} ile kurulur; medyan GA'sı GA bandından okunduğu için güven düzeyiyle birlikte değişir.

128.4 Tıp örneği

Dosya: english/datasets/Tip/86_km_cancer_survival.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/86_km_kanser_sagkalim.xlsx: hasta_id, sure_ay, olum, evre). Değişken seçimi VIDEO_SCRIPT_TR.txt #86'ya göredir.

Değişken Rol Tür Özet
duration_month Süre sürekli (ay) 0,5–60,0; ortalama 27,46; SS 19,80
death Olay 0/1 108 ölüm (%54), 92 sansür
stage Grup metin, 3 düzey early 65 (33 ölüm), medium 77 (41), advanced 58 (34)

n ve eksik değer: 200 hasta, eksik değer yok. İzlem 60. ayda kesilmiştir: 60. ayda riskte olan 30 hastanın 15'i tam 60. ayda ölmüş, 15'i sansürlenmiştir. Bu yoğun bağ eğrinin son basamağını sertleştirir (\hat S 0,3507'den 0,1733'e iner) ve yorumda dikkate alınmalıdır.

Grup sırası. Düzey sırası MerQur'un tek kuralıyla belirlenir (:515–540): (1) Veri sekmesinde tanımlı sıra; (2) etiketler sayıysa ya da sayı içeriyorsa sayısal/doğal sıra; (3) aksi hâlde verideki ilk görülme sırası. Alfabetik sıra kullanılmaz. Bu verideki stage etiketleri sayı içermez ve sıra tanımlanmamıştır; düzeyler verideki ilk görülme sırasıyla (early, medium, advanced) dizilir, kullanılan sıra çıktıda yazılır. Klinik sıranın (erken < orta < ileri) güvence altına alınması için sıra tanımlanmalı ya da etiketler sayı içermelidir; trend testinde sıra sonucu belirler (128.5.7).

Klinik soru: Bu kanser kohortunda ortanca sağkalım nedir? 1, 2, 3 ve 4 yıllık sağkalım oranları nedir? Evreler arasında sağkalım farkı var mı?

Seçilen ayarlar: Arayüz varsayılanları (log-log GA, %95). Yürüyüş için ikinci bir çalıştırmada Breslow ve Tarone-Ware testleri, ikili karşılaştırma (Holm), trend testi, tam sağkalım tablosu, 6/12/24/36. ay zaman noktaları ve 12 ay genişlikli yaşam tablosu açılmıştır.

128.5 Formüller ve hesap adımları

MerQur'un hesap sırası: (1) eksik satırları at, olay kodlarını uygula; (2) tüm veri için lifelines KaplanMeierFitter ile basamaklı \hat S(t); (3) Greenwood varyansı ve seçilen dönüşümle noktasal GA; (4) medyan ve çeyrekler \hat S'den, GA'ları GA bandından; (5) RMST ve SH'si; (6) aynı adımlar her grup için; (7) log-rank (ve seçildiyse ağırlıklı, ikili, trend, tabakalı testler); (8) yaşam tablosu ve riskteki n tabloları.

128.5.1 Kaplan–Meier çarpım-limit kestiricisi

Süreler sıralanır; t_{(1)}<t_{(2)}<\dots<t_{(m)} farklı olay zamanları olsun.

\hat S(t)=\prod_{j:\ t_{(j)}\le t}\left(1-\frac{d_j}{n_j}\right)
  • n_j: t_{(j)} anında riskte olanların sayısı: süresi t_{(j)}'den küçük olmayan (T_i\ge t_{(j)}) herkes.
  • d_j: t_{(j)} anında olay yaşayanların sayısı.
  • 1-d_j/n_j: t_{(j)} anında riskte olan birinin o anı olaysız geçirme olasılığının kestirimi (koşullu sağkalım).
  • Çarpım, ardışık koşullu olasılıkların zincir kuralıyla birleşimidir: P(T>t_{(j)})=P(T>t_{(j)}\mid T>t_{(j-1)})\,P(T>t_{(j-1)}).

Sansürlü kişi neden n_j'de sayılır?

t anında sansürlenen kişinin o ana kadar olaysız olduğu kesindir. Aynı anda olay ve sansür varsa gelenek, olayların sansürden önce gerçekleştiğidir: sansürlü kişi n_j'ye girer, d_j'ye girmez. Bu, R survfit ile aynıdır. Sansürlü kişi sonraki olay zamanlarında riskten çıkar; böylece "en az bu kadar yaşadı" bilgisi kaybolmaz ama olay sayılmaz. Hiç sansür yoksa \hat S(t), deneysel dağılım fonksiyonunun tümleyenidir (1-F_n(t)).

\hat S(t) basamaklı ve sağdan süreklidir: yalnız olay zamanlarında düşer, sansür zamanlarında düşmez (grafikte "+" ile işaretlenir). En büyük gözlenen süre sansürlüyse eğri sıfıra inmez ve bu noktanın ötesinde tanımsızdır.

128.5.2 Greenwood varyansı

\widehat{\operatorname{Var}}\big[\ln\hat S(t)\big]=\sum_{j:\ t_{(j)}\le t}\frac{d_j}{n_j\,(n_j-d_j)}=v(t),\qquad \SH\big[\hat S(t)\big]=\hat S(t)\sqrt{v(t)}
  • v(t): \ln\hat S(t)'nin Greenwood (1926) varyansı; olay zamanları boyunca biriken toplam.
  • \SH[\hat S(t)]: delta yöntemiyle \hat S ölçeğine taşınmış standart hata ("Greenwood formülü": \hat S^2\sum d_j/[n_j(n_j-d_j)]).
  • n_j=d_j olan bir basamakta (riskteki herkes ölür) terim tanımsızdır; \hat S sıfıra iner ve GA tanımsız (NA) olur.

Neden bu formül?

\ln\hat S=\sum_j\ln(1-\hat q_j), \hat q_j=d_j/n_j bir binom oranıdır: \operatorname{Var}(\hat q_j)\approx q_j(1-q_j)/n_j. Delta yöntemiyle \operatorname{Var}[\ln(1-\hat q_j)]\approx q_j/[n_j(1-q_j)]=d_j/[n_j(n_j-d_j)]. Farklı olay zamanlarındaki koşullu oranlar asimptotik olarak ilişkisiz olduğu için varyanslar toplanır.

Koddaki tercih: varyans kaynağı

Varsayılan log-log GA'sı lifelines KaplanMeierFitter.confidence_interval_'dan gelir; lifelines aynı Greenwood toplamını kullanır (kaplan_meier.py:180). log ve plain dönüşümlerinde ve tam tablo SH'sinde toplam MerQur'da ayrıca hesaplanır (_greenwood, :250–263). \hat S=0 olan noktalarda log-log GA lifelines'ta [0{,}0] çıkar; MerQur bunu R survfit gibi NA yapar (_mask_zero_s, :225–232).

128.5.3 Noktasal güven aralıkları ve dönüşümler

Üç dönüşümün tümü aynı v(t)'yi kullanır; yalnız normal yaklaşımın uygulandığı ölçek değişir. z=z_{1-\alpha/2}.

\begin{gathered}\text{plain:}\quad \hat S\pm z\,\hat S\sqrt{v}\ \ (\text{sınırlar }[0{,}1]\text{'e kırpılır})\\[4pt] \text{log:}\quad \Big[\hat S\,e^{-z\sqrt v},\ \min\big(1,\ \hat S\,e^{z\sqrt v}\big)\Big]\\[4pt] \text{log-log:}\quad \Big[\hat S^{\,\exp(-z\sqrt v/\ln\hat S)},\ \ \hat S^{\,\exp(z\sqrt v/\ln\hat S)}\Big]\end{gathered}
  • plain: \hat S ölçeğinde simetrik Wald aralığı (_ci_frame, :274–276).
  • log: \ln\hat S\pm z\sqrt v aralığının üsteli (:278–279).
  • log-log: \ln(-\ln\hat S) ölçeğinde kurulan aralık. Bu ölçekte SH, delta yöntemiyle \sqrt v/|\ln\hat S|'dir. Kapalı biçim: alt =\exp\{-\exp[\ln(-\ln\hat S)-h]\}, üst =\exp\{-\exp[\ln(-\ln\hat S)+h]\}, h=z\sqrt v/\ln\hat S (negatif).

Neden varsayılan log-log?

\ln(-\ln S) dönüşümü (0{,}1) aralığını (-\infty,\infty)'a açar; sınırlar her zaman [0{,}1] içinde kalır ve kuyruklarda (S küçük ya da 1'e yakın) normal yaklaşım daha iyi çalışır (Kalbfleisch ve Prentice 2002; Borgan ve Liestøl 1990). plain aralık 0'ın altına ya da 1'in üstüne taşıp kırpılır, kuyruklarda kapsaması düşüktür. R survfit'in varsayılanı ise "log"dur; MerQur'un log-log sonucunu R'da almak için conf.type = "log-log" yazılmalıdır.

Zaman noktası tablosunda t bir olay zamanı değilse t'den küçük ya da eşit son zamandaki \hat S ve GA kullanılır (basamak fonksiyonu; :181–191).

128.5.4 Medyan ve çeyrekler

p. "yüzdelik" (MerQur'da p=0{,}5 medyan, 0{,}75 Q25, 0{,}25 Q75 olarak \hat S düzeyiyle tanımlıdır):

\hat t_p=\min\{t:\ \hat S(t)\le p\}
  • Medyan: \hat S'nin ilk kez 0,5 ya da altına indiği olay zamanı.
  • Q25: \hat S\le0{,}75 (hastaların %25'inin olay yaşadığı süre); Q75: \hat S\le0{,}25.
  • \hat S hiç p'ye inmezse yüzdelik "ulaşılmadı" (NA) yazılır.

Koddaki tercih: düz basamak kuralı

\hat S bir basamakta tam p düzeyinde kalıyorsa (|\hat S-p|<\sqrt{\varepsilon}), yüzdelik o basamağın başı ile eğrinin bir sonraki düştüğü zamanın ortalamasıdır; eğri p'de biterse son gözlenen zamanla ortalanır (_qtime, :320–357). Bu, R quantile.survfit (survival:::findq) kuralıdır. Bu veride eşitlik yoktur; kural sonucu değiştirmez.

Yüzdelik GA'ları. Medyanın GA'sı, GA bandının alt ve üst sınır eğrilerine aynı kuralın uygulanmasıyla bulunur:

\text{GA}(\hat t_{0{,}5})=\Big[\min\{t:\ \hat S_{\text{alt}}(t)\le0{,}5\},\ \ \min\{t:\ \hat S_{\text{üst}}(t)\le0{,}5\}\Big]
  • \hat S_{\text{alt}}, \hat S_{\text{üst}}: seçilen dönüşümdeki noktasal GA sınırları (128.5.3).
  • Üst sınır eğrisi 0,5'e inmezse GA'nın üst ucu "NA" yazılır.

Neden bandı tersine çevirmek?

"t_{0{,}5} şu aralıktadır" önermesi, "S(t)=0{,}5 hipotezini reddetmediğimiz t'ler kümesi" ile eşdeğerdir (Brookmeyer ve Crowley 1982). Bu küme, 0{,}5 yatay çizgisinin GA bandıyla kesiştiği aralıktır. Böylece medyanın SH'sine ve normal yaklaşıma gerek kalmaz; GA, sansür yapısını ve eğrinin eğimini kendiliğinden yansıtır. Dönüşüm değişirse band, dolayısıyla medyan GA'sı da değişir (128.6.1 ek tabloları).

128.5.5 Kısıtlı ortalama sağkalım süresi (RMST)

\hat\mu(\tau)=\int_0^{\tau}\hat S(u)\,du=\sum_{j=0}^{m'}\hat S(t_{(j)})\,\big(t_{(j+1)}-t_{(j)}\big),\qquad t_{(0)}=0,\ \hat S(t_{(0)})=1,\ t_{(m'+1)}=\tau
\widehat{\operatorname{Var}}\big[\hat\mu(\tau)\big]=\sum_{j=1}^{m'}\frac{A_j^2\,d_j}{n_j\,(n_j-d_j)},\qquad A_j=\int_{t_{(j)}}^{\tau}\hat S(u)\,du
  • \tau: kısıt noktası; MerQur'da her grubun kendi en büyük gözlenen süresi (:382).
  • m': \tau'ya kadarki olay zamanı sayısı.
  • A_j: t_{(j)}'den \tau'ya kadar eğrinin altındaki alan.
  • GA: \hat\mu\pm z\,\SH (:409–412).

Neden "kısıtlı" ortalama?

En büyük süre sansürlüyse \hat S sıfıra inmez ve \int_0^\infty\hat S tanımsızdır; ortalama yalnız bir \tau'ya kadar kestirilebilir. RMST, "ilk \tau ayda ortalama kaç ay yaşandı" sorusunu yanıtlar ve orantılı tehlike varsayımı gerektirmez (Royston ve Parmar 2013). Varyans Kaplan ve Meier (1958) formülüdür: her olay zamanındaki Greenwood terimi, o noktadan sonraki alanın karesiyle ağırlıklanır.

Gruplar arasında \tau farklı olabilir

\tau grubun kendi en büyük süresi olduğundan, en büyük süreleri farklı gruplarda RMST'ler farklı aralıklar üzerinden hesaplanır ve doğrudan karşılaştırılamaz (R print(fit, rmean = "individual") ile aynı tanım). Bu veride üç grubun da en büyük süresi 60 aydır; sorun yoktur. Ortak bir \tau gerekiyorsa en küçük grup maksimumu seçilmeli ve fark ayrıca test edilmelidir (R survRM2).

128.5.6 Log-rank testi ve ağırlıklı aile

Her farklı olay zamanında 2\times K tablo kurulur (olay / olay yok × grup). H_0 altında, sınır toplamları sabitken grup k'daki olay sayısı hipergeometrik dağılır:

E_{kj}=d_j\frac{n_{kj}}{n_j},\qquad U_k=\sum_j w_j\big(d_{kj}-E_{kj}\big)
V_{kl}=\sum_j w_j^2\,\frac{d_j\,(n_j-d_j)}{n_j-1}\,\frac{n_{kj}}{n_j}\left(\delta_{kl}-\frac{n_{lj}}{n_j}\right),\qquad \chi^2=\mathbf U_{(-K)}^{\top}\mathbf V_{(-K)}^{-1}\mathbf U_{(-K)}\ \sim\ \chi^2_{K-1}
  • n_{kj}, d_{kj}: t_{(j)}'de k. gruptaki riskte sayısı ve olay sayısı; n_j, d_j toplamları.
  • E_{kj}: H_0 altında beklenen olay sayısı; \sum_jE_{kj} grubun "beklenen" olayıdır.
  • w_j: ağırlık. Log-rank (Mantel–Cox) w_j=1; Breslow (Gehan genelleştirilmiş Wilcoxon) w_j=n_j; Tarone–Ware w_j=\sqrt{n_j}.
  • \frac{n_j-d_j}{n_j-1}: bağlı olaylar için hipergeometrik düzeltme; bağ yoksa 1'dir.
  • \delta_{kl}: k=l ise 1, değilse 0.
  • \mathbf U_{(-K)}, \mathbf V_{(-K)}: bir grup (burada sonuncusu) çıkarılmış vektör ve matris; \sum_kU_k=0 olduğundan \mathbf V tekildir.

Ağırlık neden önemli?

Log-rank her olay zamanına eşit ağırlık verir; tehlike oranı zamanla sabitse (orantılı tehlike) en güçlü sıra testidir (Peto ve Peto 1972). Breslow/Gehan ağırlığı n_j, riskte çok kişi olan erken zamanlara daha çok ağırlık verir; eğriler erken ayrılıp sonra birleşiyorsa daha güçlüdür, ama sansür örüntüsüne duyarlıdır. Tarone–Ware (\sqrt{n_j}) ikisinin arasındadır (Tarone ve Ware 1977). Eğriler kesişiyorsa üçü de zayıflayabilir; RMST farkı ya da zamana bağlı Cox daha uygundur.

Koddaki tercih: hangi motor?

İki grupta lifelines logrank_test, üç ve daha çok grupta multivariate_logrank_test çağrılır (:828–852); Breslow ve Tarone–Ware için weightings = "wilcoxon" ve "tarone-ware" verilir (:598–601, :864–879). Trend ve tabakalı testler için \mathbf U ve \mathbf V MerQur'da ayrıca kurulur (_lr_uv, :469–485). Hepsi yukarıdaki hipergeometrik varyansı kullanır; R survdiff (rho = 0) ile aynıdır. R survdiff(rho = 1) ise Peto–Peto ağırlığıdır (w_j=\hat S(t_j-)); Breslow/Gehan değildir.

İkili karşılaştırmalar. Her çift için yalnız o iki grubun verisiyle iki örneklem testi yapılır; p değerleri statsmodels.multipletests ile düzeltilir (:885–915). Holm: sıralı p_{(i)} için \tilde p_{(i)}=\max_{k\le i}\min\{1,(m-k+1)p_{(k)}\}.

128.5.7 Trend ve tabakalı log-rank

Sıralı gruplara skorlar s_k verilir:

\chi^2_{\text{trend}}=\frac{\big(\mathbf s^{\top}\mathbf U\big)^2}{\mathbf s^{\top}\mathbf V\,\mathbf s}\ \sim\ \chi^2_1
  • \mathbf U, \mathbf V: ağırlıksız log-rank vektörü ve tam K\times K varyans matrisi.
  • s_k: grup skoru. Grup kodları sayısalsa kodun kendisi, değilse yukarıdaki düzey sırası kuralındaki konum 1,\dots,K (_trend_scores). Kullanılan sıra, kural ve skorlar çıktıda yazılır.

Metin gruplarında skor sırası

Eğilim testinin sonucu skorlara bağlıdır (Agresti 2013). Sıra bilgisi veride yoksa program onu uyduramaz: MerQur bu durumda verideki ilk görülme sırasını kullanır ve "Düzey sırası tanımlanmadı" uyarısı verir. Bu veride ilk görülme sırası klinik sırayla (early 1, medium 2, advanced 3) çakışır ve trend \chi^2_1=0{,}9986 çıkar; alfabetik sıra (advanced 1, early 2, medium 3) klinik sırayı bozardı ve \chi^2_1=0{,}1933 verirdi (128.6). Sıralı bir grup için sıra Veri sekmesinde tanımlanmalı ya da sayı içeren etiketler (ör. 1, 2, 3) kullanılmalıdır; sayısal kodda MerQur kodun kendisini skor alır. Kodlar eşit aralıklı değilse (1, 2, 5) sonuç eşit aralıklı skorlardan farklıdır.

Tabakalı log-rank. Tabaka değişkeninin her düzeyinde \mathbf U^{(s)} ve \mathbf V^{(s)} ayrı kurulur ve toplanır; \chi^2=\mathbf U^{\top}\mathbf V^{-}\mathbf U, sd =\operatorname{rank}(\mathbf V) (_chi_general, :488–491; :935–953). Genelleştirilmiş ters, bir tabakada bir grubun hiç bulunmadığı durumda da çalışır.

128.5.8 Aktüeryal yaşam tablosu

Süre [a,a+w) aralıklarına bölünür. Aralığa giren n', aralıktaki olay d ve sansür c ile:

n^{*}=n'-\frac c2,\qquad \hat q=\frac{d}{n^{*}},\qquad \hat S_{\text{son}}=\hat S_{\text{baş}}\,(1-\hat q),\qquad \hat f=\frac{\hat S_{\text{baş}}-\hat S_{\text{son}}}{w},\qquad \hat h=\frac{d}{w\,(n^{*}-d/2)}
  • n^{*}: etkin riskte sayısı; sansürlülerin aralığın ortasında ayrıldığı varsayılır (Cutler ve Ederer 1958).
  • \hat S_{\text{baş}}: aralık başındaki birikimli sağkalım; SH'si Greenwood biçimi \hat S_{\text{baş}}\sqrt{\sum \hat q/(n^{*}\hat p)} (önceki aralıklar üzerinden).
  • \hat f, \hat h: aralık ortasındaki olasılık yoğunluğu ve tehlike oranı (_life_table, :558–595; KMsurv lifetab tanımı).

128.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Aşağıdaki sayılar dogrulama/kaplan_meier/elle_hesap.py betiğinden (MerQur kodu çağrılmadan) alınmıştır.

Adım 1 — İlk basamaklar (tüm hastalar).

t n_j d_j c_j 1-d_j/n_j \hat S(t) v(t)
0,5 200 0 1 1 1 0
0,7 199 1 0 0,994975 0,994975 0,0000254
1,1 198 1 0 0,994949 0,989950 0,0000510
1,4 197 1 0 0,994924 0,984925 0,0000769
1,5 196 1 0 0,994898 0,979899 0,0001031
1,8 195 0 1 1 0,979899 0,0001031
2,1 194 1 0 0,994845 0,974848 0,0001298
2,5 192 3 0 0,984375 0,959616 0,0002125

0,5. aydaki sansürlü hasta yalnız n'yi azaltır; eğri düşmez. 2,5. aydaki üç ölüm tek basamakta sayılır: 1-3/192=0{,}984375 ve Greenwood terimi 3/(192\times189)=0{,}0000827.

Adım 2 — 12. ayda sağkalım ve GA. 12'den küçük ya da eşit son olay zamanı 11,7'dir:

\hat S(12)=0{,}839764,\qquad v=0{,}0010276833,\qquad \sqrt v=0{,}0320575,\qquad \SH=0{,}839764\times0{,}0320575=0{,}026921

log-log GA (z=1{,}959964):

\begin{gathered}\ln\hat S=-0{,}174634,\qquad \ln(-\ln\hat S)=-1{,}745061,\qquad h=\frac{1{,}959964\times0{,}0320575}{-0{,}174634}=-0{,}359789\\[4pt] \text{alt}=\exp\{-e^{-1{,}745061+0{,}359789}\}=0{,}778602,\qquad \text{üst}=\exp\{-e^{-1{,}745061-0{,}359789}\}=0{,}885269\end{gathered}

Aynı noktada log GA [0,788624; 0,894221], plain GA [0,787000; 0,892528]'dir. log-log aralığı \hat S çevresinde simetrik değildir: alt kuyruk daha uzundur.

Adım 3 — Standart zamanlar (genel).

t (ay) Riskte \hat S(t) SH %95 log-log GA
12 139 0,8398 0,0269 [0,7786; 0,8853]
24 95 0,6832 0,0363 [0,6061; 0,7484]
36 63 0,5301 0,0419 [0,4447; 0,6082]
48 41 0,3855 0,0434 [0,3007; 0,4695]
60 30 0,1733 0,0383 [0,1060; 0,2544]

Adım 4 — Medyan ve GA'sı. Eğri 40,1. ayda 0,504114, 41,1. ayda 0,495270'tir; ilk kez 0,5'in altına 41,1'de iner: \hat t_{0{,}5}=41{,}1 ay. Alt band 32,0. ayda 0,496717'ye, üst band 47,0. ayda 0,497060'a iner:

\hat t_{0{,}5}=41{,}1\ \text{ay},\qquad \%95\ \text{GA}=[32{,}0;\ 47{,}0]

Q25 = 20,1 [15,3; 23,0]; Q75 = 60,0, GA [60,0; NA]: üst band 0,25'e hiç inmez.

Şekil 128.1. Genel KM eğrisi, %95 log-log noktasal GA bandı ve medyanın band tersine çevrilerek bulunan GA'sı.

Adım 5 — RMST. \tau=60; 83 farklı olay zamanında basamak alanları toplanır:

\hat\mu(60)=37{,}7351\ \text{ay},\qquad \SH=1{,}6363,\qquad \%95\ \text{GA}=[34{,}5281;\ 40{,}9421]

Hastalar ilk 60 ayın ortalama 37,7 ayını yaşamıştır. Gruplarda: early 38,356 (SH 2,823), medium 38,431 (2,700), advanced 36,356 (2,978); üçünde de \tau=60.

Adım 6 — Grup eğrileri ve log-rank. İlk olay zamanında (t=0{,}7) riskte early 65, medium 77, advanced 57 kişi vardır (n=199) ve ölen early grubundandır. Beklenen sayılar E_k=d\,n_k/n: 65/199=0{,}3266, 77/199=0{,}3869, 57/199=0{,}2864; katkılar d_k-E_k: 0{,}6734, -0{,}3869, -0{,}2864. 83 olay zamanı üzerinden toplam:

Grup n Gözlenen O Beklenen E O-E Medyan [%95 GA]
early 65 33 37,0653 −4,0653 37,1 [30,8; 60,0]
medium 77 41 40,7424 0,2576 45,3 [29,2; 51,9]
advanced 58 34 30,1923 3,8077 34,8 [29,1; 44,9]
\mathbf V=\begin{pmatrix}22{,}5797&-12{,}9664&-9{,}6133\\-12{,}9664&23{,}6178&-10{,}6514\\-9{,}6133&-10{,}6514&20{,}2647\end{pmatrix}

İlk iki bileşenle \chi^2=\mathbf U_{(-3)}^{\top}\mathbf V_{(-3)}^{-1}\mathbf U_{(-3)}=0{,}9987, \text{sd}=2, p=0{,}6069. İleri evrede gözlenen ölüm beklenenden 3,8 fazla, erken evrede 4,1 azdır; fark rastlantıyla açıklanabilir düzeydedir.

Şekil 128.2. Evrelere göre Kaplan–Meier eğrileri; "+" sansürlü gözlemler. Eğriler birbirine yakındır ve kesişir.

Adım 7 — Ağırlıklı testler, ikili karşılaştırma ve trend.

Test \chi^2 sd p
Log-rank (Mantel–Cox) 0,9987 2 0,6069
Breslow (Gehan) 0,5305 2 0,7670
Tarone–Ware 0,6992 2 0,7050
Trend (skor: early 1, medium 2, advanced 3; MerQur, ilk görülme sırası) 0,9986 1 0,3176
Trend (karşılaştırma: Veri sekmesinde alfabetik sıra tanımlı, skor advanced 1, early 2, medium 3) 0,1933 1 0,6602

İkili log-rank: early–medium \chi^2_1=0{,}2707 (p=0{,}6028; Holm 1), early–advanced 1,0190 (p=0{,}3128; Holm 0,9383), medium–advanced 0,2562 (p=0{,}6128; Holm 1). Erken zamanlara ağırlık veren Breslow testinin daha küçük çıkması, eğrilerin ilk aylarda neredeyse üst üste olduğunu gösterir.

Adım 8 — Yaşam tablosu (genel, w=12).

Aralık Giren Sansür n^{*} Olay \hat q \hat S_{\text{baş}} SH \hat S_{\text{son}}
[0, 12) 200 31 184,5 30 0,1626 1,0000 0,0000 0,8374
[12, 24) 139 20 129,0 24 0,1860 0,8374 0,0272 0,6816
[24, 36) 95 13 88,5 19 0,2147 0,6816 0,0362 0,5353
[36, 48) 63 6 60,0 16 0,2667 0,5353 0,0412 0,3925
[48, 60) 41 7 37,5 4 0,1067 0,3925 0,0430 0,3507
[60, 72) 30 15 22,5 15 0,6667 0,3507 0,0432 0,1169

Aktüeryal tabloda 12. aydaki değer (0,8374) KM değerinden (0,8398) biraz düşüktür: aralık içindeki sansürlülerin yarısı riskten erken çıkarılmış sayılır.

128.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundaki GroupResult alanlarından tam hassasiyetle alınmıştır (gösterimdeki round ve p_yuvarla yalnız bellekte etkisizleştirilmiştir). R: 4.5.3, survival 3.8.6: survfit(conf.type = "log-log" | "log" | "plain"), summary(fit, times = ), quantile(), summary(fit, rmean = "individual")$table, survdiff. survdiff'te Gehan–Breslow ve Tarone–Ware seçeneği olmadığı için bu iki test, trend testi ve yaşam tablosu R içinde riskte/olay sayılarından elle kurulmuştur (KMsurv paketi kurulu değildir). Bağımsız Python betiği numpy ile yazılmıştır; yalnız \chi^2 ve normal dağılım fonksiyonları scipy'dendir.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Log-rank \chi^2_2 0,998663 0,998663 0,998663 4,4e−15 ✓
Log-rank p 0,606936 0,606936 0,606936 1,0e−15 ✓
Gehan–Breslow \chi^2_2 0,530514 0,530514 0,530514 3,3e−16 ✓
Gehan–Breslow p 0,767009 0,767009 0,767009 1,1e−16 ✓
Tarone–Ware \chi^2_2 0,699169 0,699169 0,699169 5,4e−15 ✓
Tarone–Ware p 0,704981 0,704981 0,704981 1,8e−15 ✓
Medyan (genel) 41,100000 41,100000 41,100000 0,0e+00 ✓
Medyan GA alt (genel) 32 32 32 0,0e+00 ✓
Medyan GA üst (genel) 47 47 47 0,0e+00 ✓
RMST (genel) 37,735104 37,735104 37,735104 1,4e−14 ✓
RMST SH (genel) 1,636278 1,636278 1,636278 2,0e−15 ✓
Medyan (early) 37,100000 37,100000 37,100000 0,0e+00 ✓
Medyan GA alt (early) 30,800000 30,800000 30,800000 0,0e+00 ✓
Medyan GA üst (early) 60 60 60 0,0e+00 ✓
RMST (early) 38,356133 38,356133 38,356133 1,4e−14 ✓
RMST SH (early) 2,823024 2,823024 2,823024 4,0e−15 ✓
Medyan (medium) 45,300000 45,300000 45,300000 0,0e+00 ✓
Medyan GA alt (medium) 29,200000 29,200000 29,200000 0,0e+00 ✓
Medyan GA üst (medium) 51,900000 51,900000 51,900000 0,0e+00 ✓
RMST (medium) 38,431327 38,431327 38,431327 3,6e−14 ✓
RMST SH (medium) 2,700458 2,700458 2,700458 4,4e−16 ✓
Medyan (advanced) 34,800000 34,800000 34,800000 0,0e+00 ✓
Medyan GA alt (advanced) 29,100000 29,100000 29,100000 0,0e+00 ✓
Medyan GA üst (advanced) 44,900000 44,900000 44,900000 0,0e+00 ✓
RMST (advanced) 36,356111 36,356111 36,356111 1,4e−14 ✓
RMST SH (advanced) 2,978428 2,978428 2,978428 3,6e−15 ✓
\hat S(12) genel 0,839764 0,839764 0,839764 5,6e−16 ✓
log-log GA alt, t=12 0,778602 0,778602 0,778602 3,3e−16 ✓
log-log GA üst, t=12 0,885269 0,885269 0,885269 5,6e−16 ✓
\hat S(24) genel 0,683210 0,683210 0,683210 2,0e−15 ✓
log-log GA alt, t=24 0,606122 0,606122 0,606122 1,3e−15 ✓
log-log GA üst, t=24 0,748368 0,748368 0,748368 2,0e−15 ✓
\hat S(36) genel 0,530056 0,530056 0,530056 8,9e−16 ✓
log-log GA alt, t=36 0,444695 0,444695 0,444695 6,7e−16 ✓
log-log GA üst, t=36 0,608216 0,608216 0,608216 6,7e−16 ✓
\hat S(48) genel 0,385483 0,385483 0,385483 7,2e−16 ✓
log-log GA alt, t=48 0,300672 0,300672 0,300672 6,1e−16 ✓
log-log GA üst, t=48 0,469466 0,469466 0,469466 1,2e−15 ✓
\hat S(60) genel 0,173288 0,173288 0,173288 3,9e−16 ✓
log-log GA alt, t=60 0,106000 0,106000 0,106000 3,3e−16 ✓
log-log GA üst, t=60 0,254379 0,254379 0,254379 5,6e−16 ✓

Ek karşılaştırmalar:

Çeyrekler (Q25 = \hat S\le0{,}75, Q75 = \hat S\le0{,}25) ve RMST GA (R'da GA basılmaz; SH ile kurulur)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Q25 (genel) 20,100000 20,100000 20,100000 0,0e+00 ✓
Q25 GA alt (genel) 15,300000 15,300000 15,300000 0,0e+00 ✓
Q25 GA üst (genel) 23 23 23 0,0e+00 ✓
Q75 (genel) 60 60 60 0,0e+00 ✓
Q75 GA alt (genel) 60 60 60 0,0e+00 ✓
Q75 GA üst (genel) NA NA NA 0,0e+00 ✓
RMST GA alt (genel) 34,528059 34,528059 — 0,0e+00 ✓
RMST GA üst (genel) 40,942149 40,942149 — 0,0e+00 ✓
Q25 (early) 21,900000 21,900000 21,900000 0,0e+00 ✓
Q25 GA alt (early) 9,700000 9,700000 9,700000 0,0e+00 ✓
Q25 GA üst (early) 31,500000 31,500000 31,500000 0,0e+00 ✓
Q75 (early) NA NA NA 0,0e+00 ✓
Q75 GA alt (early) 52,700000 52,700000 52,700000 0,0e+00 ✓
Q75 GA üst (early) NA NA NA 0,0e+00 ✓
RMST GA alt (early) 32,823107 32,823107 — 0,0e+00 ✓
RMST GA üst (early) 43,889158 43,889158 — 0,0e+00 ✓
Q25 (medium) 19,200000 19,200000 19,200000 0,0e+00 ✓
Q25 GA alt (medium) 10,500000 10,500000 10,500000 0,0e+00 ✓
Q25 GA üst (medium) 24,100000 24,100000 24,100000 0,0e+00 ✓
Q75 (medium) 60 60 60 0,0e+00 ✓
Q75 GA alt (medium) 50,600000 50,600000 50,600000 0,0e+00 ✓
Q75 GA üst (medium) NA NA NA 0,0e+00 ✓
RMST GA alt (medium) 33,138525 33,138525 — 0,0e+00 ✓
RMST GA üst (medium) 43,724128 43,724128 — 0,0e+00 ✓
Q25 (advanced) 20,100000 20,100000 20,100000 0,0e+00 ✓
Q25 GA alt (advanced) 7 7 7 0,0e+00 ✓
Q25 GA üst (advanced) 29,200000 29,200000 29,200000 0,0e+00 ✓
Q75 (advanced) 60 60 60 0,0e+00 ✓
Q75 GA alt (advanced) 44,600000 44,600000 44,600000 0,0e+00 ✓
Q75 GA üst (advanced) NA NA NA 0,0e+00 ✓
RMST GA alt (advanced) 30,518498 30,518498 — 0,0e+00 ✓
RMST GA üst (advanced) 42,193723 42,193723 — 0,0e+00 ✓

Grup başına \hat S(t) ve log-log GA (standart zamanlar)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat S(12) early 0,833135 0,833135 0,833135 4,4e−16 ✓
GA alt early, t=12 0,711434 0,711434 0,711434 5,6e−16 ✓
GA üst early, t=12 0,906751 0,906751 0,906751 2,2e−16 ✓
\hat S(24) early 0,692071 0,692071 0,692071 4,4e−16 ✓
GA alt early, t=24 0,549858 0,549858 0,549858 3,3e−16 ✓
GA üst early, t=24 0,797314 0,797314 0,797314 1,1e−16 ✓
\hat S(36) early 0,526316 0,526316 0,526316 2,2e−16 ✓
GA alt early, t=36 0,375701 0,375701 0,375701 2,8e−16 ✓
GA üst early, t=36 0,656502 0,656502 0,656502 2,2e−16 ✓
\hat S(48) early 0,395402 0,395402 0,395402 1,7e−16 ✓
GA alt early, t=48 0,250535 0,250535 0,250535 5,6e−17 ✓
GA üst early, t=48 0,536882 0,536882 0,536882 3,3e−16 ✓
\hat S(60) early 0,263601 0,263601 0,263601 3,9e−16 ✓
GA alt early, t=60 0,134308 0,134308 0,134308 2,2e−16 ✓
GA üst early, t=60 0,412510 0,412510 0,412510 2,8e−16 ✓
\hat S(12) medium 0,845871 0,845871 0,845871 2,2e−16 ✓
GA alt medium, t=12 0,738430 0,738430 0,738430 0,0e+00 ✓
GA üst medium, t=12 0,911739 0,911739 0,911739 1,1e−16 ✓
\hat S(24) medium 0,655519 0,655519 0,655519 2,2e−16 ✓
GA alt medium, t=24 0,522265 0,522265 0,522265 2,2e−16 ✓
GA üst medium, t=24 0,759891 0,759891 0,759891 1,1e−16 ✓
\hat S(36) medium 0,567721 0,567721 0,567721 5,6e−16 ✓
GA alt medium, t=36 0,427032 0,427032 0,427032 2,8e−16 ✓
GA üst medium, t=36 0,686149 0,686149 0,686149 5,6e−16 ✓
\hat S(48) medium 0,412888 0,412888 0,412888 3,9e−16 ✓
GA alt medium, t=48 0,270951 0,270951 0,270951 2,2e−16 ✓
GA üst medium, t=48 0,549236 0,549236 0,549236 3,3e−16 ✓
\hat S(60) medium 0,131373 0,131373 0,131373 1,9e−16 ✓
GA alt medium, t=60 0,044056 0,044056 0,044056 1,1e−16 ✓
GA üst medium, t=60 0,267281 0,267281 0,267281 2,8e−16 ✓
\hat S(12) advanced 0,839634 0,839634 0,839634 7,8e−16 ✓
GA alt advanced, t=12 0,714317 0,714317 0,714317 5,6e−16 ✓
GA üst advanced, t=12 0,913191 0,913191 0,913191 3,3e−16 ✓
\hat S(24) advanced 0,709789 0,709789 0,709789 4,4e−16 ✓
GA alt advanced, t=24 0,563041 0,563041 0,563041 6,7e−16 ✓
GA üst advanced, t=24 0,815001 0,815001 0,815001 7,8e−16 ✓
\hat S(36) advanced 0,491388 0,491388 0,491388 5,0e−16 ✓
GA alt advanced, t=36 0,332100 0,332100 0,332100 2,2e−16 ✓
GA üst advanced, t=36 0,632559 0,632559 0,632559 4,4e−16 ✓
\hat S(48) advanced 0,346862 0,346862 0,346862 1,7e−16 ✓
GA alt advanced, t=48 0,201742 0,201742 0,201742 1,1e−16 ✓
GA üst advanced, t=48 0,496405 0,496405 0,496405 1,1e−16 ✓
\hat S(60) advanced 0,118248 0,118248 0,118248 1,4e−16 ✓
GA alt advanced, t=60 0,032331 0,032331 0,032331 4,9e−17 ✓
GA üst advanced, t=60 0,264949 0,264949 0,264949 4,4e−16 ✓

Seçilen zamanlar (6, 12, 24, 36): Greenwood SH ve riskteki n

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
SH \hat S(6) genel 0,020752 0,020752 0,020752 1,7e−17 ✓
Riskte n(6) genel 168 168 168 0,0e+00 ✓
SH \hat S(12) genel 0,026921 0,026921 0,026921 4,9e−17 ✓
Riskte n(12) genel 139 139 139 0,0e+00 ✓
SH \hat S(24) genel 0,036290 0,036290 0,036290 1,0e−16 ✓
Riskte n(24) genel 95 95 95 0,0e+00 ✓
SH \hat S(36) genel 0,041925 0,041925 0,041925 4,2e−17 ✓
Riskte n(36) genel 63 63 63 0,0e+00 ✓
SH \hat S(6) early 0,030292 0,030292 0,030292 4,2e−17 ✓
Riskte n(6) early 57 57 57 0,0e+00 ✓
SH \hat S(12) early 0,048366 0,048366 0,048366 3,5e−17 ✓
Riskte n(12) early 43 43 43 0,0e+00 ✓
SH \hat S(24) early 0,063097 0,063097 0,063097 2,8e−17 ✓
Riskte n(24) early 33 33 33 0,0e+00 ✓
SH \hat S(36) early 0,072758 0,072758 0,072758 0,0e+00 ✓
Riskte n(36) early 22 22 22 0,0e+00 ✓
SH \hat S(6) medium 0,036262 0,036262 0,036262 6,2e−17 ✓
Riskte n(6) medium 62 62 62 0,0e+00 ✓
SH \hat S(12) medium 0,042923 0,042923 0,042923 6,9e−18 ✓
Riskte n(12) medium 55 55 55 0,0e+00 ✓
SH \hat S(24) medium 0,060814 0,060814 0,060814 2,8e−17 ✓
Riskte n(24) medium 34 34 34 0,0e+00 ✓
SH \hat S(36) medium 0,066819 0,066819 0,066819 1,4e−17 ✓
Riskte n(36) medium 24 24 24 0,0e+00 ✓
SH \hat S(6) advanced 0,040781 0,040781 0,040781 1,4e−17 ✓
Riskte n(6) advanced 49 49 49 0,0e+00 ✓
SH \hat S(12) advanced 0,049031 0,049031 0,049031 5,6e−17 ✓
Riskte n(12) advanced 41 41 41 0,0e+00 ✓
SH \hat S(24) advanced 0,064083 0,064083 0,064083 4,2e−17 ✓
Riskte n(24) advanced 28 28 28 0,0e+00 ✓
SH \hat S(36) advanced 0,078233 0,078233 0,078233 4,2e−17 ✓
Riskte n(36) advanced 17 17 17 0,0e+00 ✓

Tam sağkalım tablosu (her olay zamanı): en büyük fark

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Tam tablo S — early (30 değer) — — — 6,7e−16 ✓
Tam tablo se — early (30 değer) — — — 6,9e−17 ✓
Tam tablo lo — early (30 değer) — — — 8,9e−16 ✓
Tam tablo hi — early (30 değer) — — — 7,8e−16 ✓
Tam tablo S — medium (33 değer) — — — 1,0e−15 ✓
Tam tablo se — medium (33 değer) — — — 7,6e−17 ✓
Tam tablo lo — medium (33 değer) — — — 1,3e−15 ✓
Tam tablo hi — medium (33 değer) — — — 1,0e−15 ✓
Tam tablo S — advanced (28 değer) — — — 7,8e−16 ✓
Tam tablo se — advanced (28 değer) — — — 6,2e−17 ✓
Tam tablo lo — advanced (28 değer) — — — 2,0e−15 ✓
Tam tablo hi — advanced (28 değer) — — — 7,8e−16 ✓

GA dönüşümü log ve plain

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
log GA alt genel, t=12 0,788624 0,788624 0,788624 4,4e−16 ✓
log GA üst genel, t=12 0,894221 0,894221 0,894221 4,4e−16 ✓
log GA alt genel, t=24 0,615660 0,615660 0,615660 1,6e−15 ✓
log GA üst genel, t=24 0,758170 0,758170 0,758170 1,8e−15 ✓
log GA alt genel, t=36 0,453937 0,453937 0,453937 6,1e−16 ✓
log GA üst genel, t=36 0,618941 0,618941 0,618941 6,7e−16 ✓
log: medyan GA alt genel 32,800000 32,800000 32,800000 0,0e+00 ✓
log: medyan GA üst genel 47,100000 47,100000 47,100000 0,0e+00 ✓
log GA alt early, t=12 0,743533 0,743533 0,743533 4,4e−16 ✓
log GA üst early, t=12 0,933534 0,933534 0,933534 2,2e−16 ✓
log GA alt early, t=24 0,578824 0,578824 0,578824 2,2e−16 ✓
log GA üst early, t=24 0,827476 0,827476 0,827476 3,3e−16 ✓
log GA alt early, t=36 0,401399 0,401399 0,401399 1,7e−16 ✓
log GA üst early, t=36 0,690109 0,690109 0,690109 2,2e−16 ✓
log: medyan GA alt early 32 32 32 0,0e+00 ✓
log: medyan GA üst early 60 60 60 0,0e+00 ✓
log GA alt medium, t=12 0,765792 0,765792 0,765792 2,2e−16 ✓
log GA üst medium, t=12 0,934325 0,934325 0,934325 1,1e−16 ✓
log GA alt medium, t=24 0,546534 0,546534 0,546534 5,6e−16 ✓
log GA üst medium, t=24 0,786236 0,786236 0,786236 4,4e−16 ✓
log GA alt medium, t=36 0,450766 0,450766 0,450766 4,4e−16 ✓
log GA üst medium, t=36 0,715020 0,715020 0,715020 2,2e−16 ✓
log: medyan GA alt medium 33,600000 33,600000 33,600000 0,0e+00 ✓
log: medyan GA üst medium 60 60 60 0,0e+00 ✓
log GA alt advanced, t=12 0,748831 0,748831 0,748831 6,7e−16 ✓
log GA üst advanced, t=12 0,941448 0,941448 0,941448 5,6e−16 ✓
log GA alt advanced, t=24 0,594674 0,594674 0,594674 3,3e−16 ✓
log GA üst advanced, t=24 0,847187 0,847187 0,847187 4,4e−16 ✓
log GA alt advanced, t=36 0,359672 0,359672 0,359672 1,7e−16 ✓
log GA üst advanced, t=36 0,671339 0,671339 0,671339 6,7e−16 ✓
log: medyan GA alt advanced 29,200000 29,200000 29,200000 0,0e+00 ✓
log: medyan GA üst advanced 60 60 60 0,0e+00 ✓
plain GA alt genel, t=12 0,787000 0,787000 0,787000 4,4e−16 ✓
plain GA üst genel, t=12 0,892528 0,892528 0,892528 4,4e−16 ✓
plain GA alt genel, t=24 0,612083 0,612083 0,612083 1,8e−15 ✓
plain GA üst genel, t=24 0,754336 0,754336 0,754336 2,2e−15 ✓
plain GA alt genel, t=36 0,447884 0,447884 0,447884 5,0e−16 ✓
plain GA üst genel, t=36 0,612229 0,612229 0,612229 6,7e−16 ✓
plain: medyan GA alt genel 32,800000 32,800000 32,800000 0,0e+00 ✓
plain: medyan GA üst genel 47 47 47 0,0e+00 ✓
plain GA alt early, t=12 0,738339 0,738339 0,738339 5,6e−16 ✓
plain GA üst early, t=12 0,927930 0,927930 0,927930 3,3e−16 ✓
plain GA alt early, t=24 0,568404 0,568404 0,568404 5,6e−16 ✓
plain GA üst early, t=24 0,815738 0,815738 0,815738 4,4e−16 ✓
plain GA alt early, t=36 0,383712 0,383712 0,383712 2,8e−16 ✓
plain GA üst early, t=36 0,668920 0,668920 0,668920 2,2e−16 ✓
plain: medyan GA alt early 31,500000 31,500000 31,500000 0,0e+00 ✓
plain: medyan GA üst early 60 60 60 0,0e+00 ✓
plain GA alt medium, t=12 0,761743 0,761743 0,761743 4,4e−16 ✓
plain GA üst medium, t=12 0,929999 0,929999 0,929999 1,1e−16 ✓
plain GA alt medium, t=24 0,536326 0,536326 0,536326 1,1e−16 ✓
plain GA üst medium, t=24 0,774712 0,774712 0,774712 4,4e−16 ✓
plain GA alt medium, t=36 0,436758 0,436758 0,436758 3,3e−16 ✓
plain GA üst medium, t=36 0,698683 0,698683 0,698683 3,3e−16 ✓
plain: medyan GA alt medium 29,200000 29,200000 29,200000 0,0e+00 ✓
plain: medyan GA üst medium 60 60 60 0,0e+00 ✓
plain GA alt advanced, t=12 0,743535 0,743535 0,743535 6,7e−16 ✓
plain GA üst advanced, t=12 0,935733 0,935733 0,935733 7,8e−16 ✓
plain GA alt advanced, t=24 0,584189 0,584189 0,584189 2,2e−16 ✓
plain GA üst advanced, t=24 0,835389 0,835389 0,835389 7,8e−16 ✓
plain GA alt advanced, t=36 0,338054 0,338054 0,338054 4,4e−16 ✓
plain GA üst advanced, t=36 0,644721 0,644721 0,644721 3,3e−16 ✓
plain: medyan GA alt advanced 29,100000 29,100000 29,100000 0,0e+00 ✓
plain: medyan GA üst advanced 44,900000 44,900000 44,900000 0,0e+00 ✓

%90 güven düzeyi

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
%90 GA alt genel, t=12 0,789630 0,789630 0,789630 4,4e−16 ✓
%90 GA üst genel, t=12 0,878868 0,878868 0,878868 7,8e−16 ✓
%90 GA alt genel, t=36 0,458789 0,458789 0,458789 5,0e−16 ✓
%90 GA üst genel, t=36 0,596225 0,596225 0,596225 8,9e−16 ✓
%90 RMST GA alt genel 35,043667 35,043667 — 0,0e+00 ✓
%90 GA alt early, t=12 0,734908 0,734908 0,734908 4,4e−16 ✓
%90 GA üst early, t=12 0,897444 0,897444 0,897444 5,6e−16 ✓
%90 GA alt early, t=36 0,400626 0,400626 0,400626 1,7e−16 ✓
%90 GA üst early, t=36 0,637385 0,637385 0,637385 0,0e+00 ✓
%90 RMST GA alt early 33,712671 33,712671 — 0,0e+00 ✓
%90 GA alt medium, t=12 0,759115 0,759115 0,759115 2,2e−16 ✓
%90 GA üst medium, t=12 0,903333 0,903333 0,903333 3,3e−16 ✓
%90 GA alt medium, t=36 0,450706 0,450706 0,450706 2,8e−16 ✓
%90 GA üst medium, t=36 0,668873 0,668873 0,668873 3,3e−16 ✓
%90 RMST GA alt medium 33,989468 33,989468 — 0,0e+00 ✓
%90 GA alt advanced, t=12 0,738738 0,738738 0,738738 6,7e−16 ✓
%90 GA üst advanced, t=12 0,904031 0,904031 0,904031 3,3e−16 ✓
%90 GA alt advanced, t=36 0,358018 0,358018 0,358018 3,9e−16 ✓
%90 GA üst advanced, t=36 0,611716 0,611716 0,611716 2,2e−16 ✓
%90 RMST GA alt advanced 31,457032 31,457032 — 0,0e+00 ✓

İkili karşılaştırmalar (Holm) ve trend testi

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Log-rank early–medium \chi^2_1 0,270746 0,270746 0,270746 1,6e−15 ✓
Log-rank early–medium Holm p 1 1 1 0,0e+00 ✓
Log-rank early–advanced \chi^2_1 1,019013 1,019013 1,019013 8,7e−15 ✓
Log-rank early–advanced Holm p 0,938259 0,938259 0,938259 5,8e−15 ✓
Log-rank medium–advanced \chi^2_1 0,256156 0,256156 0,256156 3,7e−15 ✓
Log-rank medium–advanced Holm p 1 1 1 0,0e+00 ✓
Breslow early–medium \chi^2_1 0,078346 0,078346 0,078346 4,2e−17 ✓
Breslow early–medium Holm p 1 1 1 0,0e+00 ✓
Breslow early–advanced \chi^2_1 0,552633 0,552633 0,552633 2,2e−16 ✓
Breslow early–advanced Holm p 1 1 1 0,0e+00 ✓
Breslow medium–advanced \chi^2_1 0,187637 0,187637 0,187637 3,3e−16 ✓
Breslow medium–advanced Holm p 1 1 1 0,0e+00 ✓
Tarone-Ware early–medium \chi^2_1 0,126533 0,126533 0,126533 9,2e−16 ✓
Tarone-Ware early–medium Holm p 1 1 1 0,0e+00 ✓
Tarone-Ware early–advanced \chi^2_1 0,732458 0,732458 0,732458 1,3e−15 ✓
Tarone-Ware early–advanced Holm p 1 1 1 0,0e+00 ✓
Tarone-Ware medium–advanced \chi^2_1 0,229952 0,229952 0,229952 8,0e−16 ✓
Tarone-Ware medium–advanced Holm p 1 1 1 0,0e+00 ✓
Trend \chi^2_1 (ilk görülme sırası: early 1, medium 2, advanced 3) 0,998608 0,998608 0,998608 5,6e−16 ✓
Trend p (ilk görülme sırası) 0,317648 0,317648 0,317648 2,7e−15 ✓
Trend \chi^2_1 (sayısal kod 1, 2, 3) 0,998608 0,998608 0,998608 5,6e−16 ✓
Trend \chi^2_1 (tanımlı sıra: advanced 1, early 2, medium 3) 0,193338 0,193338 0,193338 1,9e−16 ✓
Trend p (tanımlı sıra) 0,660153 0,660153 0,660153 6,7e−16 ✓

Aktüeryal yaşam tablosu (aralık 12 ay): en büyük fark

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Yaşam tablosu S — genel (6 değer) — — — 4,4e−16 ✓
Yaşam tablosu se_S — genel (6 değer) — — — 2,8e−17 ✓
Yaşam tablosu q — genel (6 değer) — — — 3,3e−16 ✓
Yaşam tablosu f — genel (6 değer) — — — 4,5e−17 ✓
Yaşam tablosu h — genel (6 değer) — — — 4,3e−17 ✓
Yaşam tablosu S — early (6 değer) — — — 3,3e−16 ✓
Yaşam tablosu se_S — early (6 değer) — — — 4,2e−17 ✓
Yaşam tablosu q — early (6 değer) — — — 4,4e−16 ✓
Yaşam tablosu f — early (6 değer) — — — 4,2e−17 ✓
Yaşam tablosu h — early (6 değer) — — — 4,9e−17 ✓
Yaşam tablosu S — medium (6 değer) — — — 3,3e−16 ✓
Yaşam tablosu se_S — medium (6 değer) — — — 4,2e−17 ✓
Yaşam tablosu q — medium (6 değer) — — — 3,9e−16 ✓
Yaşam tablosu f — medium (6 değer) — — — 4,9e−17 ✓
Yaşam tablosu h — medium (6 değer) — — — 6,9e−17 ✓
Yaşam tablosu S — advanced (6 değer) — — — 3,3e−16 ✓
Yaşam tablosu se_S — advanced (6 değer) — — — 2,8e−17 ✓
Yaşam tablosu q — advanced (6 değer) — — — 3,3e−16 ✓
Yaşam tablosu f — advanced (6 değer) — — — 4,2e−17 ✓
Yaşam tablosu h — advanced (6 değer) — — — 3,3e−16 ✓

289 değerin tamamı 10^{-6} ölçütünde eşleşir. "NA" satırlarında üç kaynak da yüzdeliği ya da sınırı tanımsız bulmuştur.

128.7 Çıktıyı okuma

Sonuç metni (varsayılan ayarlar, kısaltılmış):

══ KAPLAN-MEIER SAĞKALIM ANALİZİ ══
Süre sütunu       : duration_month
Olay sütunu       : death
Grup sütunu       : stage
Toplam gözlem (n) : 200
── GENEL SAĞKALIM ──
Olay sayısı       : 108 (%54.0)
Sansür sayısı     : 92 (%46.0)
Medyan sağkalım   : 41.1
── ZAMAN NOKTALARINDA SAĞKALIM ──
     Zaman        S(t)                  %95 GA
      12.0      0.8398          [0.779, 0.885]
      24.0      0.6832          [0.606, 0.748]
      36.0      0.5301          [0.445, 0.608]
── GRUP BAZLI ──
Grup               n  Olay  Sansür    Medyan
early             65    33      32      37.1
medium            77    41      36      45.3
advanced          58    34      24      34.8
── LOG-RANK TESTİ ──
χ²(2) = 0.9987, p = 0.606936
Sonuç: Fark yok
── Sağkalım süresi ortalama ve medyanları (%95 GA) ──
Grup               Ort.*       SE                    GA    Medyan                    GA
genel              37.74     1.64        [34.53, 40.94]     41.10        [32.00, 47.00]
early              38.36     2.82        [32.82, 43.89]     37.10        [30.80, 60.00]
medium             38.43     2.70        [33.14, 43.72]     45.30        [29.20, 51.90]
...                                      (Q25 ve Q75 sütunları sayfaya sığması için kesildi)
── Riskte olanlar sayısı ──
Zaman                0      12      24      36      48      60
early               65      43      33      22      14      11
...
Log-rank: χ²(2, N = 200) = 1.00, p = .607
Öğe Ne yazar Nasıl yorumlanır
Medyan sağkalım \hat S\le0{,}5 olan ilk süre. Hastaların yarısının bu süreden önce öldüğü kestirilir. "Ulaşılmadı" ise eğri 0,5'e inmemiştir; medyan yerine belirli zamanlardaki \hat S ya da RMST raporlanır.
Zaman noktalarında S(t) \hat S ve noktasal GA (3 ondalık). "24. ayda sağkalım %68,3 (%95 GA %60,6–%74,8)". GA'lar noktasaldır; tüm eğri için eşzamanlı bant değildir.
Grup tablosu n, olay, sansür, medyan. 3'ten az gözlemli grup burada görünmez (uyarı satırına bakın).
Log-rank \chi^2(K-1), p. p\ge\alpha: eğriler arasında fark kanıtı yok. Etki büyüklüğü vermez; HR için Cox modeli.
Ort.* (RMST) \tau'ya kadar eğri altındaki alan, SH, GA. "İlk 60 ayda ortalama yaşanan süre". Grupların \tau'ları farklıysa karşılaştırılmaz.
Medyan GA, Q25, Q75 Band tersine çevrilerek GA; "—" ya da NA: ulaşılmadı. early grubunda medyan GA üst ucu 60: üst band son süreye kadar 0,5'e ancak iner.
Riskte olanlar Her zamanda T\ge t olan kişi sayısı. Kuyrukta riskteki sayı azaldıkça eğri kararsızlaşır; 10'un altında yoruma dikkat.
Uyarılar Eksik satır, küçük n, sansür oranı > %70 ya da < %5, atlanan küçük grup, aşan zaman noktası (:981–1013). Sansür oranı %70'i aşınca medyan ve kuyruk kestirimleri güvenilmezleşir.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Kanser hastalarında (n = 200; 108 ölüm, %54) sağkalım Kaplan–Meier yöntemiyle kestirildi. Ortanca sağkalım 41,1 aydı (%95 GA [32,0; 47,0]; log-log dönüşümü). 12, 24 ve 36 aylık sağkalım oranları sırasıyla %84,0 (%95 GA [77,9; 88,5]), %68,3 (%95 GA [60,6; 74,8]) ve %53,0 (%95 GA [44,5; 60,8]) idi; 60 aylık kısıtlı ortalama sağkalım 37,7 aydı (%95 GA [34,5; 40,9]). Ortanca sağkalım erken, orta ve ileri evrede sırasıyla 37,1, 45,3 ve 34,8 aydı; evreler arasında sağkalım farkı anlamlı değildi, log-rank \chi^2(2, N = 200) = 1{,}00, p = 0{,}607.

128.8 Uzman soruları

S1. Varsayılan GA dönüşümü neden log-log? R'ın sonucu neden farklı çıkıyor?

log-log aralığı her zaman [0{,}1] içinde kalır ve kuyruklarda kapsaması daha iyidir (Borgan ve Liestøl 1990). R survfit'in varsayılanı ise conf.type = "log"'dur; aynı sınırlar için R'da conf.type = "log-log" yazılmalıdır. Medyan GA'sı da banttan okunduğu için dönüşüme bağlıdır: bu veride genel medyanın GA'sı log-log ile [32,0; 47,0], log ile [32,8; 47,1], plain ile [32,8; 47,0]'dır; medium grubunda log-log [29,2; 51,9] iken log [33,6; 60,0]'dır. Üç dönüşüm de ayrı ayrı R ile eşleşmiştir (128.6.1).

S2. Medyanın GA'sı neden simetrik değil, neden SH ile kurulmuyor?

Medyan GA'sı, S(t)=0{,}5 hipotezinin reddedilmediği t'ler kümesidir (Brookmeyer ve Crowley 1982). Bu küme, 0,5 çizgisinin noktasal GA bandını kestiği iki zamandır; eğrinin o bölgedeki eğimi ve sansür yoğunluğu GA'nın genişliğini ve asimetrisini belirler. Medyanın SH'si yoğunluk kestirimi gerektirir ve küçük örneklemde güvenilmezdir. MerQur'un kuralı R quantile.survfit ile aynıdır (128.6.1).

S3. Aynı anda olay ve sansür varsa hangisi önce sayılır?

Olay önce. t'de sansürlenen kişi n_j'de riskte sayılır, d_j'ye girmez; sonraki zamanlarda risk kümesinden çıkar. Bu veride 2,6. ayda bir ölüm ve bir sansür vardır: n=189, d=1; sansürlü kişi 189'a dahildir. R survfit aynı geleneği izler.

S4. Greenwood varyansı kuyrukta neden güvenilmez?

v(t) terimleri d_j/[n_j(n_j-d_j)] biçimindedir; n_j küçüldükçe terim büyür ve n_j=d_j olduğunda tanımsızdır. Riskte az kişi kalınca GA hızla genişler (bu veride 60. ayda riskte 30 kişi, 15 ölüm). Kuyruktaki \hat S değerleri, riskteki sayı 10'un altına indiğinde raporlanmamalıdır. Peto'nun varyansı (\hat S^2(1-\hat S)/n_j) kuyrukta daha tutucudur; MerQur Greenwood'u kullanır.

S5. Breslow testi R'daki `survdiff(rho = 1)` ile aynı mı?

MerQur'un Breslow (genelleştirilmiş Wilcoxon) testinde ağırlık riskteki sayıdır (w_j=n_j; Gehan 1965, Breslow 1970). R survdiff(rho = 1) ise Peto–Peto testidir (w_j=\hat S(t_j-)) ve farklı sonuç verir. survdiff Gehan–Breslow ağırlığını sunmaz; R'da riskteki ve olay sayılarından hipergeometrik varyansla elle kurulan test MerQur'la 10^{-12} düzeyinde aynıdır (128.6.1).

S6. Bir grupta yalnız 2 kişi varsa ne olur?

O grubun KM tablosu ve grafiği atlanır, uyarı yazılır; ama log-rank ve öteki testlere katılır (kaplan_meier.py:829–833). R survfit bu grubu da raporlar. Test sonucu bu nedenle "Grup bazlı" tablodaki gruplardan fazlasını kapsayabilir; sd, testteki grup sayısına göre yazılır.

S7. Trend testinde skorlar nereden geliyor; neden alfabetik sıra kullanılmıyor?

Sayısal grup kodları kendi değerleriyle, metin düzeyleri MerQur'un düzey sırası kuralındaki konumlarıyla skorlanır: tanımlı sıra, sayı içeren etiketlerde doğal sıra, aksi hâlde verideki ilk görülme sırası. Alfabetik sıra etiketin dilinden ve yazımından gelen keyfi bir sıradır: bu veride advanced = 1, early = 2, medium = 3 verir ve test klinik anlamı olmayan bir sırayı sınar (\chi^2_1=0{,}19); Türkçe etiketlerle sıra yine değişirdi. Klinik sırayla (early 1, medium 2, advanced 3) \chi^2_1=1{,}00 olur. Trend testi skor seçimine duyarlıdır; MerQur kullanılan sırayı ve skorları çıktıda yazar, sıra tanımlanmamışsa uyarır.

S8. RMST neden medyana tercih edilebilir?

Medyan yalnız bir noktadaki bilgiyi kullanır ve eğri 0,5'e inmezse tanımsızdır. RMST eğrinin tümünü kullanır, her zaman tanımlıdır (seçilen \tau'ya kadar) ve orantılı tehlike varsayımına dayanmaz; klinik olarak "kazanılan ortalama ay" diye okunur (Royston ve Parmar 2013). Karşılaştırmada ortak \tau gerekir; MerQur her grup için kendi \tau'sunu kullanır.

S9. Aktüeryal tablo ile KM ne zaman belirgin ayrılır?

Aralık içinde çok sansür varsa ya da aralıklar genişse. Aktüeryal yöntem sansürlülerin yarısını riskten düşer; KM ise her olay anındaki gerçek riskteki sayıyı kullanır. Bu veride 12. ayda fark 0,0024'tür. Olay zamanı yalnız aralık olarak biliniyorsa aktüeryal tablo ya da aralık sansürlü yöntem doğrudur; tam zaman biliniyorsa KM.

128.9 Sık hatalar ve tuzaklar

  • Olay kodunu ters girmek. Olay sütununda 1 = ölüm, 0 = sansür olmalıdır. "1 = yaşıyor" kodlaması eğriyi tümüyle bozar ama hata vermez. Çok değerli durum sütununda "Olay kodları" kutusu kullanılmalıdır.
  • Rakip riskleri sansür saymak. Başka nedenden ölüm sansür sayılırsa 1-\hat S ilgilenilen olayın birikimli olasılığını abartır; Rakip Riskler kullanılmalıdır.
  • Kuyruğu yorumlamak. Eğrinin sonundaki büyük düşüşler (bu veride 60. aydaki 15 ölüm) az sayıda kişiye dayanır. "Riskte olanlar" tablosu her zaman eğriyle birlikte verilmelidir.
  • Noktasal GA'yı eşzamanlı bant sanmak. MerQur'un GA'ları her t için ayrıdır; tüm eğri için %95 güvence vermez (Hall–Wellner ya da equal-precision bantları bu modülde yoktur).
  • Log-rank'tan etki büyüklüğü çıkarmak. p yalnız fark kanıtıdır; HR için Cox, mutlak fark için belirli zamanlardaki \hat S farkı ya da RMST farkı raporlanır.
  • Kesişen eğrilerde log-rank'a güvenmek. Erken ve geç farklar birbirini götürür; Breslow/Tarone–Ware ile karşılaştırın, RMST ya da zamana bağlı modelleri düşünün.
  • Metin gruplarında sırayı tanımlamadan trend testi yapmak. Sıra tanımlanmamışsa skorlar verideki ilk görülme sırasından gelir (128.5.7); sıralı grubun sırası tanımlanmalı ya da sayı içeren etiketler kullanılmalıdır.
  • Grupların farklı \tau'da RMST karşılaştırması. MerQur her grubun kendi en büyük süresini kullanır; en büyük süreler farklıysa RMST'ler karşılaştırılamaz.
  • Çok sayıda ikili test. Üç grupta üç çift, iki ek testle dokuz p olur; düzeltme seçilmelidir. Düzeltme yalnız ikili tabloya uygulanır, genel teste değil.
  • R ile karşılaştırırken dönüşümü unutmak. R varsayılanı "log"dur; MerQur'unki "log-log". Farklı GA görmek hata değil, ayar farkıdır.

128.10 Kaynaklar

  • Agresti, A. (2013). Categorical data analysis (3rd ed.). Wiley.
  • Borgan, Ø., & Liestøl, K. (1990). A note on confidence intervals and bands for the survival function based on transformations. Scandinavian Journal of Statistics, 17(1), 35–41.
  • Breslow, N. (1970). A generalized Kruskal–Wallis test for comparing K samples subject to unequal patterns of censorship. Biometrika, 57(3), 579–594. https://doi.org/10.1093/biomet/57.3.579
  • Brookmeyer, R., & Crowley, J. (1982). A confidence interval for the median survival time. Biometrics, 38(1), 29–41. https://doi.org/10.2307/2530286
  • Cutler, S. J., & Ederer, F. (1958). Maximum utilization of the life table method in analyzing survival. Journal of Chronic Diseases, 8(6), 699–712. https://doi.org/10.1016/0021-9681(58)90126-7
  • Gehan, E. A. (1965). A generalized Wilcoxon test for comparing arbitrarily singly-censored samples. Biometrika, 52(1–2), 203–224. https://doi.org/10.1093/biomet/52.1-2.203
  • Greenwood, M. (1926). The natural duration of cancer (Reports on Public Health and Medical Subjects No. 33). His Majesty's Stationery Office.
  • Kalbfleisch, J. D., & Prentice, R. L. (2002). The statistical analysis of failure time data (2nd ed.). Wiley. https://doi.org/10.1002/9781118032985
  • Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481. https://doi.org/10.1080/01621459.1958.10501452
  • Klein, J. P., & Moeschberger, M. L. (2003). Survival analysis: Techniques for censored and truncated data (2nd ed.). Springer. https://doi.org/10.1007/b97377
  • Mantel, N. (1966). Evaluation of survival data and two new rank order statistics arising in its consideration. Cancer Chemotherapy Reports, 50(3), 163–170.
  • Peto, R., & Peto, J. (1972). Asymptotically efficient rank invariant test procedures. Journal of the Royal Statistical Society: Series A (General), 135(2), 185–207. https://doi.org/10.2307/2344317
  • Royston, P., & Parmar, M. K. B. (2013). Restricted mean survival time: An alternative to the hazard ratio for the design and analysis of randomized trials with a time-to-event outcome. BMC Medical Research Methodology, 13, 152. https://doi.org/10.1186/1471-2288-13-152
  • Tarone, R. E., & Ware, J. (1977). On distribution-free tests for equality of survival distributions. Biometrika, 64(1), 156–160. https://doi.org/10.1093/biomet/64.1.156