Tämä artikkeli on julkaistu osana Data Science Blogathon.
Johdanto
Survival-Analyysi
Monet meistä aina on kysymys mielessä, miten paljon aikaa vie, että tapahtuma tapahtuu. Kuten mekaanisen järjestelmän vikaantuminen, ihmiskeho, johon mikä tahansa sairaus vaikuttaa, kuinka paljon aikaa kestää sairauksien parantamiseen., Kuinka moni sitten selviää tietystä tietystä potilasdiagnoosin jälkeen, millä vauhdilla ihminen kuolee tai epäonnistuu? Onko mahdollista ottaa huomioon moninaiset kuolemansyyt tai epäonnistumisen syyt laajempaan näkökulmaan? Vastataksemme kaikkiin näihin kysymyksiin tutkimme Selviytymisanalyysia.
Selviytyminen-Analyysi on tärkeä haara Tilastoja, jotka on otettu huomioon vastata kaikkiin näihin kysymyksiin.
Elossaoloanalyysitutkimuksessa on määriteltävä aikataulu, jossa tämä tutkimus tehdään., Kuten monissa tapauksissa, on mahdollista, että tapahtuma-aika on sama kuin toisilleen. Selviytymisanalyysiin kuuluu ajan mallintaminen tapahtumatietoihin. Meidän on siis määriteltävä Eloonjäämisanalyysin konteksti tutkimuksessa kuten aika ”tapahtumana” Eloonjäämisanalyysin yhteydessä.
on olemassa erilaisia tapoja tehdä eloonjäämisanalyysi. Se suoritetaan monella tavalla, kuten silloin, kun määrittelemme ryhmän. Osa niistä on Kaplan Meier-käyriä, Coxin Regressiomalleja, Vaarafunktiota, Eloonjäämisfunktiota jne.,
kun Elossaoloanalyysi tehdään kahden eri Ryhmän elossaoloanalyysin vertailemiseksi. Siellä suoritamme Log-Rank-testin.
Kun Survival Analyysiä kuin kuvaamaan kategorinen ja määrällisten muuttujien selviytymisen haluamme tehdä Coxin suhteellisen vaaran regressio, Parametrinen Selviytymisen Malleja, jne.
Survival-Analyysi, meidän täytyy määritellä tietyt ehdot, ennen kuin yksi etenee, kuten Tapahtuma, Aika, Sensuroidaan, Survival-Toiminto, jne.,
Tapahtuma, kun puhumme, on toimintaa, joka tapahtuu tai ei tapahdu survival-analyysi tutkimuksessa, kuten Kuolema Henkilön tietyn sairauden, on aika saada lääke lääkärin diagnosoida, aikaa parantua rokotteilla, tapahtuma-aika vika koneiden valmistus työntekijäpuoli, aika tautien esiintyminen, jne.
Aika
survival-analyysi case-tutkimus on aika alusta selviytymisen analyysi havainto aiheesta vasta, kun tapahtuma on menossa esiintyä., Kuten tapauksessa Mekaaninen Kone vika meidän täytyy tietää
(a) aika, tapahtuma, kun kone alkaa
(b) kun kone epäonnistuu,
(c) menetys koneen tai shutdown kone survival-analyysi tutkimuksessa.
Sensuroidaan/ Sensuroitu Havainto
Tämä terminologia on määritelty, jos aihe, josta olemme tekemässä tutkimuksessa selviytymisen analyysi ei saa vaikuttaa määritelty tapahtuma opiskelua, niin ne ovat kuvattu sensuroitu. Sensuroidulla subjektilla ei välttämättä myöskään ole tapahtumaa selviytymisanalyysihavainnon päättymisen jälkeen., Aihetta kutsutaan sensuroiduksi siinä mielessä, että sensuroinnin jälkeen aiheesta ei havaittu mitään.
Sensorointihavaintoja on myös 3 tyyppiä-
1. Oikeanpuoleista sensurointia
oikeanpuoleista sensurointia käytetään monissa ongelmissa. Se tapahtuu, kun emme ole varmoja, mitä ihmisille tapahtui tietyn ajan kuluttua.
Se tapahtuu, kun todellinen tapahtuma-aika on suurempi kuin sensuroitu aikaa, kun c < t. Tämä tapahtuu, jos joko jotkut ihmiset voi olla seurasi koko ajan, koska he kuolivat tai katosivat seurata tai vetäytyi tutkimuksesta.,
2. Vasemmalta Sensuroitu
Vasen sensuroidaan on, kun emme ole varmoja, mitä tapahtui ihmisille, ennen kuin jossain vaiheessa. Vasemmalla sensuroidaan on päinvastainen tapahtuu, kun todellinen tapahtuma-aika on vähemmän kuin sensuroitu aikaa, kun c > t.
3. Väli Sensuroitu
Väli sensuroidaan on, kun me tiedämme, että jotain on tapahtunut välein (ei ennen aikaa ja ei kun päättyy aika-tutkimus), mutta emme tiedä tarkalleen, kun intervalli se tapahtui.,
Väli sensuroidaan on ketjuuntuminen vasen ja oikea sensuroidaan, kun aika on tiedossa, on tapahtunut kaksi kertaa pistettä
Selviytyminen Funktio S (t): Tämä on tn-funktio, joka riippuu aika tutkimus. Aihe selviää enemmän kuin aika t. Perhe-toiminto antaa todennäköisyys, että satunnaismuuttuja T ylittää määritetyn ajan t.
Täällä me keskustelemme Kaplan-Meier-Estimaattori.
Kaplan-Meier-Estimaattori
Kaplan-Meier-Estimaattori on käytetty arvioimaan selviytymisen toiminto elinikäinen tiedot., Se on ei-parametrinen tilastotekniikka. Se tunnetaan myös tuote-raja-estimaattori, ja käsite on arvioida selviytymisen aikaa tietyn ajan, kuten tärkeä lääketieteen trial tapahtuma, tietty aika, kuolema, epäonnistuminen kone, tai mikä tahansa merkittävä merkittävä tapahtuma.
on paljon esimerkkejä, kuten
1. Koneen osien vikaantuminen useiden tuntien käytön jälkeen.
2. Kuinka paljon aikaa COVID 19-rokotteella kestää parantaa potilas.
3. Kuinka paljon aikaa tarvitaan saada parannus lääketieteellisestä diagnoosista jne.
4., Arvioida, kuinka monta työntekijää lähtee yrityksestä tiettynä aikana.
5. Kuinka monet potilaat saavat parantua keuhkosyöpä
Arvioida, Kaplan Meier Survival meidän täytyy ensin arvioida Selviytymisen Funktio S (t) on todennäköisyys, että tapahtuma-aika t
Missä (d) ovat numero of death tapahtumien aikaan (t), ja (n) on useita aiheita on vaarassa kuolla juuri ennen aika (t).
Oletukset Kaplan-Meier Survival
tosielämän tapauksissa, meillä ei ole aavistustakaan todellinen survival rate-toiminto., Joten Kaplan Meier-Estimaattorissa arvioimme ja arvioimme todellisen eloonjäämisfunktion tutkimustietojen perusteella. Kaplan Meierin Eloonjäämisoletuksia
1) eloonjäämisen todennäköisyydet ovat samat kaikille tutkimukseen myöhään liittyneille näytteille ja niille, jotka ovat liittyneet tutkimukseen etuajassa. Eloonjäämisanalyysin, joka voi vaikuttaa, ei oleteta muuttuvan.
2) tapahtuman esiintyminen tapahtuu tiettynä ajankohtana.
3) tutkimuksen sensurointi ei riipu lopputuloksesta. Kaplan Meier-menetelmä ei riipu kiinnostuksesta.,
Elossaoloanalyysin tulkinta on Y-akseli osoittaa tutkittavan todennäköisyyden, joka ei ole tullut tapaustutkimuksen piiriin. X-akselilla näkyy kohteen kiinnostuksenilmaisu jaksamisen jälkeen. Jokainen eloonjäämisfunktion pisara (likiarvona Kaplan-Meier-estimaattori)johtuu siitä, että vähintään yksi havainto kiinnostaa.,
juoni on usein mukana luottamusvälit kuvaamaan epävarmuus piste-estimaatit-laajemmat luottamusvälit osoittavat, korkea epävarmuus, tämä tapahtuu, kun meillä on muutaman osallistujat – esiintyy sekä havaintoja kuolee ja on sensuroitu.
Merkittäviä asioita harkita Kaplan-Meier-Estimaattori Analyysi
1) Meidän täytyy tehdä Log Rank-Testi tehdä minkäänlaisia päätelmiä.
2) Kaplan Meierin tulokset voivat olla helposti puolueellisia., Kaplan-Meier on univariate lähestymistapa ongelman ratkaisemiseksi
3) Poistaminen Sensuroitu Data aiheuttaa muutoksen muoto käyrä. Näin syntyy kaavakkeita model fit-up
4) tilastollisista testeistä ja havainnoista tulee harhaanjohtavia, jos jatkuvan muuttujan Dikotomisointi suoritetaan.
5) dichotomizing tarkoittaa, että teemme tilastollisia toimenpiteitä, kuten mediaania ryhmien luomiseksi, mutta tämä voi johtaa ongelmiin tietokokonaisuudessa.,
ottakaamme esimerkiksi Python
Linkki Muistikirjaan- (https://drive.google.com/file/d/1VGKZNViDbx4rx_7lGMCA6dgU3XuMKGVU/view?usp=sharing)
Anna meidän tuoda tärkeää library tarvitaan työtä python
Ensimmäinen, tuomme eri python kirjastot työmme. Tässä otetaan keuhkosyöpätiedot. Kirjastojen ja latausten jälkeen luemme tiedot pandojen kirjastosta. Tietoaineisto sisältää erilaisia tietoja,
Tässä näemme Pää &hännän.,
Nyt, Tässä me tuomme python-koodi suoritetaan, Kaplan Meier-Estimaattori
Tänne, me suorita analyysi Karnofsky pisteet se x-akseli kuvaa aikajana ja y-akselilla pisteet. Paras sijoitus on 1 se tarkoittaa, että kohde on kunnossa, arvosana 0 tarkoittaa huonointa pistemäärää.
sitten käytämme koodi eloonjäämisen, ennen hoitoa, hoito täällä teemme Kaplan Meier estimaattori analyysi.
Sitten, meillä mahtuu kmf1 = KaplanMeierFitter() lavastaa Kaplan-Meier-toimintoa, ja me suorita seuraava koodi eri tietoja, jotka liittyvät keuhkosyöpä ongelmia.,
Kaplan-Meier-estimaattori suorittamisen jälkeen koodi näyttää juoni välillä Hoito-testi standardi &Hoito-testi.
tämän kirjan, minun tärkein tavoite oli selittää Selviytymisen Analyysin Kaplan-Meier-Estimaattori. Siihen liittyvät asiat ja ongelmakuvaus tosielämässä.,
Edut & Dis-Edut Kaplan-Meier-Estimaattori
Edut
1) ei vaadi liikaa ominaisuuksia – aika selviytyminen analyysi tapahtuma on vain tarvita.
2) tarjoaa keskivertokatsauksen tapahtumaan liittyen.