15.3
Überlebenskurven
Überlebenskurven sind grafische Darstellungen, die die Überlebenserfahrung einer Population im Laufe der Zeit zeigen und eine intuitive Möglichkeit bi…
Betrachten Sie ein Diagramm der kumulativen Sterbewahrscheinlichkeit, dargestellt als Alter auf der X-Achse im Vergleich zum Anteil der Toten auf der Y-Achse für ein bestimmtes Jahr.
Dies kann als Gleichung ausgedrückt werden, wobei die kumulative Verteilungsfunktion F(t) das Verhältnis der Anzahl der bis zum Zeitpunkt t toten Menschen zur Gesamtzahl der beobachteten Menschen ist.
Da nicht alle Mitglieder der Population bis zum Tod beobachtet werden, kann diese Kurve das Überleben nicht abschätzen.
Die Überlebensfunktion oder Überlebenskurve – S(t) – ist also der Anteil oder Prozentsatz der Menschen, die bis zum Zeitpunkt t oder darüber hinaus leben. Sie wird wie folgt ausgedrückt.
Die Überlebenskurve wird dann anhand des Alters und des Prozentsatzes der überlebenden Menschen dargestellt.
Es gibt verschiedene Arten von Überlebensmodellen. Das exponentielle Überlebensmodell charakterisiert eine konstante Gefahr über die Zeit, was bedeutet, dass das Risiko, dass das Ereignis eintritt, unabhängig von der Zeit ist.
Das Weibull-Überlebensmodell kann in verschiedenen Situationen eingesetzt werden, in denen die Gefährdungsrate im Laufe der Zeit monoton zu- oder abnimmt.
Die logarithmischen Normalmodelle und logarithmisch-logistische Modelle können in Szenarien verwendet werden, in denen die Gefährdungsrate nicht monoton ist.
View the full transcript and gain access to JoVE Core videos
Q1: What is a survival curve and how is it constructed?
A survival curve is a graphical representation showing the proportion of individuals remaining event-free over time. The survivorship function S(t) represents the percentage of people living until time t or beyond. The curve is plotted with age on the x-axis and survival probability on the y-axis, typically ranging from 0 to 1. It drops at each event occurrence, with horizontal segments indicating periods of stability.
Q2: How does the exponential survival model differ from the Weibull model?
The exponential survival model assumes a constant hazard rate over time, meaning risk is independent of time. The Weibull model accommodates situations where hazard rates monotonically increase or decrease over time. Both are parametric approaches, but Weibull offers greater flexibility for modeling time-dependent risk patterns in various applications.
Q3: What does median survival time represent in a survival curve?
Median survival time is the point where survival probability falls to 0.5, indicating when half the cohort is expected to experience the event. This metric serves as a key benchmark in clinical studies for evaluating treatment efficacy. It provides a single, interpretable value for comparing survival outcomes between different groups or treatments.
Q4: Why can't the cumulative distribution function alone estimate survival?
The cumulative distribution function F(t) represents the ratio of people dead by time t to the total observed. However, not all population members are observed until death, making this function incomplete for survival estimation. The survivorship function S(t) overcomes this limitation by measuring the proportion living beyond time t, accounting for incomplete follow-up data.
Q5: How are survival curves used to compare treatment effectiveness?
Survival curves enable visual comparison of survival experiences across different groups or treatments. A curve that remains higher or declines more gradually indicates better survival probabilities. Statistical tests assess whether observed differences are significant, allowing researchers to determine which treatment offers superior survival outcomes in clinical trials.
Q6: When would you use log-normal or log-logistic survival models?
Log-normal and log-logistic models are appropriate when the hazard rate is non-monotonic, meaning it does not consistently increase or decrease over time. These models accommodate complex risk patterns where hazard may initially rise, then fall, or follow other irregular trajectories. They provide flexibility for scenarios where exponential or Weibull assumptions don't adequately capture the data.
Q7: What applications do survival curves have beyond clinical medicine?
Survival curves are widely used in reliability engineering to estimate component or system lifespan and enable effective maintenance planning. They help analyze failure patterns in mechanical systems and infrastructure. In public health and other fields, survival curves track time-to-event outcomes, providing intuitive visual representations of complex temporal data across diverse populations and conditions.