Upload
atira
View
132
Download
0
Embed Size (px)
DESCRIPTION
Analiza preživljenja. CILJEVI. Što je analiza preživljenja? Kada se koristi analiza preživljenja? Usporedba uzoraka: Univariat na met oda : Kaplan-Meier ova krivulja Log – rank test Multivariat ne metode : Cox ova regresija. Analiza preživljenja – modelI “vrijeme do događaja”. - PowerPoint PPT Presentation
Citation preview
Što je analiza preživljenja? Kada se koristi analiza preživljenja? Usporedba uzoraka:
Univariatna metoda: Kaplan-Meierova krivulja Log – rank test
Multivariatne metode: Coxova regresija
Vrijeme do pojave smrti
Vrijeme remisije nakon terapije ili pojave primarne bolesti
Recidivi nakon terapije ovisnosti
Događaj može biti nastanak ili nestanak nečega
Krivuljom preživljenja S(t) u točki t definira se vjerojatnost da će se ispitanik preživjeti dulje od vremena t.
Sve populacijske krivulje preživljenja počinju s 1 (100%) u vremenu 0, kada su svi ispitanici koji su ušli u studiju bili živi te padaju na 0 kako ispitanici umiru tijekom vremena. U vremenu u kojem je 50% populacije umrlo određujemo median preživljenja.
Može usporediti preživljenja između dvaju i više uzoraka
Ispituje odnose između važnih čimbenika i vremena preživljenja
Vrijeme do kardiovaskularnog ‘događaja’
Je li nova terapija s patch-om nikotina bolja od uobičajene terapije kod odvikavanja od pušenja?
Kako to ispitati?
1. Provesti studiju pomoću dvije skupine pušača, od kojih je jedna skupinadobila uobičajenu terapiju, a druga eksperimentalnu terapiju.
2. Izračun frekvencija?
2a. U kojoj točki gledati – nakon 3 mjeseca, 6 mjeseci, 9?
??
Ovisnost o vremenu Cenzurirani podatci
Vrijeme (kalendarsko)
Vrijeme (od ulaska u studiju)
a) Događaj se nije zbio za vrijeme trajanja studije
b) Izgubljen trag o ispitaniku prije kraja studije
c) Sudionici ne mogu dalje sudjelovati u studiji zbog razloga nevezanih uz studiju
Izrada tablice preživljenja na temelju podataka omogućuje usporedbu ukupne apstinencijske stope između dvije grupe kako bi se utvrdilo predstavlja li eksperimentalna terapija poboljšanje u odnosu na tradicionalne terapije.
Krivuljom preživljenja vizualizuraju se ti podatci…
Sirovi podatci:
Ispitanik
Vrijeme do pojave recidiva
Mate M 2Ante A 2+Dario K 4
Urediti sirove podatke – tablica preživljenja
Ispitanik
Vrijeme do pojave recidiva - interval
Broj nepušača na početku intervala, ni
Broj recidivista na kraju intervala, di
Postotak smrtnosti q
d/(n-cens/2)
Postotak preživljenja 1-q
(n-d-cens/2)/nMate M 2 7 1 15,38% 84,62%Ante A 2+ Dario K 4 5 1 20,00% 80,00%Ljija N 6 4 1 25,00% 75,00%Tamara S 7 3 1 33,33% 66,67%Sandra LJ i Mile Ž 9 2 0 0,00% 100,00%
Ukupno ispitanika 7
Broj nepušača
Broj recidivista
Kako preciznije odrediti krivulju preživljenja S(t)?
Kako preciznije odrediti funkciju rizika S(t)?
Ispitanik
Vrijeme do
pojave recidiva - interval
Broj nepušača
do početka
intervala, ni
Broj recidivista na kraju
intervala, di
Postotak preživljenj
a
Kumulativna vjerojatnost
preživljenja PMate M 2 7 1 84,62% 84,62%Ante A 2+ Dario K 4 5 1 80,00% 67,69%Ljija N 6 4 1 75,00% 50,77%Tamara S 7 3 1 66,67% 33,85%Sandra LJ i Mile Ž 9 2 0 100,00% 33,85%
=84,62%
=84,62%*80,00%= 84,62%*80,00%*75,00%
i=1..j
S(tj)=∏(ni-1-di-ceni/2)/ni-1 i
Broj nepušača
Broj recidivista
Broj nepušača
Broj recidivista
?
Median preživljenja Standardna greška Intervali pouzdanosti
Zašto preživljenje? Primjer
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0 100 200 300 400 500 600 700 800 900
Days Since Index Hospitalization
WarfASA
No Rx
Age 76 Years and Older (N = 394)
Statistički testovi Jedan faktor: Log –rank testViše faktora: Coxova regresija
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0 100 200 300 400 500 600 700 800 900
Days Since Index Hospitalization
WarfASA
No Rx
Age 76 Years and Older (N = 394)
Pitanja?
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0 100 200 300 400 500 600 700 800 900
Days Since Index Hospitalization
WarfASA
No Rx
Age 76 Years and Older (N = 394)
Time to Cardiovascular Adverse Event in VIGOR Trial
Statistički testovi Jedan faktor: Log –rank testViše faktora: Coxova regresija
Technique Predictor Variables
Outcome Variable
Censoring permitted?
Linear Regression
Categorical or continuous
Normally distributed
No
Logistic Regression
Categorical or continuous
Binary (except in polytomous log.
regression)
No
Survival Analyses
Time and categorical or
continuous
Binary Yes
Technique Mathematicalmodel
Yields
LinearRegression
Y=B1X + Bo(linear)
Linear changes
LogisticRegression
Ln(P/1-P)=B1X+Bo(sigmoidal prob.)
Odds ratios
SurvivalAnalyses
h(t) =ho(t)exp(B1X+Bo)
Hazard rates