چنانچه در ثبت سفارش از طریق سایت مشکل داشتید، لطفا مقاله خود را به همراه انتخاب نوع سفارش و شماره موبایل، به ایمیل ما ارسال کنید تا پیش فاکتور دریافت نمائید.

آنالیز بقا چیست و چرا این مطالعات مهم هستند

آنالیز بقا چیست و چرا این مطالعات مهم هستند؟

آنالیز بقا شاخه ای از روش های آماری است که داده های زمان-تا-رویداد را آنالیزمی کند. به‌طور دقیق‌تر، داده‌های زمان تا رویداد آن‌ نتایج مدنظری هستند که طول زمان و تا زمان رخداد آن برسی می شوند. این نتایج از حوزه ای به حوزه دیگر متفاوت است. به عنوان مثال، در بهداشت عمومی، آنها می توانند وقوع بیماری، مرگ، حملات قلبی، بهبودی و غیره باشند. از نظر تاریخی، این شاخه ابتدا در علم زیست پزشکی برای به تصویر کشیدن شروع بیماری های خاص توسعه یافت. اما هنوز هم امروزه مورد استفاده بوده و دامنه کاربرد آن در زمینه های مختلفی مانند مهندسی، بیمه و غیره گسترش یافته است.

کلمه زمان-تا-رویداد به این معنی است که این نوع آنالیز داده ها را در طول زمان و تا زمانی که مرگ (یا سایر پیامدهای تعیین کننده) اتفاق بیفتد، جمع آوری و آنالیزمی نماید. این نوع مطالعه شامل روش های مختلف آنالیزداده ها، از جمله life table analysis, time-to-failure methods, and time-to-death analysis است. بر اساس مفهوم چنین آنالیزی، بدیهی است که این نوع مطالعه زمان بر بوده و عوامل متعددی ممکن است بر آن تأثیر بگذارد. بنابراین، این مقاله قصد دارد توضیح دهد که چرا محققان مختلف این تحلیل را انجام می دهند، اهمیت آن در جنبه های علمی مختلف چیست. همچنین روش ها و توابع رایج این آنالیز را شرح خواهیم داد.

آنالیز بقا چیست و چرا این مطالعات مهم هستند؟

چرا محققان و پزشکان از آنالیزبقا استفاده می کنند؟

آنالیزبقا زمانی بسیار مهم است که زمان بین exposure و یک رویداد خاص از جنبه های بالینی حیاتی باشد. به عنوان مثال، مطالعه ای را در نظر بگیرید که مرگ و میر بیماران با اندازه های مختلف تومور (˃1 سانتی متر و˃5 سانتی متر) را در یک دوره 5 ساله ارزیابی می کند. فرضیه این بود که میزان بقا در گروه اول 85 درصد بود در حالی که در گروه دوم 52 درصد بود. علاوه بر این، چنین تحقیقاتی ممکن است بقای سال به سال را در نظر بگیرد و نشان دهد که میزان بقای 2 ساله برای گروه دوم حدود 70٪ بود. این آمار به محققان و پزشکان کمک می کند تا زمان طلایی درمان را محاسبه کنند. آنها همچنین ممکن است از چنین داده هایی برای معرفی یک درمان جدید برای افزایش طول عمر بیماران استفاده کنند.

ویژگی ها و اهداف اساسی داده های بقا

در آنالیز مرتبط با سلامت، داده های بقا دارای چندین ویژگی هستند که باید کاملاً تعریف شوند. این موارد به شرح زیر است:

1- زمان از ورود به مطالعه را به طور مناسب تعریف کنید.

2- زمان پایان مطالعه را به طور مناسب تعریف کنید. این بدان معناست که رویداد یا شکست، یعنی مرگ، حمله قلبی، بهبودی پس از جراحی و غیره رخ می دهد.

3- هر بیمار ثبت نام شده باید از تاریخ پایه پیگیری شود. به عنوان مثال، اگر مطالعه مربوط به سرطان باشد، تاریخ پایه باید تاریخ تشخیص یا تاریخ جراحی باشد و او تا زمان مرگ یا پایان مطالعه پیگیری می‌کند.

4- داده های بقا اساساً مثبت هستند زیرا در طول یک سری زمانی جمع آوری می شوند و زمان یک مقدار مثبت است.

آنالیز بقا نیز دارای یکسری اهداف اولیه است، از جمله:

1- استفاده از داده های بقا، به عنوان مثال، زمان MI برای بیمارانی که از فشار خون مزمن رنج می برند برای ارزیابی و تفسیر عملکردهای بقا و خطرات آن.

2- مقایسه بقا یا عملکرد خطر: به عنوان مثال، برای داده های مربوط به بیماران قلبی مبتلا به فشار خون بالا مزمن تحت درمان با داروهای معمولی و جدید در یک کارآزمایی تصادفی کنترل شده.

3- بررسی رابطه بین متغیرهایی (مانند وزن بیمار، سطح کلسترول، عادت سیگار کشیدن و …) که بر زمان بقا در افراد مبتلا به بیماری حاد قلبی تأثیر می گذارد.

ویژگی های خاص مورد استفاده در آنالیز بقا

برای انجام یک تحلیل بقای کامل، به روش‌ها و تکنیک‌های خاصی نیاز دارید، زیرا این داده‌ها شامل سری زمانی هستند که آن‌ها را از انواع دیگر داده‌ها متفاوت می‌کند. ویژگی های خاص این داده ها به شرح زیر می باشند:

سانسور کردن Censoring

این زمانی اتفاق می افتد که برخی از افراد ثبت نام شده نمی توانند به ددلاین رویداد پایبند باشند. به عنوان مثال، سانسور زمانی اتفاق می‌افتد که یک فرد قبل از پایان مطالعه آن را ترک کند یا زمانی که مطالعه قبل از رسیدن رویداد نهایی برای برخی از ثبت‌نام‌ها به پایان برسد نیز سانسور است. سه نوع سانسور وجود دارد: right-censored، یعنی رویداد پس از دوره مشاهده رخ می دهد. left-censored  به این معنی است که رویداد قبل از دوره مشاهده اتفاق می افتد. و interval-censored، به این معنی که رویداد در بازه های زمانی رخ می دهد.

غیر نرمال بودن

با توجه به ماهیت چنین مطالعه ای، طبیعی است که داده های آن دارای توزیع نرمال نیستند. این داده ها ممکن است به دلایل مختلف دارای توزیع های چوله یا  heavy-tailed باشند. شما نمی توانید برای چنین داده هایی از روش های معمول آماری استفاده کنید که پیشفرض نرمال بودن دارند استفاده کنید. نمونه‌هایی از تحلیل‌های آماری که پیشفرض نرمال بودن دارند شامل رگرسیون خطی روش‌های مقایسه میانگین‌های مختلف مانند دانکن و تحلیل‌های مختلف t-test. است.

متغیرهای وابسته به زمان

اینها متغیرهایی هستند که ممکن است در طول زمان تغییر کنند و بر زمان بقا تأثیر بگذارند. برای مثال، برای بیماران مبتلا به بیماری قلبی، متغیرهایی مانند فشار خون، وزن بدن، عادات سیگار کشیدن و غیره ممکن است در طول زمان تغییر کنند و بر خطر مرگ یا حمله قلبی تأثیر بگذارند. در آنالیزبقا، شما باید این متغیرها را در نظر گرفته و تعریف کنید که چگونه می توانند بر بقا یا عملکرد خطر تأثیر بگذارند

توابع مختلف مورد استفاده در آنالیزبقا

در آنالیزبقا، محققان از برخی تابع های رایج استفاده می کنند. برخی از رایج ترین آنها در زیر ارائه شده است:

تابع بقا

S(t)=Pr⁡(T>t)=1-F(t)

این تابع، که به نام تابع بقا یا تابع قابلیت اطمینان نیز مشهور است احتمال زنده ماندن در طول زمان t را به دست می دهد. محققان عموماً این تابع را با استفاده از روش کاپلان مایر یا مدل های پارامتریک تخمین می زنند.

تابع خطر

h(t)=(f(t))⁄(S(t))

این تابع که نرخ شکست یا میزان مرگ و میر نیز نامیده می شود، نرخ شکست لحظه ای را در زمان t بخش بر بقا در زمان t  را نشان می دهد. این تابع به طور کلی توسط Cox proportional hazards یا مدل های پارامتریک ارزیابی می شود.

تابع خطر تجمعی

S(t)=exp⁡(-H(t))

این تابع (Ht) کل خطر انباشته شکست را تا زمان t نشان می دهد. تابع خطر تجمعی به صورت زیر با تابع بقا رابطه دارد:

آزمون Long-rank

جزو دسته بندی آزمون های ناپارامتریک بوده و به محققان کمک می کند تا منحنی های بقا را بین دو گروه یا بیشتر مقایسه کنند. با استفاده از این آزمون، محقق می تواند دریابد که آیا تفاوت معنی داری بین توزیع بقا بین گروه ها وجود دارد یا خیر.

مدل Cox proportional hazards

این مدل متعلق به دسته مدل های خطر بوده و یک مدل نیمه پارامتریک محسوب می شود. این تابع با گروهی از متغیرها در ارتباط است که برای بیس لاین تابع خطر یک فرم پارامتریک اختصاص می دهد. این مدل فرض می کند که متغیرهای ذکر شده در بالا اثرات چند برابری بر تابع خطر دارند و این اثرات در طول زمان ثابت هستند (پیشفرض خطرات نسبی).

مدل های بقای پارامتریک

 اینها مدلهایی هستند که برای تابع خطر و تأثیر متغیر کمکی بر تابع خطر یک بیس لاین پارامتریک اختصاص می دهند.

تکنیک های آماری مورد استفاده در آنالیز بقا

در تحقیقات بهداشت عمومی پیشفرض فرض آمار پارامتریک بر مبنای توزیع جامعه نمونه است. در مقابل، آمارهای ناپارامتریک بر مبنای چنین فرضی نیست، بنابراین داده های را می توان از جامعه که توزیع نرمال (یا هیچ توزیع خاصی) ندارد به دست آورد. معمولاً از مدل های ناپارامتریک در تحلیل بقا استفاده می شود، اما می توان از برخی مدل های پارامتریک نیز استفاده کرد. رایج ترین مدل های پارامتریک و ناپارامتریک به شرح زیر است:

روش های ناپارامتریک

  • روش کاپلان مایر: برای تخمین تابع بقا
  • مدل Cox proportional hazards: برای شناسایی عوامل خطر و ارزیابی نسبت ریسک تعدیل شده.

روش های پارامتریک

  • مدل زمان شکست تسریع شده
  • توابع خطر: برای توزیع های نمایی، وایبول، گاما، گومپرتز، لگ نرمال و لجستیک.

نتیجه

آنالیزبقا ابزار ارزشمندی است که برای آنالیزداده های زمان تا رویداد، به ویژه در علم زیست پزشکی طراحی شده است. این روش نیازمند استفاده از روش‌های آماری منحصربه‌فردی از جمله سانسور، غیر نرمال بودن داده‌ها، کوواریانس‌های وابسته به زمان و غیره است.

آنالیز بقا چیست و چرا این مطالعات مهم هستند
Scroll to top
تخفیف به مناسبت هفته معلم

این تخفیف حال و هوای تدریس داره ....