Analiza przeżycia (w R)

Opis kursu

Ten kompleksowy kurs jest dostosowany do potrzeb specjalistów medycznych, badaczy i organizacji badań klinicznych (CRO), którzy chcą opanować metody statystyczne do analizy danych medycznych dotyczących przeżycia. Analiza danych dotyczących przeżywalności jest kluczowym narzędziem w badaniach medycznych, śledzącym wyniki czasowe, takie jak śmiertelność, progresja choroby lub skuteczność leczenia. Nasz kurs zapewnia solidne podstawy programowania w języku R i zaawansowanych technik statystycznych, umożliwiając przeprowadzanie zaawansowanych analiz przeżywalności, które mogą potencjalnie zrewolucjonizować opiekę nad pacjentami i badania medyczne.

Treść kursu:

1. Wprowadzenie do R.: Twój statystyczny szwajcarski scyzoryk
   • Pewne poruszanie się w środowisku R
   • Techniki importu danych podstawowych (CSV, Excel, SPSS)
   • Wykonywanie podstawowych operacji na danych przy użyciu dplyr i tidyr
   • Tworzenie grafiki o jakości publikacji za pomocą ggplot2
   • Przykład: Zaimportuj zestaw danych z badania klinicznego i utwórz podstawową wizualizację danych demograficznych pacjentów.
2. Wizualizacja danych: Ożywianie danych
   • Poznaj zaawansowane techniki tworzenia wykresów dla danych dotyczących przeżywalności
   • Tworzenie informacyjnych i estetycznych krzywych przeżycia
   • Wykorzystanie interaktywnych wizualizacji do dynamicznej eksploracji danych
   • Przykład: Opracuj wielowarstwowy wykres porównujący krzywe przeżycia w różnych grupach leczenia.
3. Tabele życia: Elementy składowe analizy przetrwania
   • Konstruowanie i interpretowanie tablic trwania życia
   • Obliczanie prawdopodobieństwa przeżycia i współczynników zagrożenia
   • Zrozumienie koncepcji cenzurowania w danych dotyczących przeżycia
   • Przykład: Stworzenie tabeli życia dla kohorty pacjentów z rakiem poddawanych nowatorskiemu leczeniu immunoterapeutycznemu.
4. Krzywe przeżycia Kaplana-Meiera: Złoty standard analizy przetrwania
   • Szacowanie funkcji przeżycia przy użyciu metody Kaplana-Meiera
   • Porównanie krzywych przeżycia w wielu grupach
   • Przeprowadzenie testów log-rank pod kątem istotności statystycznej
   • Przykład: Analiza skuteczności nowego leku sercowo-naczyniowego poprzez porównanie krzywych Kaplana-Meiera grup leczonych i kontrolnych.
5. Modele regresji Coxa: Rozwikłanie złożoności przetrwania
   • Implementacja i interpretacja modeli proporcjonalnych zagrożeń Coxa
   • Ocena wpływu wielu zmiennych na przeżywalność
   • Testowanie i radzenie sobie z naruszeniami założenia proporcjonalności zagrożeń
   • Przykład: Ocena wpływu wieku, płci i biomarkerów na wskaźniki przeżycia w badaniu dotyczącym raka płuc.
6. Parametryczne modele przeżycia: Kiedy założenia są twoimi przyjaciółmi
   • Poznaj modele Weibulla, wykładnicze i logarytmiczno-normalne
   • Zrozumienie, kiedy i jak stosować modele parametryczne
   • Porównanie podejścia parametrycznego i półparametrycznego
   • Przykład: Modelowanie czasu do zdarzenia sercowego u pacjentów z chorobą wieńcową przy użyciu rozkładu Weibulla.
7. Metody nieparametryczne: Uwolnienie się z kajdan dystrybucji
   • Implementacja testów nieparametrycznych dla danych przeżycia
   • Zrozumienie zalet i ograniczeń metod bezdystrybucyjnych
   • Zastosowanie technik wygładzania do krzywych przeżycia
   • Przykład: Zastosowanie podejścia nieparametrycznego do analizy przeżycia w heterogenicznej populacji pacjentów z udarem mózgu.
8. Modele konkurencyjnego ryzyka: Kiedy jedno ryzyko to za mało
   • Zrozumienie koncepcji konkurujących ryzyk w analizie przeżycia
   • Wdrożenie modeli Fine-Gray dla konkurencyjnych danych dotyczących ryzyka
   • Interpretacja skumulowanych funkcji częstości występowania
   • Przykład: Analiza czasu do nawrotu raka lub zgonu z innych przyczyn w długoterminowym badaniu obserwacyjnym.

W trakcie kursu będziesz pracować z rzeczywistymi zestawami danych medycznych, rozwiązując złożone problemy związane z analizą przeżywalności, które odzwierciedlają wyzwania napotykane w badaniach klinicznych. Pod koniec kursu będziesz wyposażony w potężny zestaw narzędzi statystycznych, które pozwolą ci poszerzyć wiedzę medyczną i potencjalnie poprawić wyniki leczenia pacjentów.

Zastrzeżenie: Kurs ten znacznie zmniejsza ryzyko błędnej interpretacji wartości p i współczynnika ryzyka, ale może zwiększyć tendencję do postrzegania zdarzeń życiowych w kategoriach prawdopodobieństwa przeżycia. Efekty uboczne mogą obejmować śnienie na krzywych Kaplana-Meiera i nieodpartą chęć obliczenia mediany czasu przeżycia roślin domowych. Jeśli objawy nie ustąpią, należy skonsultować się ze statystykiem :)