15.3: Hayatta Kalma Eğrileri

Hayatta kalma eğrileri, bir popülasyonun zaman içindeki hayatta kalma deneyimini tasvir eden grafiksel gösterimlerdir ve her zaman noktasında olaydan uzak kalan bireylerin oranını izlemek için sezgisel bir yol sunar. Bu eğriler, farklı gruplar veya koşullar arasında hayatta kalma olasılıklarını görselleştirmek ve karşılaştırmak için tıp, halk sağlığı ve güvenilirlik mühendisliği gibi alanlarda yaygın olarak kullanılır.

Kaplan-Meier tahmincisi, hayatta kalma eğrileri oluşturmak için en yaygın yöntemdir. Bu parametrik olmayan yaklaşım, eğrinin bir olay (ölüm, hastalığın tekrarlaması veya mekanik arıza gibi) meydana geldiği her seferinde düştüğü kademeli bir fonksiyon üretir. Düşüşler arasındaki yatay segmentler, hiçbir olayın meydana gelmediği istikrar dönemlerini gösterir. Eğrinin x ekseni zamanı temsil ederken, y ekseni 0 ile 1 arasında değişen hayatta kalma olasılığını gösterir. Hayatta kalma eğrileri birkaç önemli içgörü sağlar:

1. Zaman İçinde Hayatta Kalma Olasılığı:
   Eğri, bireylerin belirli zaman noktalarının ötesinde hayatta kalma olasılığını gösterir. Örneğin, bir tedavi grubunun sağkalım eğrisi bir kontrol grubununkinden yüksek kalırsa, bu tedavinin yaşamı uzatma veya olayı geciktirmedeki etkinliğini gösterir.
2. Medyan Sağkalım Süresi:
   Medyan sağkalım süresi, sağkalım olasılığının 0,5'e düştüğü noktadır ve kohortun yarısının olayı deneyimlemesinin beklendiği zamanı gösterir. Bu metrik, tedavi etkinliği için bir ölçüt olarak klinik çalışmalarda özellikle önemlidir.
3. Grup Karşılaştırmaları:
   Sağkalım eğrileri, çeşitli tedaviler gören hastalar veya farklı stres koşullarına maruz kalan sistemler gibi farklı grupların sağkalım deneyimlerini karşılaştırmak için güçlü araçlardır. Log-sıra testi gibi istatistiksel testler, gruplar arasındaki gözlemlenen farklılıkların istatistiksel olarak anlamlı olup olmadığını belirlemek için genellikle sağkalım eğrileriyle birlikte kullanılır.

Örneğin, iki kanser tedavisini karşılaştıran bir klinik çalışmada, sağkalım eğrileri hangi tedavinin daha iyi sağkalım sonuçları sunduğunu ortaya çıkarabilir. Daha kademeli olarak azalan bir eğri, daha iyi sağkalım olasılıklarına sahip bir grubu gösterir. Benzer şekilde, güvenilirlik mühendisliğinde, hayatta kalma eğrileri bileşenlerin veya sistemlerin ömrünü tahmin etmek için kullanılır ve etkili bakım planlaması ve arıza analizine olanak tanır.

Karmaşık olay zamanı verilerinin açık ve erişilebilir bir görsel temsilini sağlayarak, hayatta kalma eğrileri veri analizinde önemli bir rol oynar. Hayatta kalma olasılıklarını özetleme, medyan sağkalım süresi gibi temel ölçütleri belirleme ve grup karşılaştırmalarını kolaylaştırma yetenekleri, onları çeşitli uygulamalarda vazgeçilmez kılar.

Belirli bir yıl için Y ekseninde ölenlerin oranına karşı X ekseninde yaş olarak çizilen kümülatif ölüm olasılığının bir grafiğini düşünün.

Bu, kümülatif dağılım fonksiyonu F(t)'nin t zamanına göre ölen insan sayısının gözlemlenen toplam sayıya oranı olduğu bir denklem olarak ifade edilebilir.

Tüm popülasyon üyeleri ölüme kadar gözlenmediğinden, bu eğri hayatta kalmayı tahmin edemez.

Yani, hayatta kalma fonksiyonu veya hayatta kalma eğrisi - S (t) - t veya ötesine kadar yaşayan insanların oranı veya yüzdesidir. Bu şekilde ifade edilir.

Hayatta kalma eğrisi daha sonra yaş ve hayatta kalan insanların yüzdesi kullanılarak çizilir.

Çeşitli hayatta kalma modelleri vardır. Üstel hayatta kalma modeli, zaman içinde sabit bir tehlikeyi karakterize eder, bu da olayın meydana gelme riskinin zamandan bağımsız olduğu anlamına gelir.

Weibull hayatta kalma modeli, tehlike oranının zaman içinde monoton olarak arttığı veya azaldığı çeşitli durumlarda kullanılabilir.

Log-normal ve log-lojistik modelleri, tehlike oranının monoton olmadığı senaryolarda kullanılabilir.