by Das Kaplan-Meier-Verfahren ist ein nichtparametrisches statistisches Verfahren zur Schätzung der Überlebensfunktion aus Zeit-bis-Ereignis-Daten.. An example of a Kaplan-Meier plot for two conditions associated with patient survival. The Kaplan-Meier estimator, [1][2] also known as the product limit estimator, is a non-parametric statistic used to estimate the survival function from lifetime data.
Der Kaplan-Meier-Schätzer (auch Produkt-Grenzwert-Schätzer, kurz: PGS) dient zum Schätzen der Wahrscheinlichkeit, dass bei einem Versuchsobjekt ein bestimmtes Ereignis innerhalb eines Zeitintervalls nicht eintritt. Es handelt sich um eine nichtparametrische Schätzung der Überlebensfunktion im Rahmen der Ereigniszeitanalyse. Die zu Grunde liegenden Daten können rechts-zensiert sein. Diese Methode wurde 1958 von Edward L. Kaplan und Paul Meier entwickelt.
Die Bezeichnung Produkt-Grenzwert-Schätzer rührt daher, dass man diesen Schätzer als Grenzwert von Sterbetafelschätzungen mit gegen null gehenden Intervalllängen interpretieren kann.
Rechenvorschrift
Der Kaplan-Meier-Schätzer für die Überlebensfunktion
S
(
t
)
{\displaystyle S(t)}
(also die Wahrscheinlichkeit dafür, dass die Zeit bis zum Eintreten des Ereignisses
t
{\displaystyle t}
überschreitet) ist gegeben durch:
S
^
(
t
)
=
∏
t
(
i
)
≤
t
n
i
−
d
i
n
i
=
∏
t
(
i
)
≤
t
(
1
−
d
i
n
i
)
{\displaystyle {\hat {S}}(t)=\prod _{t_{(i)}\leq t}{\frac {n_{i}-d_{i}}{n_{i}}}=\prod _{t_{(i)}\leq t}\left(1-{\frac {d_{i}}{n_{i}}}\right)}
mit
S
^
(
0
)
=
1
{\displaystyle {\hat {S}}(0)=1}
d
i
=
{\displaystyle d_{i}=}
Versuchsobjekte, bei denen das Ereignis zum Zeitpunkt
t
(
i
)
{\displaystyle t_{(i)}}
eingetreten ist
n
i
=
{\displaystyle n_{i}=}
Versuchsobjekte zum Zeitpunkt
t
(
i
)
{\displaystyle t_{(i)}}
unter Risiko
Beispiel
Zugrunde liegend soll folgende Tabelle sein:
Stellt die Tabelle die Ergebnisse einer klinischen Studie dar, so repräsentiert sie folgendes Geschehen:
Anfänglich sind 15 Patienten vorhanden. Sie stehen aber „unter Risiko“, d. h. bei ihnen ist das Ereignis noch nicht eingetroffen.
Tag 1: Ein Patient geht bereits nach einem Tag in der Studie verloren, d. h., er hat die Studie verlassen, ohne dass bei ihm bis dahin das Ereignis eingetreten ist (z. B. letzte Beobachtung 1 Tag vor Studienende).
S
^
(
1
)
=
15
−
0
15
=
1
{\displaystyle {\hat {S}}(1)={\frac {15-0}{15}}=1}
Solche durch Zensur verursachten Terme sind immer 1 und werden daher in den folgenden Berechnungen nicht mehr mitgeschrieben.
Er wird zensiert, somit stehen nun nur noch 14 Patienten unter Risiko.
Tag 12: Bei einem Patienten tritt das Ereignis ein.
S
^
(
12
)
=
14
−
1
14
=
0,928
6
{\displaystyle {\hat {S}}(12)={\frac {14-1}{14}}=0{,}9286}
Es stehen nun noch 13 Patienten unter Risiko.
Tag 22: Ein weiterer Patient muss zensiert werden.
S
^
{\displaystyle {\hat {S}}}
ändert sich nicht:
S
^
(
22
)
=
S
^
(
12
)
{\displaystyle {\hat {S}}(22)={\hat {S}}(12)}
Die Anzahl der Patienten unter Risiko verringert sich auf 12.
Tag 29: Bei einem weiteren Patienten tritt das Ereignis ein.
S
^
(
29
)
=
12
−
1
12
⋅
14
−
1
14
=
0,916
7
⋅
0,928
6
=
0,851
2
{\displaystyle {\hat {S}}(29)={\frac {12-1}{12}}\cdot {\frac {14-1}{14}}=0{,}9167\cdot 0{,}9286=0{,}8512}
Es stehen nun 11 Patienten unter Risiko.
usw.
Deshalb stehen die am längsten beobachteten Patienten am Ende der Kurve. Durch die reduzierte Anzahl an Patienten unter Risiko steigt auch die Unsicherheit der Schätzung für das Risiko zum späteren Zeitpunkt (breiteres Konfidenzintervall).
Eigenschaften
Der Kaplan-Meier Schätzer maximiert die empirische Likelihood.
Varianz
Die Varianz des Schätzers kann im Intervall
t
k
≤
t
≤
t
k
+
1
{\displaystyle t_{k}\leq t\leq t_{k+1}}
mittels
Var
^
{
S
^
(
t
)
}
≈
[
S
^
(
t
)
]
2
{
∑
i
=
1
k
d
i
n
i
(
n
i
−
d
i
)
}
{\displaystyle {\widehat {\operatorname {Var} }}\{{\hat {S}}(t)\}\approx [{\hat {S}}(t)]^{2}\left\{\sum _{i=1}^{k}{\frac {d_{i}}{n_{i}(n_{i}-d_{i})}}\right\}}
geschätzt werden.
Konfidenzintervall
Das Konfidenzintervall kann wie gewohnt aus der Varianz bzw. dem Standardfehler berechnet werden.
SE
^
{
S
^
(
t
)
}
≈
[
S
^
(
t
)
]
{
∑
i
=
1
k
d
i
n
i
(
n
i
−
d
i
)
}
1
2
{\displaystyle {\widehat {\operatorname {SE} }}\{{\hat {S}}(t)\}\approx [{\hat {S}}(t)]\left\{\sum _{i=1}^{k}{\frac {d_{i}}{n_{i}(n_{i}-d_{i})}}\right\}^{\frac {1}{2}}}
Diese Formel wird auch als Greenwood-Formel oder Greenwoodsche Formel bezeichnet.
Das 95-%-Konfidenzintervall lautet somit:
[
S
^
(
t
)
−
1
,
96
⋅
SE
^
{
S
^
(
t
)
}
;
S
^
(
t
)
+
1
,
96
⋅
SE
^
{
S
^
(
t
)
}
]
{\displaystyle \left[{\hat {S}}(t)-1{,}96\cdot {\widehat {\operatorname {SE} }}\{{\hat {S}}(t)\};{\hat {S}}(t)+1{,}96\cdot {\widehat {\operatorname {SE} }}\{{\hat {S}}(t)\}\right]}
Siehe auch
- Ereigniszeitanalyse
- Zensierte Daten
- Cox-Regression
Literatur
- A. Ziegler, S. Lange & R. Bender: Überlebenszeitanalyse: Eigenschaften und Kaplan-Meier Methode. Deutsche Medizinische Wochenschrift, 132(S 01) (2007), S. e36–e38. doi:10.1055/s-2007-959038
- Karl Michael Ortmann: Praktische Lebensversicherungsmathematik, Springer Spektrum, Wiesbaden 2016, ISBN 978-3-658-10199-2, S. 74–77.
Einzelnachweise
How to interpret KAPLANMEIER curves Easily explained! YouTube
Figur 3 KaplanMeierSchätzer der Überlebenswahrscheinlichkeiten im
KaplanMeier survival curve. Download Scientific Diagram
KaplanMeier curves of overall survival over followup time according
KaplanMeier curve easily explained!
Kaplan Meier curve explained YouTube
KaplanMeierSchätzer Kaplan Meier Kurve • Einfach erklärt XAQE
KaplanMeierSchätzer Kaplan Meier Kurve • Einfach erklärt XAQE
KaplanMeier curves for OS for the main stages of the 7th edition
KaplanMeier Plot with Event Table and Other Customizations SAS/STAT
KaplanMeier survival curves interpretation and communication of risk
KaplanMeier curves for overall survival analysis according to ACAT1
KaplanMeier curve regarding the time from presentation to publication
KaplanMeier Curves Created with SAS/Graph
KaplanMeier curves. KaplanMeier curves for overall survival of all
KaplanMeier curve easily explained!
FIGURE. KaplanMeier curves for survival. A, KaplanMeier curves
KaplanMeier Curves of Survival by Postoperative TTE Parameters. For
The KaplanMeier curves for the breast cancer subtypes The KaplanMeier
Survival analysis, part 2 KaplanMeier method and the logrank test
Lernen Sie, wie Sie die Kaplan-Meier Überlebensfunktion grafisch und statistisch interpretieren und berichten. Vergleichen Sie die Mittelwerte und Mediane für die Überlebenszeit in verschiedenen Therapiegruppen zur Behandlung von Spinnenphobie.. Der Kaplan-Meier Schätzer hat keinen Bias für die Werte von t, so dass die Zensierung unmöglich ist. Für t > b − a, ist die Aussage für Bias kompliziert, so wie für kleine Stich-proben.
