15.3
Krzywe przeżycia
Krzywe przeżycia to graficzne reprezentacje przedstawiające doświadczenie przeżycia populacji w czasie, oferujące intuicyjny sposób śledzenia proporcj…
Rozważmy wykres skumulowanego prawdopodobieństwa zgonu wykreślonego jako wiek na osi X w porównaniu z odsetkiem zmarłych na osi Y w określonym roku.
Można to wyrazić za pomocą równania, gdzie funkcja rozkładu skumulowanego F(t) jest stosunkiem liczby osób zmarłych w czasie t do całkowitej liczby zaobserwowanej.
Ponieważ wszyscy członkowie populacji nie są obserwowani aż do śmierci, krzywa ta nie może oszacować przeżycia.
Tak więc funkcja przeżycia lub krzywa przeżycia - S(t) - to odsetek lub procent osób żyjących do czasu t lub dłużej. Jest on wyrażony w następujący sposób.
Krzywa przeżycia jest następnie wykreślana na podstawie wieku i odsetka osób, które przeżyły.
Istnieją różne rodzaje modeli przetrwania. Model przeżycia wykładniczego charakteryzuje stałe zagrożenie w czasie, co oznacza, że ryzyko wystąpienia zdarzenia jest niezależne od czasu.
Model przeżycia Weibulla może być stosowany w różnych sytuacjach, w których wskaźnik ryzyka monotonicznie wzrasta lub maleje w czasie.
Modele logarytmiczno-normalne i logarytmiczno-logistyczne mogą być używane w scenariuszach, w których współczynnik zagrożenia nie jest monotonny.
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.