Hur lång tid tar det till en händelse? (Kaplan-Meier)

Kort sagt

Du vill veta hur lång tid det tar tills något inträffar - till exempel ett studieavbrott eller att ett inlärningsmål nås - och om grupper skiljer sig åt i detta. Inte alla har upplevt händelsen när observationen slutar: de är censurerade. Kaplan-Meier använder dem också och visar som en trappstegskurva hur stor andel som ännu inte har upplevt händelsen vid varje tidpunkt.

Så ser tabellen ut

En rad per person. Du behöver kolumnen med tiden (ett tal: terminer, dagar, veckor - fram till händelsen eller till slutet av observationen) och en kolumn som anger om händelsen inträffade (två värden, till exempel 0 och 1). Valfritt: en kolumn med grupperna (2 till 8). Statable föreslår vilket värde som är händelsen; du kan byta.

Om händelsekolumnen bara har ett värde anger checklistan hur Statable läser det. Om alla har upplevt händelsen (till exempel bara 1) är det ett giltigt fall utan censurering: Statable beräknar kurvan, medianen och intervallet som R survfit. Om alla är censurerade (till exempel bara 0) har inget inträffat för någon - kurvan skulle ligga kvar på 100 % och det finns inget att skatta.

Läsa resultatet

• Kurvan börjar på 1 och sjunker vid varje händelse. Lodräta streck är censurerade personer. Under diagrammet står antalet i riskmängd; där det är litet är kurvan osäker.
• Mediantiden är den punkt där kurvan faller till 50 %. Om den aldrig faller under visas ”inte nådd”; andelarna vid fasta tidpunkter hjälper då.
• Log-rank-testet kontrollerar om gruppernas kurvor är lika. Det visar om en skillnad syns, inte hur stor den är.

Förutsättningar och begränsningar

• Att en person lämnar observationen måste vara orelaterat till risken (icke-informativ censurering). Statable kan inte kontrollera detta.
• Tumregel: minst 10 händelser per grupp. Med färre visar Statable en anmärkning.
• Om kurvorna korsar varandra missar log-rank-testet lätt en skillnad. Statable rapporterar detta.
• Alla har samma startpunkt (till exempel studiestart). Flera händelser per person eller konkurrerande händelser är inte möjliga här.

Om flera egenskaper ska verka på tiden till händelsen samtidigt (grupp, ålder, tidigare prestation) erbjuder ”Fler alternativ” Cox-regressionen med hazardkvoter (hazard ratio). Den räknar med R och beskrivs i artikeln ”Cox-regression”.

Log-rank: χ²(1) = 3,40, p = ,065; Mdn (underhåll) = 31, 95 % KI [18, -]; Mdn (inget underhåll) = 23, 95 % KI [8, -]; 23 personer, 18 händelser; - = ej nådd

För specialister

Egen kod, kontrollerad mot R (survival 3.8: survfit med conf.type = "log", summary med times, survdiff med rho = 0; data aml och lung). Produktgränsestimator, Greenwoods standardfel, intervall på log-skalan (begränsat till 1). Median och gränser som i print(survfit): första tidpunkten då kurvan ligger under 50 %; ligger den exakt på 50 %, mittpunkten till nästa steg. Log-rank enligt Mantel-Cox med kovariansen från den hypergeometriska fördelningen, df = grupper − 1; parvis ett test vardera med df = 1, Holm. Viktade varianter (Breslow, Tarone-Ware, Peto-Peto) och Cox-regression erbjuds inte av Statable.

Typiska exempel

• Tid till studieavbrott; de som fortfarande studerar är censurerade.
• Tid till återgång i arbete efter en sjukdom.