Kalkulator Gratis Editverse
Kalkulator Kelangsungan Hidup Kaplan-Meier
Perkirakan kelangsungan hidup dari waktu ke waktu dari data dengan penyensoran — dengan kurva Kaplan-Meier, median kelangsungan hidup, dan perintah R yang dapat direproduksi. Baca panduan interpretasi lengkap di bawah ini. Divalidasi terhadap R 4.3.3.
Dalam Kata Sederhana
Estimator Kaplan -Meier memetakan probabilitas "bertahan hidup" melewati setiap titik waktu, di mana peristiwa tersebut dapat berupa kematian, kekambuhan, kegagalan alat, atau hasil satu kali lainnya. Keunggulan utamanya adalah kemampuannya menangani pengamatan yang terhenti (censoring ): subjek yang meninggalkan studi lebih awal atau belum mengalami peristiwa tersebut hingga akhir studi tetap berkontribusi pada waktu pengamatan mereka, alih-alih diabaikan.
Hasilnya adalah kurva menurun: setiap langkah menandai waktu terjadinya suatu peristiwa, dan tinggi kurva adalah perkiraan probabilitas untuk tetap bebas dari peristiwa hingga saat itu. Membaca waktu ketika kurva melewati 50% memberikan median kelangsungan hidup . Untuk membandingkan kurva dua kelompok, uji log-rank menanyakan apakah perbedaan di antara keduanya lebih besar daripada yang diizinkan oleh peluang.
Kapan Menggunakan Kaplan-Meier?
Gunakan kurva ini untuk data waktu hingga kejadian , terutama ketika tindak lanjut tidak lengkap — ciri khas studi kelangsungan hidup. Kurva ini menjawab pertanyaan seperti berapa lama pasien tetap bebas dari perkembangan penyakit, atau bagaimana perbandingan dua pengobatan dalam hal waktu hingga hasil akhir. Pasangkan kurva ini dengan uji log-rank untuk perbandingan kelompok dan laporkan jumlah pasien yang berisiko di bawah grafik.
Kaplan-Meier menggambarkan kelangsungan hidup dan membandingkan kelompok, tetapi tidak dapat menyesuaikan variabel lain. Untuk memperkirakan efek suatu pengobatan sambil mengendalikan faktor perancu, gunakan model Cox proportional-hazards dan laporkan rasio hazard dengan interval kepercayaan 95% . Periksa asumsi proportional-hazards sebelum mengandalkan satu rasio hazard saja. Tidak yakin apakah analisis kelangsungan hidup adalah yang Anda butuhkan? Pemilih Tes interaktif kami dapat membantu.
Diharapkan: satu baris per catatan, waktu, kejadian (1=kejadian, 0=disensor)[, grup]
Seret file CSV di sini atau klik untuk memilih. Diproses di browser Anda: tidak ada yang diunggah.
Diharapkan: satu baris per catatan, waktu, kejadian (1=kejadian, 0=disensor)[, grup]
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)Buku petunjuk
Kapan digunakan. Perkirakan probabilitas bertahan hidup dari waktu ke waktu berdasarkan data waktu kejadian yang disensor, dan bandingkan kelompok dengan uji log-rank.
Asumsi. Penyensoran bersifat non-informatif; waktu bertahan hidup diukur dari titik asal yang sama.
Kesalahan umum. Jangan memperlakukan subjek yang disensor sebagai subjek tanpa kejadian pada akhirnya: metode ini sudah memperhitungkannya.
Contoh yang dikerjakan
Klik Muat data contoh di atas, lalu Jalankan Analisis untuk melihat hasil lengkap dengan angka, rumus, dan interpretasi untuk pengujian ini.
Referensi
- Kaplan EL, Meier P. Estimasi nonparametrik dari observasi tidak lengkap. J Am Stat Assoc. 1958;53:457-481.
Contoh yang berhasil
Contoh 1 — Membaca median kelangsungan hidup
Masukkan waktu kejadian dengan flag status (1 = kejadian, 0 = disensor). Kurva akan menurun pada setiap kejadian dan tetap datar di antara kejadian tersebut. Titik di mana kurva pertama kali turun ke 0.5 adalah waktu bertahan hidup median. Jika kurva tidak pernah mencapai 0.5 selama masa tindak lanjut, mediannya adalah "belum tercapai" — laporkan hal itu daripada melakukan ekstrapolasi.
Contoh 2 — Membandingkan dua kelompok
Dengan adanya kelompok perlakuan dan kelompok kontrol, dua kurva diplot bersama dan uji log-rank membandingkannya di seluruh periode tindak lanjut. Nilai p yang kecil menunjukkan pengalaman bertahan hidup berbeda; pasangkan dengan rasio hazard dari model Cox untuk mengukur besarnya perbedaan tersebut.
Asumsi yang Perlu Diperiksa
Penyensoran non-informatif. Alasan subjek disensor harus tidak terkait dengan prognosis mereka. Jika pasien yang lebih sakit cenderung keluar dari penelitian, estimasi tersebut akan bias.
Definisi kejadian dan waktu mulai yang konsisten. Setiap orang harus dipantau dari titik awal yang sebanding (misalnya, diagnosis atau pengacakan) dengan definisi kejadian yang sama.
Risiko proporsional untuk uji log-rank. Uji log-rank paling ampuh ketika rasio risiko kira-kira konstan sepanjang waktu. Kurva yang saling bersilangan secara kuat melanggar hal ini dan memerlukan alternatif.
Kesalahan Umum
Mengabaikan sensor
Memperlakukan subjek yang disensor sebagai bebas kejadian atau menghapusnya sepenuhnya akan membiaskan estimasi kelangsungan hidup. Metode Kaplan-Meier ada justru untuk menggunakan informasi parsial mereka dengan benar.
Terlalu memperhatikan bagian ekor kurva.
Seiring bertambahnya masa tindak lanjut, hanya sedikit subjek yang tetap berisiko dan kurva menjadi tidak stabil. Langkah lebar di ujung kanan tidak pasti; selalu tunjukkan jumlah yang berisiko.
Menggunakan log-rank ketika kurva berpotongan
Persilangan kurva kelangsungan hidup melanggar prinsip proporsionalitas risiko dan dapat menyebabkan uji log-rank melewatkan perbedaan yang sebenarnya. Pertimbangkan uji Renyi atau uji berbobot sebagai gantinya.
Melaporkan hanya nilai p
Nilai p log-rank menunjukkan apakah kelompok-kelompok tersebut berbeda, bukan seberapa besar perbedaannya. Tambahkan rasio hazard dengan interval kepercayaannya untuk mengetahui besarnya perbedaan tersebut.
Pertanyaan yang Sering Diajukan
Apa yang dimaksud dengan penyensoran?
Observasi yang disensor adalah observasi di mana peristiwa tersebut belum terjadi pada saat subjek terakhir kali diamati — karena studi berakhir atau kehilangan tindak lanjut. Mereka tetap berkontribusi pada waktu mereka berisiko.
Apa perbedaan antara Kaplan-Meier dan regresi Cox?
Kaplan-Meier memperkirakan dan membandingkan kurva kelangsungan hidup tetapi tidak dapat menyesuaikan variabel kovariat. Regresi Cox memodelkan hazard sambil menyesuaikan variabel lain dan menghasilkan rasio hazard.
Apa itu uji log-rank?
Ini adalah uji non-parametrik yang membandingkan seluruh pengalaman bertahan hidup dari dua kelompok atau lebih, dengan memberikan bobot pada kejadian di semua titik waktu.
Apakah hasilnya sesuai dengan SPSS, R, dan Stata?
Ya. Kalkulator ini menggunakan estimator product-limit standar dari paket survival dan menampilkan perintah R yang tepat sehingga Anda dapat mereproduksinya.
Kalkulator Terkait
Referensi
- Kaya JT, Neely JG, Paniello RC, dkk. Panduan praktis untuk memahami kurva Kaplan-Meier. Bedah Kepala Leher Otolaringologi. 2010;143(3):331–336. PMID 20723767.
- Dey T, Mukherjee A, Chakraborty S. Gambaran praktis dan strategi pelaporan untuk analisis statistik studi kelangsungan hidup. Dada. 2020;158(1S):S39–S48. PMID 32658651.
- Kaplan EL, Meier P. Estimasi nonparametrik dari observasi tidak lengkap. J Am Stat Assoc. 1958;53(282):457–481.
Apakah Anda Membutuhkan Analisis Ini untuk Manuskrip Anda?
Para ahli biostatistik PhD kami menjalankan analisis kelangsungan hidup Anda, menyesuaikan model Cox, memeriksa bahaya proporsional, dan menghasilkan grafik Kaplan-Meier yang siap dipublikasikan dengan keluaran R yang dapat direproduksi.