Колко време отнема до настъпване на събитие? (Каплан-Майер)

Накратко

Искате да знаете колко време минава, докато нещо се случи - например отпадане от следването или постигане на учебна цел - и дали групите се различават по това. Не всеки е преживял събитието, когато наблюдението свърши: те са цензурирани. Каплан-Майер ги използва също и показва със стъпаловидна крива какъв дял още не е преживял събитието във всеки момент.

Как изглежда таблицата

Един ред за всеки човек. Нужна ви е колоната с времето (число: семестри, дни, седмици - до събитието или до края на наблюдението) и колона, която казва дали събитието е настъпило (две стойности, например 0 и 1). По избор: колона с групите (от 2 до 8). Statable предлага коя стойност е събитието; можете да я смените.

Ако колоната със събитието има само една стойност, контролният списък казва как Statable я чете. Ако всички са преживели събитието (например само 1), това е валиден случай без цензуриране: Statable изчислява кривата, медианата и интервала както survfit в R. Ако всички са цензурирани (например само 0), за никого не е настъпило нищо - кривата би останала на 100% и няма какво да се оценява.

Прочитане на резултата

• Кривата започва от 1 и пада при всяко събитие. Вертикалните черти са цензурирани хора. Под диаграмата е броят в риск; където е малък, кривата е несигурна.
• Медианното време е моментът, в който кривата пада до 50%. Ако никога не пада под него, се показва „не е достигнато“; тогава помагат дяловете в зададени моменти.
• Лог-ранг критерият проверява дали кривите на групите са еднакви. Той казва дали се показва разлика, но не и колко голяма е тя.

Изисквания и ограничения

• Напускането на наблюдението не трябва да е свързано с риска (неинформативно цензуриране). Statable не може да провери това.
• Емпирично правило: поне 10 събития на група. При по-малко Statable показва бележка.
• Ако кривите се пресичат, лог-ранг критерият лесно пропуска разлика. Statable го отбелязва.
• Всички имат една и съща начална точка (например началото на следването). Няколко събития на човек или конкуриращи се събития тук не са възможни.

Ако няколко характеристики трябва да действат едновременно върху времето до събитие (time to event) (група, възраст, предишно постижение), „Още опции“ предлага регресията на Кокс (Cox regression) със съотношения на рисковете. Тя се изчислява в R и е описана в статията „Регресия на Кокс“.

Лог-ранг: χ²(1) = 3,40, p = ,065; Mdn (с поддръжка) = 31, 95% ДИ [18; -]; Mdn (без поддръжка) = 23, 95% ДИ [8; -]; 23 души, 18 събития; - = не е достигнато

За специалисти

Собствен код, проверен спрямо R (survival 3.8: survfit с conf.type = „log“, summary с times, survdiff с rho = 0; данни aml и lung). Оценка по метода на произведението (product-limit), стандартна грешка по Гринууд, интервал в логаритмична скала (най-много 1). Медиана и граници както в print(survfit): първото време, при което кривата е под 50%; ако е точно на 50%, средата до следващата стъпка. Лог-ранг критерий по Мантел-Кокс с ковариация от хипергеометричното разпределение, df = групи − 1; по двойки - по един критерий с df = 1, Холм. Претеглени варианти (Бреслоу, Тароне-Уеър, Пето-Пето) и регресия на Кокс (Cox regression) Statable не предлага.

Типични примери

• Време до отпадане от следването; тези, които още следват, са цензурирани.
• Време до връщане на работа след заболяване.