Supposons que vous avez un cas où vous voulez effectuer une analyse de survie sur un ensemble d`individus avec une covariable à valeur binaire unique. Supposons que l`hypothèse de PH est satisfaite. Disons que l`objectif est d`analyser la différence entre les deux groupes (correspondant aux 2 valeurs de la covariable). Dans ce cas, quelle serait la différence entre l`utilisation de Kaplan-Meier et de Cox PH modèle? Aussi, intuitivement, pourquoi seraient-ils différents? Je sais que Cox prend en compte la valeur de la covariable, mais dans ce cas, étant donné qu`il est à valeur binaire, Kaplan-Meier serait également le faire dans un sens. Nous connaissons le moment de l`événement, à savoir la mort dans chaque sujet, après qu`il/elle soit entré dans le procès, peut-il être à des moments différents. Il y a aussi quelques sujets qui survivent encore, c`est-à-dire à la fin du procès. Même dans ces conditions, nous pouvons calculer les estimations de Kaplan-Meier comme résumées dans le tableau 1. L`estimation de Kaplan-Meier est l`une des meilleures options à utiliser pour mesurer la fraction de sujets vivant pendant un certain laps de temps après le traitement. Dans les essais cliniques ou les essais communautaires, l`effet d`une intervention est évalué en mesurant le nombre de sujets survivants ou sauvés après cette intervention sur une période de temps. Le temps commençant à partir d`un point défini à l`occurrence d`un événement donné, par exemple la mort est appelée temps de survie et l`analyse des données de groupe comme analyse de survie. Cela peut être affecté par des sujets à l`étude qui ne sont pas coopératifs et ont refusé d`être resté dans l`étude ou lorsque certains des sujets peuvent ne pas éprouver l`événement ou la mort avant la fin de l`étude, bien qu`ils auraient connu ou décédé si l`observation continué, ou nous perdons contact avec eux à mi-chemin dans l`étude. Nous étiquetons ces situations comme des observations censurées.

L`estimation de Kaplan-Meier est le moyen le plus simple de calculer la survie au fil du temps, malgré toutes ces difficultés associées à des sujets ou des situations. La courbe de survie peut être créée en supposant diverses situations. Il s`agit de calculer les probabilités d`occurrence de l`événement à un certain moment et de multiplier ces probabilités successives par toutes les probabilités calculées antérieurement pour obtenir l`estimation finale. Cela peut être calculé pour deux groupes de sujets et aussi leur différence statistique dans les Survivals. Cela peut être utilisé dans la recherche ayurvédique quand ils sont la comparaison de deux médicaments et la recherche de la survie des sujets. Notez que si d (s) = 0 {displaystyle d (s) = 0}, q ^ (s) = 1 {displaystyle {hat {q}} (s) = 1}. Cela implique que nous pouvons laisser sortir du produit définissant S ^ (t) {displaystyle {hat {S}} (t)} tous ces termes où d (s) = 0 {displaystyle d (s) = 0}. Puis, en laissant 0 ≤ t 1 0 {displaystyle d (s) > 0}, d i = d (t i) {displaystyle d_ {i} = d (t_ {i})} et n i = n (t i) {displaystyle n_ {i} = n (t_ {i})}, nous arrivons à la forme de l`estimateur Kaplan-Meier donné à la début de l`article: après avoir appelé la méthode d`ajustement, le KaplanMeierFitter a une propriété appelée survival_function_ (encore une fois, nous suivons le style de scikit-Learn, et ajouter un trait de soulignement à toutes les propriétés qui ont été calcul estimé). La propriété est un DataFrame pandas, afin que nous puissions appeler Plot sur elle: les modèles paramétriques peuvent également être utilisés pour créer et tracer la fonction de survie, aussi.