Name: kaplan-meier curves and hazard ratios
Uploaded: 2025-01-09T15:14:16.000Z
Duration: 1 min 20 s
Channel: JoVE

ניתוח הישרדות מעריך את הזמן עד לאירוע, כמו הישנות מחלה או מוות, תוך שימוש בטכניקות המביאות בחשבון נתונים מצונזרים, כאשר האירוע לא התרחש עד סוף המחקר.
שקול מחקר המשווה תוצאות טיפול בסרטן השחלות.
מעריך קפלן-מאייר משרטט הסתברויות הישרדות לכל קבוצה, ומראה את שיעור הנבדקים שממשיכים לשרוד בנקודות הזמן הבאות. 
עקומות קפלן-מאייר מציגות אחוזי הישרדות לאורך זמן עבור כל קבוצת כימותרפיה.
מבחני דירוג יומן משווים עקומות הישרדות מקבוצות שונות, וקובעים אם הסתברויות ההישרדות שונות באופן משמעותי מבלי להניח התפלגות הישרדות דומה בין קבוצות.
מודל הסיכונים הפרופורציונליים של קוקס משמש להערכת השפעת הטיפולים על הישרדות, תוך התאמה למשתנים כמו גיל או שלב המחלה.
הוא מחשב יחסי סיכון כדי לכמת את הסיכון הקשור לכל טיפול.
שימוש בשיטות אלה מאפשר השוואה חזקה של השפעות הטיפול, ומבטיח כי התוצאות אמינות ומשקפות יתרונות הישרדותיים אמיתיים או סיכונים הקשורים להתערבויות.

השוואת ניתוח הישרדות בין שתי קבוצות או יותר

Comparing the Survival Analysis of Two or More Groups

<div style="direction: rtl;">
ניתוח הישרדות הוא אבן דרך במחקר רפואי, המשמש להערכת הזמן עד להתרחשות של אירוע מסוים, כגון מוות, הישנות מחלה או החלמה. בניגוד לשיטות סטטיסטיות סטנדרטיות, ניתוח הישרדות מצטיין במיוחד בטיפול בנתונים חותכים—מקרים שבהם האירוע לא התרחש עבור חלק מהמשתתפים עד לסיום המחקר או שנשאר לא נצפה. כדי להתמודד עם אתגרים ייחודיים אלו, נעשה שימוש בטכניקות מיוחדות כמו אסטימטור קפלן-מאייר, מבחן לוג-רנק ומודל הסיכונים הפרופורציונליים של קוקס.

ה- אסטימטור קפלן-מאייר הוא כלי לא פרמטרי המשמש להערכת הסתברויות הישרדות לאורך זמן. בעזרתו ניתן לחשב את הסיכוי של משתתפים לשרוד עד לנקודות זמן שונות ולבנות גרף שנקרא "קו הישרדות". הגרף מציג את אחוז המשתתפים ששרדו בכל נקודת זמן במהלך המחקר. הכלי הזה חשוב במיוחד להשוואת תוצאות הישרדות בין קבוצות, לדוגמה, בין מטופלים שמקבלים טיפולים שונים. כאשר חוקרים רוצים לבדוק אם ההבדלים בהישרדות בין קבוצות הם מובהקים מבחינה סטטיסטית, הם משתמשים בדרך כלל ב-מבחן לוג-רנק. מבחן זה משווה בין הקווים של אסטימטור קפלן-מאייר ללא צורך להניח הנחות על התפלגות זמני ההישרדות, דבר שהופך אותו לכלי גמיש שניתן להשתמש בו במגוון רחב של סיטואציות מחקריות.

לניתוחים מורכבים יותר, מודל הסיכונים הפרופורציונליים של קוקס מספק מסגרת חזקה לבחינת הקשר בין זמן הישרדות למספר ניבאים, כמו סוג טיפול, גיל או חומרת המחלה. מודל זה מחשב את יחסי הסיכון (HR), שמודדים את הסיכון היחסי להתרחשות האירוע בקבוצה אחת ביחס לקבוצה אחרת, תוך תיקון עבור משתנים מעוותים. לדוגמה, HR של 1.5 מציין סיכון גבוה ב-50% להתרחשות האירוע בקבוצה אחת בהשוואה לאחרת.

נניח שמחקר משווה את תוצאות ההישרדות עבור חולות סרטן שחלות המקבלות שני משטרי כימותרפיה שונים. באמצעות אסטימטור קפלן-מאייר, החוקרים יוכלו להמחיש את הסתברויות ההישרדות לכל קבוצת טיפול לאורך זמן. אם קבוצה אחת מציגה הישרדות גבוהה יותר באופן עקבי, מבחן לוג-רנק יוכל לקבוע אם ההבדל מובהק סטטיסטית. על מנת להתחשב בגורמים נוספים כמו גיל או שלב הסרטן, ניתן להחיל את מודל קוקס, שיספק יחסי סיכון שמתחשבים בגורמים אלה ויתנו תובנות עמוקות יותר לגבי השפעות הטיפול.

ניתוח הישרדות הוא כלי ייחודי למחקר הרפואי, המציע שיטות יציבות לניתוח נתוני זמן-עד-אירוע תוך התאמה להערות חותכות. כלים אלו מאפשרים לחוקרים להשוות את יעילות הטיפול, לתקן עבור משתנים מעוותים ולהגיע למסקנות אמינות. על ידי התמקדות לא רק בשאלה אם התרחש האירוע, אלא גם מתי הוא התרחש, ניתוח הישרדות מבטיח כי מחקרים רפואיים יפיקו ממצאים מדויקים וישימים, אשר חיוניים לקידום טיפול בחולים.
</div>

ניתוח הישרדות מעריך את הזמן עד לאירוע, כמו הישנות מחלה או מוות, תוך שימוש בטכניקות המביאות בחשבון נתונים מצונזרים, שם ...

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

Education

JoVE Core

Statistics

סטטיסטיקה

Unit 1

יחידה 1

Survival Analysis

ניתוח הישרדות

KEY TERMS AND CONCEPTS

מונחים ומושגי מפתח

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 statistical methods.

Researchers often use the Kaplan-Meier estimator to calculate survival probabilities over time. The result is a survival curve that shows the proportion of subjects who survive past specific time points. These curves make it easier to compare groups, such as patients receiving different treatments.

When scientists need to know whether two survival curves are truly different, they use the log-rank test. This test compares Kaplan-Meier curves without assuming a specific survival-time distribution. That makes it useful in many research settings.

For more detailed studies, researchers may use the Cox proportional hazards model. This model examines survival time along with multiple predictors, such as treatment type, age, or disease severity. It produces hazard ratios, or HR, which show the relative risk of the event in one group compared with another while adjusting for confounding variables.

For example, a study may compare survival outcomes in ovarian cancer patients who receive two chemotherapy regimens. Kaplan-Meier curves can show how survival changes over time for each group. If one group appears to do better, the log-rank test can check whether the difference is statistically significant. The Cox model can then account for factors like age or cancer stage and give hazard ratios that add more detail about the treatment effect.

Kaplan-Meier Curves and Hazard Ratios

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

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...

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

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 survival analysis compares group outcomes with Kaplan-Meier curves, log-rank tests, and hazard ratios while handling censored data.

Kaplan-Meier Curves and Hazard Ratios | 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

Kaplan-Meier Curves and Hazard Ratios

Description

Transcript