Ανάλυση Επιβίωσης

Ανάλυση Επιβίωσης

Διδάσκων

Constantin T Yiannoutsos, Ph.D.
Professor of Biostatistics
Indiana University RM Fairbanks School of Public Health, Department of Biostatistics
401 W 10th Street, Suite 3000
Indianapolis, IN 46202 Tel.: (317) 278-3045 Fax: (317) 274-2678 Email: cyiannou@iu.edu

Σκοπός του μαθήματος

Ο κύριος στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με τις μεθόδους που χρησιμοποιούνται στην  ανάλυση δεδομένων επιβίωσης καθώς και με τη σωστή χρήση τους σε πραγματικά βιο-ιατρικά δεδομένα. Ιδιαίτερη έμφαση θα δοθεί στις ιδιαιτερότητες που προκύπτουν στην  ανάλυση δεδομένων επιβίωσης καθώς και στη χρήση ημι-παραμετρικών   μοντέλων για την ορθή ερμηνεία των αποτελεσμάτων. Η παρουσίαση των στατιστικών μεθόδων θα ακολουθείται από εκπαίδευση σε στατιστικά πακέτα (κυρίως R) που θα αφορά στην ανάλυση πραγματικών κλινικών δεδομένων.

Εκπαιδευτικοί στόχοι του μαθήματος

Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα πρέπει να έχουν αποκτήσει βαθιά γνώση των πλέον διαδεδομένων μεθόδων για την ανάλυση δεδομένων επιβίωσης. Συγκεκριμένα, οι φοιτητές θα πρέπει: (α) να κατανοούν τις θεμελιώδεις έννοιες και τη σημειολογία που χρησιμοποιούνται στην ανάλυση επιβίωσης, (β) να μπορούν να εφαρμόσουν και να ερμηνεύσουν τα αποτελέσματα από τα κύρια μοντέλα ανάλυσης επιβίωσης με απλό και σαφή τρόπο, (γ) να μπορούν να αξιολογούν την καλή εφαρμογή του μοντέλου, (δ) να κατανοούν τις βασικές αρχές που διέπουν το σχεδιασμό μιας μελέτης που περιλαμβάνει δεδομένα επιβίωσης, και (ε) να έχουν βελτιώσει τις υπολογιστικές τους δυνατότητες όσον αφορά τη χρήση Η/Υ για τη στατιστική ανάλυση δεδομένων.

Περιεχόμενο

  1. Εισαγωγή: Επανάληψη της θεωρίας μέγιστης πιθανοφάνειας; Η μέθοδος Δέλτα.
  2. Εισαγωγή στην Ανάλυση Επιβίωσης: Ορισμοί και παραδείγματα δεδομένων επιβίωσης. Η «εμπειρική» συνάρτηση επιβίωσης.
  3. Εκτίμηση της συνάρτησης επιβίωσης: Μέθοδος Kaplan Meier, μέθοδος Lifetable και Nelson-Aalen εκτιμητής του αθροιστικού κινδύνου.
  4. Σύγκριση καμπυλών επιβίωσης: Logrank test, Wilcoxon test, P-sample logrank test, και stratified logrank test.
  5. Μοντελοποίηση δεδομένων επιβίωσης: Μοντέλο αναλογικών κινδύνων του Cox και η θεωρία της «μερικής» πιθανοφάνειας.
  6. Εμβαθύνοντας στο μοντέλο του Cox: Ερμηνεία και συμπερασματολογία (διαστήματα εμπιστοσύνης), εκτίμηση της «βασικής» συνάρτησης κινδύνου και πρόβλεψη της συνάρτησης επιβίωσης για υποκατηγορίες.
  7. Επιλογή μοντέλου: Αλγόριθμοι επιλογής μοντέλου, κατάλοιπα και έλεγχος καλής εφαρμογής.
  8. Αξιολόγηση της υπόθεσης της αναλογικότητας των κινδύνων: Γραφικοί τρόποι και test μέσω αλληλεπιδράσεων.
  9. Παραμετρική Ανάλυση Επιβίωσης: Εκθετικό μοντέλο και μοντέλο Weibull, υποθέσεις και έλεγχοι καλής εφαρμογής. Σύγκριση με το μοντέλο του
  10. Μοντέλα για μεταβλητές που αλλάζουν στο χρόνο: Υποθέσεις και υλοποίηση στην πράξη.
  11. Μοντέλα πολλαπλών αποτυχιών: Υποθέσεις των προτεινόμενων μοντέλων και υλοποίηση στην πράξη.
  12. Σχεδιασμός μελέτης επιβίωσης: Απαιτούμενος αριθμός συμβάντων, διορθώσεις για σταδιακή εισαγωγή ατόμων στη μελέτη και αδυναμία παρακολούθησης (loss to follow-up).

Μέθοδοι διδασκαλίας

Το περιεχόμενο του μαθήματος καλύπτεται σε 11 3-ωρες διαλέξεις και 9 ωριαία εργαστήρια χρησιμοποιώντας το στατιστικό πακέτο R. Θα διανεμηθούν 3 υποχρεωτικές εργασίες κατά τη διάρκεια της διδασκαλίας.

Μέθοδος αξιολόγησης

Κάθε εργασία αναλογεί σε 10% του τελικού βαθμού (συνολικά 30%), ενώ οι τελικές εξετάσεις αναλογούν στο 70% του τελικού βαθμού.  Στην τελική εξέταση οι φοιτητές καλούνται να αναλύσουν σε πραγματικό χρόνο μια ή περισσότερες βάσεις δεδομένων καθώς και να ερμηνεύσουν τα αποτελέσματα των αναλύσεων αυτών. Σημειώνεται ότι για να θεωρηθεί η παρακολούθηση του μαθήματος επιτυχής, ο βαθμός στην τελική εξέταση πρέπει να είναι 5/10 ή μεγαλύτερος (χωρίς στρογγυλοποίηση).

Προτεινόμενη βιβλιογραφία

  1. Collett: Modelling Survival Data in Medical Research
  2. Cox and Oakes: Analysis of Survival Data
  3. Kleinbaum: Survival Analysis: A self-learning text
  4. Klein & Moeschberger: Survival Analysis: Techniques for censored and truncated data
  5. Allison: Survival Analysis Using the SAS System