مکانیسم منحنی کاپلان-مایر: چگونه تحلیل بقا داده‌های ناقص را مدیریت می‌کند

خلاصه مطلب این است: هنگامی که در حال ردیابی مدت زمان لازم برای وقوع یک رویداد هستید—خواه بقای یک بیمار مبتلا به سرطان باشد یا لغو اشتراک توسط یک مشتری—تقریباً هرگز داده‌های کاملی برای همه نخواهید داشت. برآوردگر کاپلان-مایر موتور ریاضیاتی است که به محققان اجازه می‌دهد به هر حال، احتمالات دقیق بقا را محاسبه کنند؛ این کار را با استفاده از یک تابع پله‌ای انجام می‌دهد که داده‌های ناقص را به شکلی ظریف و بدون ایجاد سوگیری در نتیجه نهایی، در خود جای می‌دهد.[1][2]

برای درک اینکه چرا این امر ضروری است، مشکل اصلی در تحلیل داده‌ها را در نظر بگیرید: واقعیت به ندرت با یک پنجره مشاهده منظم و محدود مطابقت دارد. در یک کارآزمایی بالینی، محققان می‌خواهند میانه زمان تا وقوع یک رویداد را بدانند. اما چه اتفاقی می‌افتد وقتی مطالعه قبل از اینکه همه بیماران رویداد را تجربه کنند، به پایان می‌رسد؟ یا وقتی بیماری نقل مکان می‌کند و به طور کامل از کارآزمایی خارج می‌شود؟[2][4]

این پدیده به عنوان «سانسور» شناخته می‌شود، به ویژه سانسور از راست. این بدان معناست که زمان دقیق رویداد ناشناخته است، اما محقق می‌داند که سوژه حداقل تا یک نقطه مشخص زنده مانده است. یک رویکرد ساده‌انگارانه این است که به سادگی این سوابق ناقص را کنار بگذاریم، اما این کار سوگیری عظیمی ایجاد می‌کند و زمان بقای تخمین زده شده را به طور مصنوعی کاهش می‌دهد، زیرا فقط شکست‌های اولیه شمارش می‌شوند.[1]

برای حل این مشکل، ادوارد کاپلان و پل مایر به طور مستقل روش‌های ناپارامتری مشابهی را در دهه ۱۹۵۰ توسعه دادند. سردبیر مجله انجمن آمار آمریکا آنها را متقاعد کرد که کار خود را ادغام کنند، که منجر به انتشار مقاله‌ای بنیادی در سال ۱۹۵۸ شد که از آن زمان تاکنون بیش از ۳۴,۰۰۰ بار مورد استناد قرار گرفته است. راه‌حل آنها، یعنی برآوردگر کاپلان-مایر، به استاندارد طلایی برای تحلیل بقا تبدیل شد.[1][5]

مکانیسم برآوردگر کاپلان-مایر در سادگی خود ظریف است. به جای تلاش برای برازش داده‌ها با یک منحنی توزیع از پیش تعریف شده (مانند منحنی زنگوله‌ای یا توزیع وایبول)، احتمال بقا را به صورت تجربی در هر زمان خاصی که یک رویداد رخ می‌دهد، محاسبه می‌کند.[1][4]

این کار را با تقسیم زمان به فواصل تعریف شده توسط خود رویدادها انجام می‌دهد. برای هر فاصله معین، الگوریتم احتمال شرطی بقا در آن دوره خاص را محاسبه می‌کند، با فرض اینکه سوژه تا شروع آن دوره زنده مانده باشد. احتمال کلی بقا در هر زمان، به سادگی حاصل ضرب تمام این احتمالات شرطی در یکدیگر است.[1][4]

از نظر بصری، این فرآیند منحنی نمادین کاپلان-مایر را ایجاد می‌کند: یک تابع پله‌ای که از ۱۰۰٪ (یا ۱.۰) در محور y شروع می‌شود و در طول زمان در محور x به سمت پایین پله می‌زند. منحنی فقط زمانی افت می‌کند که یک رویداد واقعی (مانند مرگ یا لغو اشتراک) مشاهده شود.[2][6]

نبوغ این روش در نحوه مدیریت داده‌های سانسور شده نهفته است. هنگامی که یک سوژه سانسور می‌شود—مثلاً بیماری در ماه ششم از مطالعه خارج می‌شود—منحنی افت نمی‌کند. در عوض، آن بیمار به سادگی از مخرج کسر («تعداد در معرض خطر») برای تمام محاسبات بعدی حذف می‌شود.[4][5]

در نمودار، این مشاهدات سانسور شده معمولاً با علامت‌های تیک عمودی یا ضربدر روی قسمت‌های مسطح تابع پله‌ای مشخص می‌شوند. یک سوءتفاهم رایج این است که فرض کنیم علامت تیک نشان‌دهنده افت در بقا است؛ در واقعیت، این علامت نشان‌دهنده سوژه‌ای است که تا آن نقطه زنده مانده، اما سرنوشت بعدی او نامعلوم است.[4][5]

از آنجایی که سوژه‌های سانسور شده «تعداد در معرض خطر» را کاهش می‌دهند، هر رویداد بعدی باعث افت متناسب بزرگ‌تری در منحنی بقا می‌شود. اگر ۱۰۰ نفر در معرض خطر باشند، یک رویداد منحنی را ۱٪ کاهش می‌دهد. اما اگر سانسور کردن مجموعه خطر را به تنها ۱۰ نفر کاهش داده باشد، یک رویداد واحد منحنی را ۱۰٪ کاهش خواهد داد.[4][6]

این پویایی باعث می‌شود که «انتهای» منحنی کاپلان-مایر بسیار بی‌ثبات باشد. با کاهش تعداد در معرض خطر به سمت پایان دوره مشاهده، فواصل اطمینان به طور چشمگیری گسترده می‌شوند. منحنی‌ای که برای دو سال اول پایدار به نظر می‌رسد، ممکن است در سال سوم گام‌های بزرگ و نامنظمی نشان دهد، صرفاً به این دلیل که تنها تعداد انگشت‌شماری از سوژه‌ها باقی مانده‌اند.[1][4]

برای اینکه برآوردگر کاپلان-مایر معتبر باشد، به چند فرض حیاتی متکی است. مهم‌ترین آن‌ها «سانسور غیرمطلع» است. این بدان معناست که دلیل سانسور شدن یک سوژه باید کاملاً مستقل از احتمال وقوع رویداد برای او باشد.[4][6]

اگر بیماران به این دلیل از یک کارآزمایی بالینی خارج می‌شوند که دارو آن‌ها را بیش از حد بیمار کرده و قادر به ادامه نیستند، این سانسور مطلع است. الگوریتم کورکورانه فرض می‌کند که آن بیماران چشم‌انداز بقای آینده مشابهی با بیماران سالمی که ماندند، داشتند، که منجر به یک منحنی بقای به دروغ خوش‌بینانه می‌شود.[3][4]

محدودیت دیگر روش کاپلان-مایر این است که تک‌متغیره است. این روش می‌تواند به راحتی منحنی‌های بقای دو گروه متمایز (مانند درمان الف در مقابل درمان ب) را با استفاده از آزمون رتبه‌بندی لگاریتمی مقایسه کند، اما نمی‌تواند به راحتی برای متغیرهای پیوسته متعدد مانند سن، وزن یا فشار خون پایه تنظیم شود.[3][4]

هنگامی که محققان نیاز به در نظر گرفتن چندین متغیر مخدوش‌کننده دارند، به مدل خطرات متناسب کاکس روی می‌آورند که توسط سِر دیوید کاکس در سال ۱۹۷۲ معرفی شد. در حالی که کاپلان-مایر توصیفی و بصری است، رگرسیون کاکس استنباطی و چندمتغیره است.[3][4]

مدل کاکس «نسبت خطر» را تخمین می‌زند—یعنی خطر نسبی وقوع رویداد در یک گروه در مقایسه با گروه دیگر، با تعدیل برای کوواریانس‌ها. با این حال، این مدل بر فرض سخت‌گیرانه «خطرات متناسب» متکی است: اینکه نسبت خطرات بین دو گروه در طول زمان ثابت باقی می‌ماند.[3][6]

اگر یک مداخله جراحی خطر مرگ و میر فوری بالایی داشته باشد اما بقای طولانی‌مدت عالی ارائه دهد، در حالی که یک درمان دارویی خطر فوری پایینی داشته باشد اما اثربخشی طولانی‌مدت ضعیفی داشته باشد، نسبت خطر آنها ثابت نیست. در چنین مواردی، عدد خلاصه واحد مدل کاکس می‌تواند به شدت گمراه‌کننده باشد و شواهد بصری منحنی‌های کاپلان-مایر متقاطع برای درک پویایی واقعی مورد نیاز است.[2][5]

امروزه، تحلیل بقا بسیار فراتر از ریشه‌های پزشکی خود گسترش یافته است. مهندسان قابلیت اطمینان از آن برای پیش‌بینی زمان خرابی قطعات مکانیکی استفاده می‌کنند، در حالی که دانشمندان داده در بخش فناوری از آن برای مدل‌سازی تعامل کاربر، ارزش طول عمر مشتری و ریزش اشتراک استفاده می‌کنند. برآوردگر کاپلان-مایر با پذیرش واقعیت داده‌های ناقص به جای کنار گذاشتن آن‌ها، همچنان یکی از قوی‌ترین و پرکاربردترین ابزارهای آماری در تحلیل داده‌های مدرن باقی مانده است.[1][5]