Name: survival curves with kaplan-meier data
Uploaded: 2025-01-09T15:14:16.000Z
Duration: 1 min 24 s
Channel: JoVE

מעריך קפלן-מאייר מעריך את פונקציית ההישרדות מנתוני חיים. הוא משמש בעיקר במחקר רפואי כדי לעקוב אחר הישרדות המטופל לאחר טיפולים.
זה מועיל בניתוח מחקרים עם נתונים מצונזרים, שבו זמני המעקב של חלק מהחולים מסתיימים לפני האירוע המעניין, בדרך כלל עקב מוות.
אומדן זה מסתמך על מספר הנחות. ראשית, חולים מצונזרים חולקים את אותם סיכויי הישרדות כמו אלה שנצפו ברציפות.
שנית, הסתברויות ההישרדות עקביות ללא קשר למועד כניסת הנבדק למחקר, ולבסוף, תזמון האירוע נרשם במדויק. בפועל, מעקב אחר אירועים המתרחשים בין בדיקות שגרתיות יכול להיות מאתגר.
דוגמה אחת כוללת השוואת סיכויי הישרדות בין שתי קבוצות המקבלות טיפולים שונים בסרטן, ללא קשר לחלק מהחולים ששרדו עד סוף המחקר.
היתרונות העיקריים של אומדן זה כוללים טיפול יעיל בנתונים חלקיים וייצוג גרפי אינטואיטיבי, המסייע להשוות שיעורי הישרדות בין קבוצות חולים שונות.
לעומת זאת, המגבלה העיקרית שלו היא חוסר יכולתו להתאים את עצמו למספר גורמי סיכון או גורמים מבלבלים, מה שהופך אותו לפחות יעיל בתרחישי סיכון מורכבים.

שיטת קפלן-מאייר

Kaplan-Meier Approach

<div style="direction: rtl;">

ההערכה של קפלן-מאייר היא שיטה לא פרמטרית המשמשת להערכת פונקציית הישרדות מנתונים על זמן עד לאירוע. במחקר רפואי, היא משמשת לעיתים קרובות למדוד את שיעור המטופלים ששרדו תקופה מסוימת לאחר טיפול. הערכה זו היא יסודית בניתוח נתונים של זמן עד לאירוע, מה שהופך אותה לכלי חיוני בניסויים קליניים, מחקרים אפידמיולוגיים, והנדסת אמינות. על ידי הערכת הסתברויות הישרדות, חוקרים יכולים להעריך את יעילות הטיפול, להבין את התקדמות המחלה ולסייע בקבלת החלטות פרוגנוסטיות.

יתרון מרכזי של הערכת קפלן-מאייר הוא היכולת שלה להתמודד עם נתונים מנותקים, שבהם הזמן המדויק של אירוע (כמו מוות או כישלון) לא נצפה לכל המשתתפים. לדוגמה, ייתכן שמספר מטופלים יפרשו מהמחקר או יישארו ללא אירועים בסוף המחקר. השיטה מניחה כי התצפיות המנותקות מתרחשות באופן אקראי וכי זמני האירועים הבסיסיים שלהן דומים לאלו של המשתתפים הלא מנותקים. כמו כן, היא מניחה כי הזמן המדויק של האירועים הנצפים ידוע, מה שלא תמיד נכון בפועל.

להדגמת השימוש שלה, נניח ניסוי קליני שמבצע השוואה בין שני טיפולים לסרטן. באמצעות הערכת קפלן-מאייר, חוקרים יכולים לחשב את הסתברויות הישרדות לכל קבוצת טיפול לאורך זמן, גם אם חלק מהמשתתפים עוזבים את המחקר מוקדם יותר או שורדים מבלי לחוות את האירוע. הייצוג הגרפי של הסתברויות אלו, המכונה "עקומת הישרדות", מספק דרך אינטואיטיבית להמחיש את ההבדלים בהישרדות בין הקבוצות. לדוגמה, עקומת הישרדות שירדה בצורה איטית יותר מעידה על תוצאות טובות יותר עבור קבוצת טיפול זו.

למרות יתרונותיה, להערכת קפלן-מאייר יש מגבלות בולטות. היא לא לוקחת בחשבון גורמי סיכון מרובים או משתנים מקלקלים, מה שעושה אותה לפחות יעילה בניתוח קשרים מורכבים בין מנבאים להישרדות. היא מוגבלת במיוחד במקרים שבהם דפוסי הסיכון משתנים עם הזמן או כאשר יש צורך בהתאמות למשתנים נלווים. עבור תרחישים כאלה, שיטות כמו מודל הסיכון הפרופורציונלי של קוקס או מודלים פרמטריים להישרדות משמשות לעיתים קרובות בשילוב עם שיטת קפלן-מאייר.

לסיכום, הערכת קפלן-מאייר היא כלי חזק ורב-תכליתי לניתוח הישרדות, המספקת תובנות קריטיות לגבי השפעות טיפולים ותוצאות מטופלים. היכולת שלה להתמודד עם נתונים חסרים וליצור עקומות הישרדות אינטואיטיביות הופכת אותה לשיטה חיונית במחקר הרפואי. עם זאת, מגבלותיה עשויות להצריך שימוש בשיטות סטטיסטיות נוספות כדי להגיע להבנה מקיפה של נתוני הישרדות.

</div>

מעריך קפלן-מאייר מעריך את פונקציית ההישרדות מנתוני חיים. הוא משמש בעיקר במחקר רפואי כדי לעקוב אחר הישרדות המטופל לאחר ...

Education

JoVE Core

Statistics

סטטיסטיקה

Unit 1

יחידה 1

Survival Analysis

ניתוח הישרדות

KEY TERMS AND CONCEPTS

מונחים ומושגי מפתח

survival curves with kaplan-meier data

The Kaplan-Meier estimator is a non-parametric method for estimating a survival function from time-to-event data. It is commonly used in medical research to track how many patients survive for a set time after treatment. It is also important in clinical trials, epidemiological studies, and reliability engineering.

This method helps researchers study survival probabilities over time, even when some data are incomplete. That incomplete data is called censored data, which means the exact event time is not observed for every participant. Some patients may leave a study early, or they may still be event-free when the study ends. The method assumes that censored cases happen at random and that their event times are similar to those of uncensored participants. It also assumes that the exact timing of observed events is known, although that is not always true in practice.

A common use of the Kaplan-Meier estimator is to compare two treatment groups in a clinical trial, such as two cancer treatments. Researchers can calculate survival probabilities for each group across time, even when some participants withdraw or do not experience the event. The results are shown in a survival curve, which makes the differences between groups easy to see. A curve that drops more slowly suggests better outcomes for that treatment.

The Kaplan-Meier estimator has limits as well. It does not include multiple risk factors or confounding variables, so it is less useful for complex survival patterns. It is also limited when risk changes over time or when researchers need to adjust for covariates. In those cases, methods such as the Cox proportional hazards model or parametric survival models are often used alongside the Kaplan-Meier approach. Even with these limits, the Kaplan-Meier estimator remains a key tool for understanding survival data and patient outcomes.

Survival Curves with Kaplan-Meier Data

introduction to survival analysis

Time-to-Event Data and Censoring

Survival analysis is a statistical method for time-to-event data. The event can be death, disease relapse, system failure, or recovery. It helps estimate survival time, which is the time until a specific event occurs, and it also shows what factors may affect that time. A key idea in survival analysis is censoring. Censoring happens when the event of interest has not been observed for some people during the study period. Because the data are incomplete in those cases, survival analysis uses...

life tables

Life Tables and Survival Patterns

A life table is a statistical tool that shows mortality and survival patterns in a population. It organizes data across age intervals so students can see how likely a group is to survive or die at each stage of life. The table gives a clear snapshot of population dynamics over time. Life tables are used in demography, public health, actuarial science, and ecology. They help scientists study life expectancy, plan health interventions, estimate insurance risk, and compare how species survive in...

survival curves

Kaplan-Meier Survival Curve Basics

Kaplan-Meier survival curves show how the chance of staying event-free changes over time. They are used to track survival in a population and to compare groups in medicine, public health, and reliability engineering. The Kaplan-Meier estimator is the most common way to build these curves. It is a non-parametric method, which means it does not assume a fixed pattern for the data. The result is a stepwise line that drops each time an event happens, such as death, disease recurrence, or...

actuarial approach

Life Table Method for Survival Rates

The life table method, also called the actuarial approach, is used to estimate survival rates in clinical and population studies. It began in life insurance, where risk over time must be measured carefully. In health research, it gives a clearer picture of survival when some participants are lost to follow-up or die from causes unrelated to the study. This method works by dividing the study period into set intervals, usually one year. That makes it useful for tracking outcomes over time,...

kaplan-meier approach

The Kaplan-Meier estimator is a non-parametric method for estimating a survival function from time-to-event data. It is commonly used in medical research to track how many patients survive for a set time after treatment. It is also important in clinical trials, epidemiological studies, and reliability engineering. This method helps researchers study survival probabilities over time, even when some data are incomplete. That incomplete data is called censored data, which means the exact event...

assumptions of survival analysis

Survival Analysis Assumptions in Studies

Survival analysis studies the time until an event happens. The event may be death in a living organism or failure in a mechanical system. These models are used in medicine, biology, engineering, and public health to study time-to-event data. Careful study design matters because the method depends on several key assumptions. One common feature of survival times is positive skewness. This means events often happen early, while fewer cases occur later. Survival data also often include censoring,...

comparing the survival analysis of two or more groups

comparing-the-survival-analysis-of-two-or-more-groups

Kaplan-Meier Curves and Hazard Ratios

Kaplan-Meier curves and hazard ratios help researchers compare survival time between groups. Survival analysis looks at the time until an event happens, such as death, disease recurrence, or recovery. It is a key tool in medical research. A major strength of survival analysis is that it can handle censored data. Censored data means the event has not happened for some participants by the end of the study, or it has not been observed. This makes survival analysis different from standard...

the mantel-cox log-rank test

Log-Rank Test for Comparing Survival Curves

The Mantel-Cox log-rank test compares survival curves from two groups. It checks whether the groups have a statistically significant difference in survival time. This makes it useful when the timing of an event matters, such as death or disease recurrence. The log-rank test is non-parametric. That means it does not assume a specific distribution for the survival data. It is also useful in medical research, where it often helps compare a new treatment with a control or standard treatment in...

applications of life tables

Life Tables in Public Policy and Science

Life tables are used in many fields to study mortality and survival rates. They give a numerical way to examine how long people or living things are likely to survive. This makes them useful for public health, business planning, and scientific research. In demography and public health, life tables help experts study population changes and predict future trends. They can show patterns such as an aging population or the effect of a health policy. In Nigeria, health officials used survival rates...

cancer survival analysis

Cancer Survival Curves and Risk Factors

Cancer survival analysis measures how long it takes from diagnosis or the start of treatment to a specific outcome, such as remission or death. It helps researchers judge treatment effectiveness and understand what affects patient outcomes. These results also support clinical decisions and prognostic evaluations. Survival data are often skewed and not normally distributed. They also include censored cases, where the full survival time is unknown because the study ends, a patient is lost to...

hazard rate

Modeling Event Risk Over Time

Hazard rate is a statistical measure that describes how event risk changes over time. It is also called the hazard function or failure rate. In survival analysis, it shows the instantaneous rate at which an event occurs, but only after the subject has not had the event yet. From a probability view, hazard rate gives the chance that a subject will have the event in a very small time interval. That chance is conditional on surviving to the start of that interval. From a frequency view, it can...

hazard ratio

Hazard Ratio in Clinical Trials

The hazard ratio is a way to compare event risk in clinical trials. It is often used to study events such as death or disease recurrence in two groups over time. The two groups are usually a treatment group and a control group. A hazard ratio compares hazard rates, which are the instantaneous risk of an event happening at a given moment. It shows how the risk in one group relates to the risk in the other group. In a cancer drug study, for example, the hazard ratio can show how a new treatment...

truncation in survival analysis

Left and Right Truncation in Survival Data

Truncation in survival analysis describes data loss caused by the timing of an event or by when a subject can enter a study. It can happen in two forms: left truncation and right truncation. In both cases, some individuals are left out of the dataset before analysis begins. Left truncation happens when people who had the event before a set time are not included in the study. This often occurs with delayed entry, which means a person is only observed if they survive until the entry point. For...

censoring survival data

Types of Censoring in Survival Analysis

Survival analysis studies time-to-event data, which tracks how long it takes for an outcome to happen. It is used in medicine, engineering, and social science. A common problem in this type of data is censoring, which means the full event time is not observed for every person or item. Censoring can happen for several reasons and in different patterns. The most common kind is right censoring. This happens when the event has not occurred by the end of the study or when a participant is lost to...

survival tree

Survival Tree in Time-to-Event Analysis

A survival tree is a non-parametric tool in survival analysis that links predictor variables, or covariates, to survival time. Survival time is the time until an event of interest occurs. It is useful when some data are censored, which means the event has not happened for some people by the end of the study or the exact event time is unknown. Building a survival tree starts with a dataset that includes covariates, survival time, and a censoring indicator for each subject. The data must be...

parametric survival analysis: weibull and exponential methods

parametric-survival-analysis-weibull-and-exponential-methods

Modeling Survival Time with Weibull and Exponential

Parametric survival analysis models survival time by assuming a specific probability distribution for when an event occurs. The Weibull and exponential distributions are two common choices because they are flexible and relatively straightforward to use. The Weibull distribution is a flexible model in parametric survival analysis. It can describe both increasing and decreasing hazard rates, depending on its shape parameter beta. When beta is greater than 1, the hazard rate rises over time. That...

key terms and concepts

Learn how Kaplan-Meier data estimates survival probabilities, handles censored data, and shows treatment differences with clear survival curves in medical research.

Survival Curves with Kaplan-Meier Data | JoVE K12

statistics

JoVE Core Statistics introduces the concepts and application of the collection, analysis, presentation, and interpretation of data to students. These animated lessons provide an understanding of statistics beneficial to students from a wide range of disciplines. Additionally, the scientist-in-action videos demonstrate the application of related concepts in classical and original research experiments performed in today's laboratories worldwide

Survival Curves with Kaplan-Meier Data

Description

Transcript