intervallcensorering

Intervallcensorering är en situation inom överlevnadsanalys där den exakta tidpunkten för en händelse inte är känd utan ligger inom ett känt intervall. Detta uppstår ofta när deltagare kontrolleras vid uppföljningar och händelsen kan inträffa mellan två besök eller provtagningar. Till skillnad från rätt- eller vänstercensorering används i intervallcensorering kända intervalldata för varje individ i analysen.

Data består av för varje individ ett vänster- och ett högerram: L_i och R_i, där den sanna händelsetiden T_i uppfyller L_i ≤ T_i ≤ R_i. Om händelsen inte inträffat före sista observationen sätts R_i till ∞. Hantering av intervallcensorering kräver därför särskilda metoder eftersom standardanalysmetoder som Kaplan-Meier inte längre är direkt tillämpliga.

I icke-parametrisk estimering används Turnbulls estimator, en generell metod som förlänger Kaplan-Meier till intervallcensorerad data. EM-algoritmen används ofta för att maximera sannolikheten under olika modellantaganden, särskilt när man behåller semiparametriska eller parametreska modeller. Man kan också använda modeller som Weibull, Gompertz eller Cox-modeller anpassade till intervallcensorering. Dessa metoder gör det möjligt att uppskatta överlevnadsfunktioner och hazardfunktioner samt att göra relativa effekter som hazardratioer under olika antaganden.

Användningsområden inkluderar kliniska prövningar och epidemiologiska studier där uppföljningar är intermittenta eller där händelser observeras endast inom givna intervall. Eftersom censoreringens typ påverkar tolkningen är det viktigt att tydligt ange antaganden om oberoende mellan censorering och händelse.

Praktisk användning för analysen finns i programvara som R: paketet icenReg implementerar Turnbulls estimator och ML-lösningar för intervallcensorerad data, medan survival-paketet kan användas med Surv(..., type='interval2') tillsammans med survreg eller survfit.