آلة حاسبة مجانية من Editverse
حاسبة كابلان-ماير للبقاء على قيد الحياة
تقدير معدل البقاء على قيد الحياة بمرور الوقت من البيانات التي تحتوي على بيانات مراقبة - باستخدام منحنى كابلان-ماير، ومتوسط البقاء على قيد الحياة، وأمر R القابل للتكرار. اقرأ دليل التفسير الكامل أدناه. تم التحقق من صحة النتائج باستخدام R 4.3.3.
بكلمات بسيطة
يرسم مُقدِّر كابلان -ماير احتمالية "البقاء" بعد كل نقطة زمنية، حيث يمكن أن يكون الحدث وفاة، أو انتكاسة، أو عطل في الجهاز، أو أي نتيجة لمرة واحدة. وتكمن قوته الرئيسية في التعامل مع حالات الحذف : فالمشاركون الذين ينسحبون من الدراسة مبكرًا أو لم يتعرضوا للحدث بحلول النهاية يظلون ضمن فترة الملاحظة، بدلًا من استبعادهم.
والنتيجة هي منحنى تنازلي: كل خطوة فيه تُشير إلى وقت وقوع حدث ما، وارتفاع المنحنى هو الاحتمال المُقدَّر للبقاء دون وقوع الحدث حتى تلك اللحظة. وبقراءة الوقت الذي يتقاطع فيه المنحنى مع 50%، نحصل على متوسط البقاء . ولمقارنة منحنيات مجموعتين، يُستخدم اختبار لوغ رانك لمعرفة ما إذا كان الفرق بينهما أكبر مما تسمح به الصدفة.
متى يُستخدم كابلان-ماير
استخدم هذه الطريقة لبيانات الوقت حتى وقوع الحدث ، خاصةً عندما تكون المتابعة غير مكتملة - وهي السمة المميزة لدراسات البقاء على قيد الحياة. فهي تجيب على أسئلة مثل: كم من الوقت يبقى المرضى دون تطور المرض، أو كيف يقارن علاجان من حيث الوقت حتى الوصول إلى النتيجة المرجوة. اربط المنحنى باختبار لوغ رانك لمقارنة المجموعات، واذكر عدد المعرضين للخطر أسفل الرسم البياني.
يصف تحليل كابلان-ماير معدلات البقاء على قيد الحياة ويقارن بين المجموعات، ولكنه لا يُراعي المتغيرات الأخرى. لتقدير تأثير العلاج مع التحكم في العوامل المربكة، استخدم نموذج كوكس للمخاطر النسبية ، واعرض نسبة المخاطر مع فاصل الثقة 95%. تحقق من صحة افتراض المخاطر النسبية قبل الاعتماد على نسبة مخاطر واحدة. هل أنت غير متأكد من أن تحليل البقاء على قيد الحياة هو ما تحتاجه؟ يمكن أن يساعدك مُحدد الاختبارات التفاعلي لدينا.
المتوقع: صف واحد لكل سجل، الوقت، الحدث (1=حدث، 0=خاضع للرقابة)[، المجموعة]
أسقط ملف CSV هنا أو انقر للاختيار. تمت معالجته في متصفحك: لم يتم تحميل أي شيء.
المتوقع: صف واحد لكل سجل، الوقت، الحدث (1=حدث، 0=خاضع للرقابة)[، المجموعة]
library(survival) df <- read.csv(text = "time,event,group {km_csv}") fit <- survfit(Surv(time, event) ~ group, data = df) summary(fit); survdiff(Surv(time, event) ~ group, data = df)دليل المستخدم
متى يُستخدم؟ تقدير احتمالية البقاء على قيد الحياة بمرور الوقت من بيانات الوقت حتى الحدث الخاضعة للرقابة، ومقارنة المجموعات باستخدام اختبار الرتبة اللوغاريتمية.
الافتراضات. الرقابة غير مفيدة؛ يتم قياس أوقات البقاء على قيد الحياة من أصل مشترك.
أخطاء شائعة. لا تتعامل مع المواضيع الخاضعة للرقابة على أنها خالية من الأحداث في النهاية: فالطريقة تأخذها في الحسبان بالفعل.
مثال عملي
انقر فوق تحميل بيانات المثال أعلاه ثم تشغيل التحليل لرؤية نتيجة كاملة مع الشكل والصيغة والتفسير لهذا الاختبار.
مراجع حسابات
- كابلان إي إل، ماير بي. التقدير غير البارامتري من الملاحظات غير الكاملة. مجلة الجمعية الإحصائية الأمريكية. 1958؛53:457-481.
أمثلة عاملة
مثال 1 - قراءة متوسط البقاء على قيد الحياة
أدخل أوقات الأحداث مع تحديد الحالة (1 = حدث، 0 = خاضع للرقابة). ينخفض المنحنى تدريجيًا عند كل حدث ويبقى ثابتًا بينها. النقطة التي ينخفض عندها المنحنى لأول مرة إلى 0.5 هي متوسط وقت البقاء على قيد الحياة. إذا لم يصل المنحنى إلى 0.5 خلال فترة المتابعة، يُعتبر المتوسط "غير مُتحقق" - يُرجى الإبلاغ عن ذلك بدلًا من الاستقراء.
مثال 2 - مقارنة مجموعتين
باستخدام مجموعتي العلاج والمراقبة، يتم رسم منحنيين معًا، ويُقارن اختبار لوغ رانك بينهما خلال فترة المتابعة بأكملها. تشير قيمة p الصغيرة إلى اختلاف في معدل البقاء على قيد الحياة؛ ويتم ربطها بنسبة المخاطر من نموذج كوكس لتحديد حجم هذا الاختلاف.
الافتراضات التي يجب التحقق منها
الرقابة غير المُعلِمة. يجب ألا يكون سبب استبعاد شخص ما من الدراسة مرتبطًا بتوقعات سير المرض. إذا انسحب المرضى الأكثر خطورة بشكل تفضيلي، فإن التقدير يكون متحيزًا.
تعريف موحد للحدث ووقت بدء ثابت. يجب متابعة جميع الأفراد من مصدر مماثل (مثل التشخيص أو التوزيع العشوائي) باستخدام نفس تعريف الحدث.
المخاطر النسبية لاختبار الرتبة اللوغاريتمية. يكون اختبار الرتبة اللوغاريتمية أكثر فعالية عندما تكون نسبة المخاطر ثابتة تقريبًا بمرور الوقت. تُخالف المنحنيات المتقاطعة بشدة هذا الشرط، مما يستدعي البحث عن بدائل.
الأخطاء الشائعة
تجاهل الرقابة
إن اعتبار الأفراد الخاضعين للرقابة خاليين من الأحداث أو استبعادهم تمامًا يؤدي إلى تحيز في تقديرات البقاء على قيد الحياة. وقد وُجدت طريقة كابلان-ماير تحديدًا للاستفادة من معلوماتهم الجزئية بشكل صحيح.
المبالغة في قراءة ذيل المنحنى
مع ازدياد مدة المتابعة، يقل عدد الأفراد المعرضين للخطر ويصبح المنحنى غير مستقر. التغيرات الكبيرة في الطرف الأيمن غير مؤكدة؛ لذا يجب دائمًا إظهار عدد الأفراد المعرضين للخطر.
استخدام اختبار الرتبة اللوغاريتمية عند تقاطع المنحنيات
يؤدي تجاوز منحنيات البقاء إلى انتهاك مبدأ المخاطر النسبية، وقد يتسبب في عدم قدرة اختبار الرتبة اللوغاريتمية على رصد فرق حقيقي. لذا، يُنصح باستخدام اختبار ريني أو اختبار مُرجّح بدلاً من ذلك.
الإبلاغ عن قيمة p فقط
تُظهر قيمة p لاختبار الرتبة اللوغاريتمية ما إذا كانت المجموعات تختلف، وليس مقدار الاختلاف. أضف نسبة المخاطر مع فاصل الثقة الخاص بها لمعرفة حجم الاختلاف.
الأسئلة الشائعة
ماذا يعني الرقابة؟
تُعتبر الملاحظة الخاضعة للرقابة هي تلك التي لم يقع فيها الحدث بحلول وقت آخر ملاحظة للمشارك - إما بسبب انتهاء الدراسة أو فقدان المتابعة. ومع ذلك، لا يزال يُحتسب الوقت الذي كان فيه المشارك معرضًا للخطر.
ما الفرق بين تحليل كابلان-ماير وتحليل كوكس للانحدار؟
يُقدّر كابلان-ماير منحنيات البقاء ويقارنها، لكنه لا يستطيع ضبط المتغيرات المصاحبة. أما انحدار كوكس فيُنمذج المخاطر مع ضبط المتغيرات الأخرى، ويُعطي نسبة المخاطر.
ما هو اختبار رتبة السجل؟
إنه اختبار غير معلمي يقارن تجربة البقاء على قيد الحياة بأكملها لمجموعتين أو أكثر، مع ترجيح الأحداث عبر جميع النقاط الزمنية.
هل تتطابق النتيجة مع نتائج برامج SPSS وR وStata؟
نعم. تستخدم الآلة الحاسبة مقدر حد المنتج القياسي من حزمة البقاء على قيد الحياة، وتعرض أمر R الدقيق حتى تتمكن من إعادة إنتاجه.
الآلات الحاسبة ذات الصلة
مراجع حسابات
- ريتش جي تي، نيلي جي جي، بانييلو آر سي، وآخرون. دليل عملي لفهم منحنيات كابلان-ماير. جراحة الأذن والأنف والحنجرة والرقبة2010؛143(3):331–336. PMID 20723767.
- دي تي، موخيرجي إيه، تشاكرابورتي إس. نظرة عامة عملية واستراتيجيات إعداد التقارير للتحليل الإحصائي لدراسات البقاء على قيد الحياة. صدر. 2020؛158(1S):S39–S48. PMID 32658651.
- كابلان إل، ماير P. تقدير غير معلمي من الملاحظات غير المكتملة. مجلة الجمعية الإحصائية الأمريكية. 1958;53(282):457–481.
هل تحتاج إلى إجراء هذا التحليل لمخطوطتك؟
يقوم أخصائيو الإحصاء الحيوي الحاصلون على درجة الدكتوراه لدينا بإجراء تحليلات البقاء على قيد الحياة، وتطبيق نماذج كوكس، والتحقق من المخاطر النسبية، وتقديم أشكال كابلان-ماير الجاهزة للنشر مع مخرجات R قابلة للتكرار.