134. Aralık Sansürlü Sağkalım
Analiz kimliği: interval_censored · Menü adı: Aralık Sansürlü Sağkalım · Panel: gui/panels/analyses/interval_censored.py (form 46–106, execute 109–131, read_options 134–149) · Motor: stats/survival_advanced.py, run_interval_censored (satır 1514–1766), _turnbull_setup (979–992), _turnbull_em (995–1005), _ic_npmle_lifelines (1029–1047), _ic_bootstrap_ci (1050–1063), _ic_qtime (1066–1086), _ic_aft_nll (1114–1180), _ic_parametric_regression (1216–1279), _ic_logrank_test (1282–1313), _ic_turnbull_table (1316–1346), _ic_sp_ph (1349–1511) · Çağıran: stats_panel.py:8566–8590
134.1 Ne işe yarar
Aralık sansürlü sağkalım analizi, olayın tam zamanının bilinmediği, yalnız iki muayene arasında bir yerde gerçekleştiğinin bilindiği veriler içindir. Nüks, kontrol vizitinde saptanır: 12. ayda temiz, 18. ayda nüks görülen hastanın nüks zamanı (12,\,18] aralığındadır. Bu aralığın üst ucunu (18) olay zamanı saymak sağkalımı olduğundan kısa, alt ucunu saymak uzun gösterir. Cevapladığı soru: "Hastaların yüzde kaçı 24. aya kadar nükssüz kalır? Evreler arasında nükssüz sağkalım farklı mı?"
- L_i: hastanın olaysız görüldüğü son zaman (alt sınır).
- R_i: olayın ilk saptandığı zaman (üst sınır).
- S(t)=P(T>t): sağkalım fonksiyonu.
- Tam gözlem L_i=R_i (katkı yoğunluk f(t_i)), sol sansür L_i=0 (katkı 1-S(R_i)), sağ sansür R_i=\infty (katkı S(L_i)) bu yazımın özel hâlleridir.
Ne zaman kullanılır?
- Olay periyodik muayene, laboratuvar ya da görüntülemeyle saptanıyor (nüks, enfeksiyon serokonversiyonu, diş çürüğü, implant kaybı).
- Muayene aralıkları geniş ve hastadan hastaya farklı.
- Bazı hastalar ilk muayenede olayı zaten yaşamış (sol sansür).
Ne zaman kullanılmaz?
- Olay zamanı gün düzeyinde biliniyorsa: Kaplan-Meier Sağkalım Analizi (Bölüm 128), Cox Regresyonu (Bölüm 129), Parametrik Sağkalım (AFT) (Bölüm 130).
- Birden çok olay türü varsa: Rakip Riskler (Bölüm 131); MerQur'da aralık sansürlü rakip riskler yoktur.
- Tüm hastalar aynı takvimle muayene ediliyor ve aralıklar dar, sayıca azsa: kesikli zamanlı (ayrık) model de kurulabilir; MerQur'da bu amaçla İkili Lojistik Regresyon kişi-dönem verisiyle kullanılabilir.
Sık karıştırılan analizler. Aralık orta noktasını olay zamanı sayıp KM kurmak (orta nokta yerine koyma) yaygın bir kısayoldur; geniş ve düzensiz aralıklarda yanlıdır ve GA'ları dar gösterir. Turnbull eğrisi, aralık sansürlü verinin KM karşılığıdır; tüm aralıklar tek noktaya indiğinde (L=R) KM'ye eşittir.
134.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Doğru sınırlar | L_i\le R_i; L olaysız görülen son, R olayın görüldüğü ilk zaman. | R<L ise hata, kaç satır olduğu yazılır (:1570–1573; arayüz ön denetimi stats_panel.py:8575–8582). |
| Bilgisiz muayene | Muayene zamanları olay riskinden bağımsız. | Denetlenmez. |
| Sağ sansür kodlaması | Üst sınır boş (eksik) ya da \infty. | Boş hücre +\infty yapılır (:1565). |
| Negatif alt sınır yok | Sağkalım zamanı negatif olamaz. | Negatif ya da -\infty alt sınır 0'a çekilir (sol sansür; _ic_prepare, :1023–1025). |
| PH ya da AFT (regresyonda) | Seçilen regresyon modelinin varsayımı. | Denetlenmez. |
Sağ sansürün kodlanması. Olay izlem sonuna kadar görülmediyse üst sınır hücresi boş bırakılır ya da \infty yazılır; R Surv(L, R, type = "interval2") de eksik üst sınırı sağ sansür sayar. Üst sınıra "en büyük değer + 1" gibi sonlu bir sayı yazmak, gözlemi (L,\,\text{sayı}] aralığında olay yaşamış hâle getirir.
Eksik değer. Alt sınırı eksik satırlar çıkar (:1564); grup değişkeni eksik satırlar da çıkar. Regresyon modeli seçiliyse kovaryatı eksik satırlar çıkar; model "Yok" iken işaretli kovaryatlar yok sayılır ve gözlem düşürmez, bu durum uyarıda yazılır (:1546–1560, :1649–1650).
Uç durumlar.
- 5'ten az gözlemde hata (
:1566–1567). - Grup değişkeni tek düzeyliyse hata (
:1657–1658); 2'den az gözlemli grubun ayrı eğrisi çizilmez, uyarı yazılır (:1663–1666). - Parametrik regresyon gradyan ölçütüne ulaşmazsa uyarı (
:1712–1713); en iyileme tamamen başarısızsa regresyon atlanır ve hata iletisi uyarıya yazılır (:1717–1718). - Yarı-parametrik PH'de kovaryat seçilmezse uyarı (
:1729–1730); bir katsayının ML kestirimi sonlu değilse (ayrışma) katsayı ve SH "—" ve uyarı (:1474–1501,:1741–1743).
134.3 Parametreler
Form interval_censored.py:46–106; seçenekler read_options (:134–149).
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Alt sınır (L): | ilk sayısal sütun | Olaysız görülen son zaman; sol sansürde 0. | — |
| Üst sınır (R): | ilk sayısal sütun | Olayın görüldüğü ilk zaman; sağ sansürde boş ya da \infty; tam gözlemde L. | — |
| Grup (isteğe bağlı): | (yok) | Grup başına Turnbull eğrisi ve genelleştirilmiş log-rank testi. | Ek eğriler, test. |
| Regresyon modeli: | Yok | Weibull, Log-normal, Log-logistic (AFT) ya da Yarı-parametrik PH (Cox tipi). | Ek tablo. |
| Regresyon kovaryatları: | hiçbiri işaretli değil | Modelin kovaryatları; model "Yok" iken devre dışı. Metin sütunları kukla kodlanır; referans, MerQur düzey sırasının ilk düzeyidir (Veri sekmesinde tanımlı sıra, yoksa sayısal/doğal sıra, o da yoksa verideki ilk görülme sırası; alfabetik sıra kullanılmaz). | Regresyon. |
| Ek çıktılar: Turnbull iç aralıkları ve olasılık kütleleri | kapalı | 134.5.1'deki tablo. | Ek tablo. |
| Güven Düzeyi: | %95 | Bootstrap GA'ları ve regresyon GA'ları. | GA. |
Koddaki tercih: sabit bootstrap tohumu
S(t), medyan ve çeyrek GA'ları yüzdelik bootstrap ile verilir: B=500 yeniden örnekleme, tohum (seed) 20260904 koda sabitlenmiştir (:975–976, :1599) ve çıktı notunda yazılır. Arayüzde değiştirilemez; aynı veri her çalıştırmada aynı GA'yı verir. Gruplar varsa aynı rastgele sayı üreteci tüm örneklem ve ardından gruplar için sırayla kullanılır; bu yüzden tüm örneklemin GA'sı grup seçilse de seçilmese de aynıdır.
134.4 Tıp örneği
Dosya: english/datasets/Tip/92_interval_censored_nuks.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/92_interval_censored_nuks.xlsx). Değişkenler VIDEO_SCRIPT_TR.txt #92'den alınmıştır; grup ve regresyon örnekleri için stage eklenmiştir.
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
left_censor |
Alt sınır | sayısal (ay) | 0, 3, 6, 12, 18, 24, 36 |
survival_censor |
Üst sınır | sayısal (ay); 26 boş | 3, 6, 12, 18, 24, 36 |
stage |
Grup / kovaryat | metin, 3 düzey | verideki sırayla medium 19, early 23, advanced 18 |
n ve gözlem türleri: 60 hasta. 4 sol sansür (L=0, R=3), 30 aralık sansür, 26 sağ sansür (36. ayda nükssüz), tam gözlem yok. Olay sayısı 4+30=34.
| Aralık | (0, 3] | (3, 6] | (6, 12] | (12, 18] | (18, 24] | (24, 36] | (36, ∞) |
|---|---|---|---|---|---|---|---|
| Hasta | 4 | 9 | 9 | 5 | 4 | 3 | 26 |
Muayeneler 3, 6, 12, 18, 24 ve 36. aylardadır; her hastanın aralığı iki ardışık muayene arasıdır.
Klinik soru: Nükssüz sağkalım eğrisi nasıldır, medyan nükssüz süre nedir? Evreler arasında fark var mı?
Seçilen ayarlar: Alt sınır left_censor, üst sınır survival_censor; grup stage; Turnbull tablosu açık; %95. Ek çalıştırmalar: Weibull, log-normal, log-lojistik ve yarı-parametrik PH regresyonu (kovaryat stage); %90; aynı ayarlarla ikinci çalıştırma (bootstrap tutarlılığı).
134.5 Formüller ve hesap adımları
MerQur'un hesap sırası: sınırların temizlenmesi (R boşsa \infty, negatif L 0) → gözlem türlerinin sayılması → sansürlü gözlemlerin alt sınırının küçük bir \varepsilon kadar kaydırılması ((L,R] anlamı) → Turnbull NPMLE (lifelines fit_interval_censoring, sıkı tolerans) → bootstrap GA'ları → medyan ve çeyrekler → isteğe bağlı grup eğrileri ve genelleştirilmiş log-rank → isteğe bağlı parametrik ya da yarı-parametrik regresyon → isteğe bağlı Turnbull tablosu.
134.5.1 Turnbull en-iç aralıkları ve NPMLE
Olasılık kütlesi yalnız en-iç aralıklara düşebilir: bir sol ucun hemen ardından bir sağ uç gelen [q_j,\,p_j] aralıkları (Turnbull, 1976).
- m: en-iç aralık sayısı; w_j: j. aralığa düşen olasılık kütlesi.
- \alpha_{ij}=1: i. hastanın olayı j. aralıkta olabilir.
- \sum_j\alpha_{ij}w_j=\hat S(L_i)-\hat S(R_i): hastanın olabilirlik katkısı.
- NPMLE, kütlenin aralığın içinde nasıl dağıldığını belirlemez; \hat S en-iç aralıkların dışında tekildir, içinde belirsizdir.
- Öz-tutarlılık (EM) güncellemesi: her hasta, kütlesini olabileceği aralıklara mevcut kütleler oranında dağıtır.
- Başlangıç w_j=1/m; durma \max_j\lvert w_j^{(r+1)}-w_j^{(r)}\rvert<10^{-10} (
_turnbull_em,:995–1005). Eğri lifelines ile 10^{-12} toleransla kestirilir (:1038–1039; lifelines varsayılanı EM'i erken durdurur).
- t, en-iç aralıkların dışında bir noktadır (muayene zamanları). MerQur \hat S'yi verideki tüm farklı sınır değerlerinde, hemen sağdan (t+\varepsilon/2) okur (
:1032–1039).
Koddaki tercih: (L,R] yarı açık aralığı
lifelines ve _turnbull_setup aralıkları kapalı [L,R] kabul eder. Bitişik muayene aralıklarında (0–3, 3–6) uç noktalar ortak olur ve kütle kayabilir. MerQur sansürlü gözlemlerin alt sınırını en küçük boşluğun 10^{-6} katı kadar sağa kaydırır (:1594–1597); böylece (L,R] anlamı elde edilir. R interval::icfit(Lin = FALSE, Rin = TRUE) aynı anlamı kullanır. Turnbull tablosunda alt uç kaydırılmış değer yerine özgün veriden gösterilir (:1280–1289).
134.5.2 Medyan ve çeyrekler
Medyan, \hat S(t)\le0{,}5 olan ilk ızgara zamanıdır. \hat S bir ızgara noktasında tam 0,5'e iner ve sonraki noktaya kadar düz kalırsa, o nokta ile eğrinin 0,5'in altına indiği sonraki noktanın orta noktası alınır (_ic_qtime, :1066–1086; R survival:::findq kuralı). Grup eğrileri ve yüzdelikleri her grubun kendi sınır değerlerinden oluşan ızgarada hesaplanır (:1609–1613).
134.5.3 Bootstrap güven aralığı
- (L_i^{*},R_i^{*}): gözlem çiftlerinden yerine koyarak çekilmiş örneklem; her örnekte NPMLE yeniden kestirilir (
_ic_bootstrap_ci,:1050–1063). - Q_a: numpy
quantile(doğrusal ara değerleme) ile a. yüzdelik. - Yüzdelik GA'ları aynı örneklerden: her bootstrap eğrisinde yüzdelik, nokta kestirimiyle aynı kuralla bulunur (S\le p olan ilk ızgara zamanı; eğri tam p'de düzse orta nokta,
_ic_qtime); ulaşılmayan örnek +\infty sayılır, üst sınır "—" olabilir (_ic_boot_quantile_ci,:1089–1101).
Neden bootstrap?
Turnbull NPMLE'nin varyansı için kapalı bir formül yoktur; kütlelerin sayısı örneklemle büyür ve standart en çok olabilirlik kuramı geçerli değildir. Bootstrap, gözlem çiftlerini yeniden örnekleyerek tüm belirsizliği (aralıkların yapısı dahil) taşır. R icenReg de NPMLE için bootstrap kullanır.
134.5.4 Genelleştirilmiş log-rank testi
- \hat S: birleşik (tüm gruplar) Turnbull NPMLE'si; 0\ln0=0.
- c_i: Finkelstein (1986) orantılı tehlike skoru, \beta=0'da. Sağ sansürde c_i=\ln\hat S(L_i), tam gözlemde KM log-rank skoruna iner.
- \mathbf V: permütasyon (koşullu) varyansı; -G: son grup çıkarılmış (
_ic_logrank_test,:1282–1313). - R
interval::ictest(scores = "logrank2", method = "pclt")ile aynı.
134.5.5 Parametrik AFT regresyonu
- z_{L,i}=(\ln L_i-\mathbf x_i^{\top}\boldsymbol\beta)/\sigma, z_{R,i}=(\ln R_i-\mathbf x_i^{\top}\boldsymbol\beta)/\sigma; W Bölüm 130'daki gibi (uç değer, normal, lojistik).
- R
survreg(Surv(L, R, type = "interval2"))ile aynı model ve parametreleme (_ic_aft_nll,:1065–1131). - Aralık katkısı sayısal kararlılık için log ölçekte, S'nin büyük olduğu bölgede \ln S(z_L)+\ln[1-e^{\ln S(z_R)-\ln S(z_L)}] biçiminde hesaplanır (
:1169–1171). - Kestirim: analitik gradyanlı BFGS, iki başlangıç (log orta noktalara EKK; sabit ölçek), Newton cilası; yakınsama gradyanla denetlenir. SH gözlenen bilgi matrisinin tersinden (
:1216–1279).
134.5.6 Yarı-parametrik PH regresyonu
- S_0: en-iç aralıklarda basamaklı temel sağkalım; \Lambda_0 artışları \lambda_j\ge0 ile parametrelenir.
- R
icenReg::ic_sp(model = "ph")ile aynı model ve olabilirlik. - Algoritma profil olabilirliktir: \boldsymbol\beta sabitken \lambda'lar için içbükey sınırlı problem (L-BFGS-B), dışta \boldsymbol\beta için BFGS; ardından etkin \lambda ve \boldsymbol\beta üzerinde ortak Newton cilası (
_ic_sp_ph,:1349–1511). Sayısal kararlılık için kovaryatlar merkezlenip ölçeklenir, katsayılar geri çevrilir. - SH, etkin taban parametreleri ve \boldsymbol\beta üzerinde tam gözlenen bilgi matrisinin tersinden gelir (Finkelstein, 1986).
SH tanımı icenReg'den farklıdır
icenReg::ic_sp yarı-parametrik modelde SH'yi bootstrap ile verir; MerQur gözlenen bilgi matrisini kullanır. Katsayılar ve log-olabilirlik aynıdır (134.6.1), SH'ler küçük farklılık gösterebilir. Olay sayısı az ve kütle sayısı büyükse bilgi matrisi tabanlı SH iyimser olabilir; o durumda bootstrap tercih edilir.
134.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/interval_censored/elle_hesap.py ile, MerQur ve lifelines çağrılmadan numpy ile hesaplanmıştır.
Adım 1 — En-iç aralıklar. Sol uçlar \{0, 3, 6, 12, 18, 24, 36\}, sağ uçlar \{3, 6, 12, 18, 24, 36, \infty\}. Sıralı uç noktalarda her sol ucu bir sağ uç izler; yedi en-iç aralık oluşur: (0, 3], (3, 6], (6, 12], (12, 18], (18, 24], (24, 36], (36, ∞).
Adım 2 — EM. Başlangıç w_j=1/7=0{,}142857. Bu veride her hastanın aralığı tam olarak bir en-iç aralığı kapsar (\alpha_i satırlarında tek 1 vardır); öz-tutarlılık güncellemesi ilk adımda w_j=n_j/n'ye gider ve orada kalır:
| j | Aralık | n_j | w_j^{(0)} | w_j^{(1)}=\hat w_j | \hat S(p_j) |
|---|---|---|---|---|---|
| 1 | (0, 3] | 4 | 0,142857 | 0,066667 | 0,933333 |
| 2 | (3, 6] | 9 | 0,142857 | 0,150000 | 0,783333 |
| 3 | (6, 12] | 9 | 0,142857 | 0,150000 | 0,633333 |
| 4 | (12, 18] | 5 | 0,142857 | 0,083333 | 0,550000 |
| 5 | (18, 24] | 4 | 0,142857 | 0,066667 | 0,483333 |
| 6 | (24, 36] | 3 | 0,142857 | 0,050000 | 0,433333 |
| 7 | (36, ∞) | 26 | 0,142857 | 0,433333 | — |
Aralıklar örtüşseydi (ör. bir hasta 6–18, öteki 12–24), bir hastanın kütlesi birden çok en-iç aralığa paylaştırılır ve EM birçok adım sürerdi; bu verinin düzenli muayene takvimi problemi kendiliğinden çözer.
Adım 3 — Medyan ve çeyrek. \hat S(18)=0{,}55>0{,}5, \hat S(24)=0{,}483333\le0{,}5: medyan 24 ay. Gerçek medyan (18, 24] aralığındadır; NPMLE aralık içini belirlemez, MerQur ızgaradaki ilk noktayı yazar. Birinci çeyrek (\hat S\le0{,}75): \hat S(12)=0{,}633333, 12 ay.
Adım 4 — Bootstrap GA. 500 örnek, tohum 20260904:
| Ay | 3 | 6 | 12 | 18 | 24 | 36 |
|---|---|---|---|---|---|---|
| \hat S(t) | 0,9333 | 0,7833 | 0,6333 | 0,5500 | 0,4833 | 0,4333 |
| %95 GA alt | 0,8667 | 0,6746 | 0,5167 | 0,4333 | 0,3667 | 0,3167 |
| %95 GA üst | 0,9833 | 0,8833 | 0,7587 | 0,6667 | 0,6000 | 0,5500 |
Medyan GA'sı [18; —]: bootstrap örneklerinin %2,5'inden fazlasında eğri 0,5'e hiç inmez, üst sınır tanımsızdır. Birinci çeyreğin GA'sı [6; 16,575]: bootstrap yüzdelikleri de nokta kestirimiyle aynı kuralla (düzlükte orta nokta) bulunduğundan GA ucu iki ızgara noktasının arasına düşebilir.
Adım 5 — Evrelere göre eğriler.
| Evre | n | \hat S(6) | \hat S(12) | \hat S(18) | \hat S(36) | Medyan |
|---|---|---|---|---|---|---|
| medium | 19 | 0,8421 | 0,7368 | 0,6842 | 0,5789 | — |
| early | 23 | 0,7391 | 0,6522 | 0,5652 | 0,3478 | 24 |
| advanced | 18 | 0,7778 | 0,5000 | 0,3889 | 0,3889 | 15 |
Gruplar MerQur düzey sırasıyla dizilir: etiketler sayı içermediği ve sıra tanımlanmadığı için verideki ilk görülme sırası (medium, early, advanced) kullanılır.
İleri evrede \hat S(12) tam 0,5'tir ve 18. aya kadar düz kalır (bu grupta 12–18 arası nüks yoktur); orta nokta kuralıyla medyan (12+18)/2=15 ay. Orta evrede eğri 0,5'e inmez.
Şekil 134.1. Solda Turnbull NPMLE ve %95 bootstrap bandı (eksen üzerindeki şeritler en-iç aralıklar); sağda evrelere göre Turnbull eğrileri (Tıp #92).
Adım 6 — Genelleştirilmiş log-rank. Birleşik \hat S ile skorlar: 36. ayda sağ sansürlü hasta c=\ln0{,}433333=-0{,}836248; (12, 18] aralığındaki hasta
Grup toplamları (\bar c=0): U_{\text{medium}}=-4{,}201682, U_{\text{early}}=2{,}216550, U_{\text{advanced}}=1{,}985132; s^2=0{,}574996. \chi^2_2=2{,}368202, p=0{,}306021. Evreler arasında nükssüz sağkalım farkı anlamlı değildir. Orta evredeki negatif U, bu grupta beklenenden az nüks olduğunu gösterir.
Adım 7 — Weibull AFT (kovaryat stage, referans medium). Referans, MerQur düzey sırasının ilk düzeyidir; bu veride verideki ilk görülen düzey medium'dur.
| Terim | b | SH | TR | %95 GA (TR) |
|---|---|---|---|---|
| Sabit | 4,287054 | 0,463794 | 72,7518 | [29,3131; 180,5618] |
| early | −0,766047 | 0,553749 | 0,4648 | [0,1570; 1,3761] |
| advanced | −0,810114 | 0,586632 | 0,4448 | [0,1409; 1,4045] |
\hat\sigma=1{,}244223 (\rho=0{,}8037<1: azalan tehlike; nüks erken dönemde yoğun); \ell=-101{,}708506; AIC =211{,}417012. Log-normal (\ell=-99{,}973750, AIC 207,95) ve log-lojistik (\ell=-100{,}417925, AIC 208,84) daha küçük AIC verir: tehlike önce artıp sonra azalıyor olabilir.
Adım 8 — Yarı-parametrik PH. \hat\beta_{\text{early}}=0{,}584943 (SH 0,438641; HR 1,7949), \hat\beta_{\text{advanced}}=0{,}625453 (SH 0,466212; HR 1,8691, %95 GA [0,7495; 4,6609]); \ell=-97{,}748608; yedi en-iç aralığın yedisi de pozitif kütlelidir. İleri evrenin nüks tehlikesi orta evreninkinin yaklaşık 1,9 katı kestirilmiştir, ama anlamlı değildir (p=0{,}180).
134.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan alınmıştır; motor modülünde round yalnız bellekte etkisizleştirilmiş, log-rank istatistiği tam hassasiyetle motorun kendi fonksiyonundan okunmuştur. R: 4.5.3, interval (icfit(Lin = FALSE, Rin = TRUE), ictest(scores = "logrank2", method = "pclt")), survival::survreg(type = "interval2"), icenReg::ic_sp(model = "ph"). Python başvurusu kendi Turnbull EM'i, kendi Finkelstein skoru, kendi aralık sansürlü olabilirlikleri (analitik gradyan) ve kendi yarı-parametrik PH ortak en çok olabilirliğidir. Yarı-parametrik PH'nin SH'si R'de bootstrap olduğundan R sütunu boştur.
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Kütle (q_1,\,p_1] | 0,066667 | 0,066667 | 0,066667 | 2,8e−17 | ✓ |
| Kütle (q_2,\,p_2] | 0,150000 | 0,150000 | 0,150000 | 2,8e−17 | ✓ |
| Kütle (q_3,\,p_3] | 0,150000 | 0,150000 | 0,150000 | 2,8e−17 | ✓ |
| Kütle (q_4,\,p_4] | 0,083333 | 0,083333 | 0,083333 | 4,2e−17 | ✓ |
| Kütle (q_5,\,p_5] | 0,066667 | 0,066667 | 0,066667 | 2,8e−17 | ✓ |
| Kütle (q_6,\,p_6] | 0,050000 | 0,050000 | 0,050000 | 6,9e−18 | ✓ |
| Kütle (q_7,\,p_7] | 0,433333 | 0,433333 | 0,433333 | 2,8e−16 | ✓ |
| \hat S(3) | 0,933333 | 0,933333 | 0,933333 | 3,3e−16 | ✓ |
| \hat S(6) | 0,783333 | 0,783333 | 0,783333 | 3,3e−16 | ✓ |
| \hat S(12) | 0,633333 | 0,633333 | 0,633333 | 3,3e−16 | ✓ |
| \hat S(18) | 0,550000 | 0,550000 | 0,550000 | 1,1e−16 | ✓ |
| \hat S(24) | 0,483333 | 0,483333 | 0,483333 | 2,8e−16 | ✓ |
| \hat S(36) | 0,433333 | 0,433333 | 0,433333 | 2,8e−16 | ✓ |
| Medyan (tümü) | 24 | 24 | — | 0,0e+00 | ✓ |
| Gen. log-rank \chi^2_2 (Finkelstein) | 2,368202 | 2,368202 | 2,368202 | 4,4e−15 | ✓ |
| Gen. log-rank p | 0,306021 | 0,306021 | 0,306021 | 5,6e−16 | ✓ |
| Weibull AFT: b sabit | 4,287054 | 4,287054 | 4,287054 | 4,4e−15 | ✓ |
| Weibull AFT: SH sabit | 0,463794 | 0,463794 | 0,463794 | 1,3e−10 | ✓ |
| Weibull AFT: b stage early | −0,766047 | −0,766047 | −0,766047 | 1,8e−15 | ✓ |
| Weibull AFT: SH stage early | 0,553749 | 0,553749 | 0,553749 | 5,8e−11 | ✓ |
| Weibull AFT: b stage advanced | −0,810114 | −0,810114 | −0,810114 | 1,1e−15 | ✓ |
| Weibull AFT: SH stage advanced | 0,586632 | 0,586632 | 0,586632 | 3,4e−11 | ✓ |
| Weibull AFT: ölçek \sigma | 1,244223 | 1,244223 | 1,244223 | 2,0e−15 | ✓ |
| Weibull AFT: \ell | −101,708506 | −101,708506 | −101,708506 | 4,1e−13 | ✓ |
| Weibull AFT: AIC | 211,417012 | 211,417012 | 211,417012 | 1,7e−13 | ✓ |
| Yarı-parametrik PH: b stage early | 0,584943 | 0,584943 | 0,584942 | 6,5e−07 | ✓ |
| Yarı-parametrik PH: SH stage early | 0,438641 | 0,438641 | — | 2,4e−08 | ✓ |
| Yarı-parametrik PH: b stage advanced | 0,625453 | 0,625453 | 0,625452 | 6,1e−07 | ✓ |
| Yarı-parametrik PH: SH stage advanced | 0,466212 | 0,466212 | — | 2,6e−08 | ✓ |
| Yarı-parametrik PH: \ell | −97,748608 | −97,748608 | −97,748608 | 1,2e−11 | ✓ |
Ek çalıştırmalar:
Öteki AFT dağılımları (R: survreg, type = "interval2")
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Log-normal: b sabit | 3,726401 | 3,726401 | 3,726401 | 4,2e−12 | ✓ |
| Log-normal: SH sabit | 0,436334 | 0,436334 | 0,436334 | 4,5e−11 | ✓ |
| Log-normal: b stage early | −0,652032 | −0,652032 | −0,652032 | 2,9e−12 | ✓ |
| Log-normal: SH stage early | 0,550204 | 0,550204 | 0,550204 | 1,1e−11 | ✓ |
| Log-normal: b stage advanced | −0,832203 | −0,832203 | −0,832203 | 2,4e−12 | ✓ |
| Log-normal: SH stage advanced | 0,584127 | 0,584127 | 0,584127 | 1,2e−11 | ✓ |
| Log-normal: ölçek \sigma | 1,590628 | 1,590628 | 1,590628 | 1,9e−12 | ✓ |
| Log-normal: \ell | −99,973750 | −99,973750 | −99,973750 | 1,4e−14 | ✓ |
| Log-lojistik: b sabit | 3,759548 | 3,759548 | 3,759548 | 2,7e−15 | ✓ |
| Log-lojistik: SH sabit | 0,444540 | 0,444540 | 0,444540 | 1,8e−11 | ✓ |
| Log-lojistik: b stage early | −0,718958 | −0,718958 | −0,718958 | 1,4e−15 | ✓ |
| Log-lojistik: SH stage early | 0,560684 | 0,560684 | 0,560684 | 9,8e−11 | ✓ |
| Log-lojistik: b stage advanced | −0,919559 | −0,919559 | −0,919559 | 8,9e−16 | ✓ |
| Log-lojistik: SH stage advanced | 0,598827 | 0,598827 | 0,598827 | 1,3e−10 | ✓ |
| Log-lojistik: ölçek \sigma | 0,961560 | 0,961560 | 0,961560 | 4,4e−16 | ✓ |
| Log-lojistik: \ell | −100,417925 | −100,417925 | −100,417925 | 4,1e−13 | ✓ |
Evre gruplarında Turnbull eğrileri (her grup kendi ızgarasında; R sütunu boş)
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| medium: \hat S(6) | 0,842105 | 0,842105 | — | 0,0e+00 | ✓ |
| medium: \hat S(12) | 0,736842 | 0,736842 | — | 1,1e−16 | ✓ |
| medium: \hat S(18) | 0,684211 | 0,684211 | — | 1,1e−16 | ✓ |
| medium: \hat S(24) | 0,631579 | 0,631579 | — | 0,0e+00 | ✓ |
| early: \hat S(6) | 0,739130 | 0,739130 | — | 1,1e−16 | ✓ |
| early: \hat S(12) | 0,652174 | 0,652174 | — | 1,1e−16 | ✓ |
| early: \hat S(18) | 0,565217 | 0,565217 | — | 2,2e−16 | ✓ |
| early: \hat S(24) | 0,434783 | 0,434783 | — | 1,7e−16 | ✓ |
| early: medyan | 24 | 24 | — | 0,0e+00 | ✓ |
| advanced: \hat S(6) | 0,777778 | 0,777778 | — | 1,1e−16 | ✓ |
| advanced: \hat S(12) | 0,500000 | 0,500000 | — | 0,0e+00 | ✓ |
| advanced: \hat S(18) | 0,388889 | 0,388889 | — | 0,0e+00 | ✓ |
| advanced: medyan | 15 | 15 | — | 0,0e+00 | ✓ |
Yüzdelik bootstrap GA (B = 500, tohum 20260904): R sütununda MerQur'un ikinci çalıştırması; Python aynı tohum ve yeniden örnekleme düzeniyle kendi Turnbull EM'iyle
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| %95 GA alt S(3) | 0,866667 | 0,866667 | 0,866667 | 0,0e+00 | ✓ |
| %95 GA üst S(3) | 0,983333 | 0,983333 | 0,983333 | 0,0e+00 | ✓ |
| %95 GA alt S(6) | 0,674583 | 0,674583 | 0,674583 | 0,0e+00 | ✓ |
| %95 GA üst S(6) | 0,883333 | 0,883333 | 0,883333 | 0,0e+00 | ✓ |
| %95 GA alt S(12) | 0,516667 | 0,516667 | 0,516667 | 0,0e+00 | ✓ |
| %95 GA üst S(12) | 0,758750 | 0,758750 | 0,758750 | 0,0e+00 | ✓ |
| %95 GA alt S(18) | 0,433333 | 0,433333 | 0,433333 | 0,0e+00 | ✓ |
| %95 GA üst S(18) | 0,666667 | 0,666667 | 0,666667 | 0,0e+00 | ✓ |
| %95 GA alt S(24) | 0,366667 | 0,366667 | 0,366667 | 0,0e+00 | ✓ |
| %95 GA üst S(24) | 0,600000 | 0,600000 | 0,600000 | 0,0e+00 | ✓ |
| %95 GA alt S(36) | 0,316667 | 0,316667 | 0,316667 | 0,0e+00 | ✓ |
| %95 GA üst S(36) | 0,550000 | 0,550000 | 0,550000 | 0,0e+00 | ✓ |
71 değerin tamamı 10^{-6} ölçütüyle eşleşir. Bootstrap GA'larında Python aynı tohumla aynı yeniden örnekleme düzenini kendi Turnbull EM'iyle uygulamış ve MerQur'un iki ayrı çalıştırmasıyla birebir aynı sınırları vermiştir.
134.7 Çıktıyı okuma
Sonuç metni (grup ve Turnbull tablosu açık; kısaltılmış, olduğu gibi):
Aralık Sansürlü Sağkalım
N (gözlem) = 60
Olay sayısı = 34
Sansürlü = 26
Tam ölçüm = 0
Sol-sansürlü = 4
Sağ-sansürlü = 26
Aralıklı = 30
Medyan sağkalım = 24.0000
Medyan sağkalım [medium] = —
Medyan sağkalım [early] = 24.0000
Medyan sağkalım [advanced] = 15.0000
Gen. log-rank = χ²(2) = 2.3682, p = 0.306
── Sağkalım Eğrisi (tüm 7 zaman noktası) ──
zaman S(t) GA alt GA üst
0.0 1.0000 1.0000 1.0000
3.0 0.9333 0.8667 0.9833
12.0 0.6333 0.5167 0.7587
24.0 0.4833 0.3667 0.6000
36.0 0.4333 0.3167 0.5500
── Medyan ve çeyrek sağkalım süreleri (%95 bootstrap GA) ──
Grup Yüzdelik Kestirim %95 GA alt %95 GA üst
(tümü) 25 12.0000 6.0000 16.5750
(tümü) 50 24.0000 18.0000 —
── Turnbull en-iç aralıkları ve NPMLE olasılık kütleleri (7 aralık) ──
Alt Üst Aralık Olasılık S(üst)
0 3.0000 (0, 3] 0.06667 0.9333
12.0000 18.0000 (12, 18] 0.08333 0.5500
36.0000 ∞ (36, ∞) 0.4333 0
| Satır/Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Olay sayısı / Sansürlü | Olay = tam + sol + aralık; sansürlü = sağ sansür. | Sol ve aralık sansürlüler olay yaşamıştır, yalnız zamanı belirsizdir. |
| Tam ölçüm, Sol-, Sağ-sansürlü, Aralıklı | Gözlem türleri (:1581–1587). |
Kodlamanın beklendiği gibi okunduğunu denetleyin. |
| Medyan sağkalım | \hat S\le0{,}5 olan ilk ızgara zamanı; düzlükte orta nokta. | Gerçek medyan bir en-iç aralıktadır; "en geç" kestirim olarak okunmalıdır. |
| Gen. log-rank | Finkelstein skoru, permütasyon varyansı. | H_0: gruplar aynı sağkalım dağılımından. |
| Sağkalım eğrisi | Izgarada \hat S ve bootstrap GA. | GA her zaman noktasında ayrı (noktasal) GA'dır, bant değildir. |
| Yüzdelik tablosu | %25, %50, %75 yüzdelikler ve GA. | "—": eğri o düzeye inmiyor ya da GA ucu tanımsız. |
| Turnbull tablosu | Pozitif kütleli en-iç aralıklar, kütle ve \hat S(üst). | Kütlenin aralık içinde nerede olduğu bilinmez. |
| Notlar | Bootstrap tohumu (20260904) ve yüzdelik kuralı: gerçek yüzdelik, bulunan ızgara noktasından önceki en-iç aralıktadır. | Yüzdelik kestirimi aralık olarak okunur. |
| AFT regresyon tablosu | Katsayı, SH, z, p, TR ve GA; başlıkta ölçek, logL, AIC. | Bölüm 130'daki gibi yorumlanır. |
| Yarı-parametrik PH tablosu | Katsayı, SH, HR ve GA; başlıkta logL ve kütle sayısı. | Cox HR'si gibi yorumlanır. |
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
Nüks, 3, 6, 12, 18, 24 ve 36. ay kontrollerinde saptandığından olay zamanları aralık sansürlü kabul edildi (60 hasta; 34 nüks: 4 sol, 30 aralık sansürlü; 26 hasta 36. ayda nükssüz). Turnbull en çok olabilirlik kestiricisine göre 12 aylık nükssüz sağkalım %63,3 (%95 bootstrap GA %51,7–75,9), 24 aylık %48,3 (%36,7–60,0) idi; medyan nükssüz süre (18, 24] ay aralığındaydı. Evreler arasında nükssüz sağkalım farklı değildi (Finkelstein genelleştirilmiş log-rank testi, \chi^2(2) = 2,37, p = 0,31). Yarı-parametrik orantılı tehlike modelinde ileri evrenin nüks tehlikesi orta evreye göre yüksek kestirildi, ancak fark anlamlı değildi (HR = 1,87; %95 GA [0,75; 4,66]; p = 0,18).
134.8 Uzman soruları
S1. Turnbull eğrisi neden basamaklı ve basamaklar neden muayene zamanlarında?
Olasılık kütlesi yalnız en-iç aralıklara düşer (134.5.1); kütlenin aralık içinde nasıl dağıldığı belirsizdir. MerQur \hat S'yi verideki sınır değerlerinde gösterir ve aralık içinde değeri sabit çizer. Bu bir varsayım değil gösterim tercihidir; R icfit grafikleri belirsiz bölgeyi gri kutularla gösterir.
S2. Medyan neden 24 ay? Aralığın ortası 21 değil mi?
NPMLE, (18, 24] içinde \hat S'nin nasıl düştüğünü belirlemez; 0,5 eşiğinin aşıldığı kesin olarak bilinen ilk nokta 24'tür. MerQur bu "en geç" değeri yazar ve tam 0,5'te düzlük varsa orta nokta kuralını uygular (_ic_qtime). Orta nokta yerine koymak (21) ek bir varsayımdır. Raporda medyanın içinde bulunduğu aralığı da yazmak doğrusudur.
S3. Genelleştirilmiş log-rank hangi test? R'de birden çok seçenek var.
MerQur Finkelstein (1986) skorunu ve permütasyon merkezi limit yaklaşımını kullanır: R ictest(scores = "logrank2", method = "pclt"). R ictest'in varsayılan skoru logrank1 (Fay ve Shaw, 2010) ise Tıp örneğinde \chi^2_2=2{,}355 verir (MerQur 2,368). İki skor sağ sansürlü veride aynı log-rank testine iner; aralık sansürde küçük farklılık gösterir. Kesin permütasyon (method = "exact.mc") MerQur'da yoktur.
S4. Bootstrap tohumu neden değiştirilemiyor? Sonuç tohuma bağlı mı?
Tohum koda sabitlenmiştir (:976) ve çıktı notunda yazılır; aynı veri aynı GA'yı verir ve sonuçlar yeniden üretilebilir. B=500 ile yüzdelik GA uçlarının Monte Carlo hatası 10^{-2} düzeyindedir; farklı bir tohum GA uçlarını bu düzeyde değiştirir. Doğrulamada iki çalıştırma birebir aynıdır (134.6.1).
S5. Tam gözlem (L=R) ve sağ sansürlü veri birlikte olabilir mi?
Evet; aynı veri setinde dört tür birlikte bulunabilir. Tam gözlemler kaydırılmaz ve en-iç aralık tek noktadır ([t,t]). Tüm gözlemler tam ya da sağ sansürlüyse Turnbull eğrisi Kaplan–Meier'e eşittir.
S6. Parametrik model ile yarı-parametrik PH arasında nasıl seçim yapılır?
Parametrik AFT, az sayıda parametreyle düzgün bir eğri ve süre ölçeğinde yorum verir; dağılım yanlışsa yanlıdır. Yarı-parametrik PH temel sağkalımı serbest bırakır, HR verir; az olay ve çok en-iç aralık varsa kararsızlaşabilir. Tıp örneğinde iki model aynı yönü gösterir (orta evre daha iyi; ileri evre için AFT TR 0,44, PH HR 1,87).
S7. Yarı-parametrik PH'de katsayı "—" çıkıyor. Neden?
Bir kategoride tüm gözlemler aynı uçta (ör. hiç nüks yok) ise olabilirlik katsayı \pm\infty'a giderken artmaya devam eder; ML kestirimi sonlu değildir. MerQur katsayı 5'i aşınca profil olabilirliği sınar, artış sürüyorsa katsayıyı tanımsız sayar ve uyarı yazar (:1474–1501). Çözüm kategorileri birleştirmek ya da modeli sadeleştirmektir.
S8. Sol sansür nasıl kodlanır?
Alt sınır 0 yazılır; alt sınırı boş bırakılan satır analizden çıkar. Negatif alt sınır 0'a çekilir (:1023–1025). Sol sansürlü hasta, ilk muayenede olayı zaten yaşamıştır; olay sayısına girer.
134.9 Sık hatalar ve tuzaklar
- Sağ sansürü sonlu bir sayıyla kodlamak. Üst sınır boş bırakılmalı ya da \infty yazılmalıdır; "en büyük + 1" gibi bir sayı gözlemi olaya çevirir. Çıktıdaki "Sağ-sansürlü" sayısı beklenenle karşılaştırılmalıdır.
- Üst sınıra son muayene zamanını yazmak. Olay görülmediyse son muayene alt sınırdır.
- Orta nokta yerine koyup KM kurmak. Geniş aralıklarda yanlıdır, GA'lar dar çıkar.
- Medyanı kesin bir sayı sanmak. Medyan bir en-iç aralıktadır; MerQur "en geç" ızgara değerini yazar.
- Bootstrap GA'sını eşzamanlı bant sanmak. Her zaman noktasının GA'sı ayrıdır.
- Regresyon modeli "Yok" iken kovaryatların etkili olduğunu sanmak. Bu durumda kovaryatlar yok sayılır ve uyarı yazılır.
- R
ictestvarsayılanıyla karşılaştırıp fark bulmak. MerQurlogrank2(Finkelstein) kullanır; R varsayılanılogrank1'dir.
134.10 Kaynaklar
- Anderson-Bergman, C. (2017). icenReg: Regression models for interval censored data in R. Journal of Statistical Software, 81(12). https://doi.org/10.18637/jss.v081.i12
- Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. https://doi.org/10.1214/aos/1176344552
- Fay, M. P., & Shaw, P. A. (2010). Exact and asymptotic weighted logrank tests for interval censored data: The interval R package. Journal of Statistical Software, 36(2). https://doi.org/10.18637/jss.v036.i02
- Finkelstein, D. M. (1986). A proportional hazards model for interval-censored failure time data. Biometrics, 42(4), 845–854. https://doi.org/10.2307/2530698
- Peto, R. (1973). Experimental survival curves for interval-censored data. Applied Statistics, 22(1), 86–91. https://doi.org/10.2307/2346307
- Sun, J. (2006). The statistical analysis of interval-censored failure time data. Springer. https://doi.org/10.1007/0-387-37119-2
- Turnbull, B. W. (1976). The empirical distribution function with arbitrarily grouped, censored and truncated data. Journal of the Royal Statistical Society: Series B (Methodological), 38(3), 290–295. https://doi.org/10.1111/j.2517-6161.1976.tb01597.x