عکس پروفایل ایستگاه اپیدمیولوژی/پژوهش/مقالها
۱.۲ هزار عضو

ایستگاه اپیدمیولوژی/پژوهش/مقاله

undefined هر آنچه که مربوط به علم اپیدمیولوژی ، آمار زیستی و پژوهش است را اینجا خواهیم گفت
آموزش | مشاوره | منتورینگ | ویراستاری پژوهشی
undefined️ارتباط با ما:undefined@M_Shahmansuri
undefinedکانال تلگرامی:undefinedhttps://t.me/Epidemiology_Station
thumbnail
undefined تحلیل بقا؛ چرا نمی‌توانیم فقط میانگین را حساب کنیم؟
undefined️فرض کن دو داروی جدید برای سرطان تست کرده‌ای. گروه اول با داروی A به طور میانگین ۲۰ ماه زنده ماندند، گروه دوم با داروی B به طور میانگین ۱۸ ماه.به نظر می‌رسد داروی A بهتر است، نه؟ اما عجله نکن.
undefinedاگر در گروه A، نیمی از بیماران در ماه دوم مردند و چند نفر خیلی طول کشیدند (میانگین بالا آمده)، اما در گروه B همه تقریباً بین ۱۵ تا ۲۱ ماه زنده ماندند، کدام دارو واقعاً بهتر است؟
اینجا نشان داده می‌شود که میانگین به تنهایی کافی نیست. باید ببینیم در هر نقطه از زمان، چه نسبتی از بیماران زنده‌اند.
undefined️ تحلیل بقا یعنی چه؟
تحلیل بقا مجموعه‌ای از روش‌های آماری است که برای تحلیل زمان تا وقوع یک رویداد (مرگ، عود بیماری، بهبودی) استفاده می‌شود. مهم‌ترین ویژگی آن این است که می‌تواند با افرادی که در طول مطالعه از پیگیری خارج می‌شوند (سانسور شده) به درستی برخورد کند.
undefined چرا نمی‌توانیم از رگرسیون خطی معمولی استفاده کنیم؟
در رگرسیون خطی، فرض می‌کنیم همه افراد تا پایان مطالعه رویداد را تجربه می‌کنند، اما در واقعیت خیلی‌ها از مطالعه خارج می‌شوند (مهاجرت، قطع همکاری، یا پایان مطالعه قبل از رویداد).
توزیع زمان بقا معمولاً نرمال نیست (اغلب چوله به راست است).
تحلیل بقا به طور خاص برای این داده‌ها طراحی شده است.
undefined مفاهیم کلیدی (فقط دو مفهوم برای شروع):
زمان بقا (Survival time): فاصله از شروع مطالعه (یا تشخیص بیماری) تا وقوع رویداد (مثلاً مرگ).
سانسور (Censoring): وقتی فردی در طول مطالعه رویداد را تجربه نمی‌کند (به دلیل خارج شدن از مطالعه، یا پایان مطالعه قبل از مرگ). تحلیل بقا این افراد را تا آخرین لحظه حضور در مطالعه در محاسبات نگه می‌دارد.
undefined مثال ساده:در یک مطالعه ۵ ساله روی ۱۰۰ بیمار، ۶۰ نفر فوت می‌کنند، ۴۰ نفر یا زنده‌اند یا از مطالعه خارج شده‌اند. تحلیل بقا از اطلاعات آن ۴۰ نفر هم استفاده می‌کند (تا زمانی که در مطالعه بوده‌اند)، در حالی که اگر فقط میانگین مرگ را حساب کنید، آن ۴۰ نفر را کاملاً حذف می‌کنید و نتیجه غلط می‌دهید.
undefined جمع‌بندی مقدماتی:
تحلیل بقا برای داده‌های «زمان تا رویداد» استفاده می‌شود.
مزیت اصلی آن نسبت به روش‌های معمولی: برخورد صحیح با افراد سانسور شده (کسانی که تا پایان مطالعه رویداد را تجربه نکردند).
خروجی‌های معروف: منحنی کاپلان-مایر، میانه بقا (زمانی که ۵۰٪ افراد رویداد را تجربه کرده‌اند)، و نسبت خطر (Hazard Ratio).
کاربردها: مطالعات بالینی سرطان، کارآزمایی‌های دارویی، اپیدمیولوژی بیماری‌های مزمن، مطالعات پیگیری طولانی‌مدت.
undefinedایستگاه اپیدمیولوژی undefined
آموزش / مشاوره مقاله و پایان‌نامه و طرح پژوهشی و آماری / ویراستاری پژوهشی / منتورینگ پژوهشی
undefined تلگرام/ بله
undefinedارتباط با ما و رزرو مشاوره
undefined@Epidemiology_Station
undefined۹
undefined۱

۳.۳K

۱۷:۳۳