اختبار لوغ رانك مقابل نموذج كوكس للمخاطر النسبية
تمت المراجعة العلمية · د. مروة عبد العظيم · 16 نوفمبر، 2026
معايير التدقيق والاعتماد السريري
يخضع هذا المحتوى لمعايير ضبط الجودة والتدقيق العلمي والأكاديمي الصارمة في شبكة علم النفس العربي، لضمان صحة المعلومات ودقتها السريرية ومطابقتها لأحدث الأدلة والبراهين الصادرة عن الجمعيات النفسية والطبية المعتمدة (APA / WHO).
يمثل تحليل البقاء (Survival Analysis) أحد أكثر الفروع الإحصائية تطوراً ورسوخاً في بيئات البحث الإكلينيكي والطبي والعلوم الوبائية والاجتماعية؛ نظراً لقدرته المتفردة على نمذجة “الوقت المنقضي حتى وقوع حدث معين” (Time-to-Event). وفي خضم الممارسة الإحصائية اليومية، يواجه الباحثون مفترق طرق منهجي محوري يتمثل في الاختيار بين أداتين هما الأكثر شيوعاً وشهرة في دراسة منحنيات البقاء وتحليل المخاطر: اختبار لوغ رانك (Log-Rank Test) ونموذج الانحدار للمخاطر النسبية لديفيد كوكس (Cox Proportional Hazards Model). وعلى الرغم من أن الأداة الأولى تبدو في كثير من الأحيان كاختبار فرضي لا معلمي مباشر لمقارنة مجموعتين، بينما يُنظر إلى الثانية كنموذج إحصائي متعدد المتغيرات وشبه معلمي، إلا أن العلاقة بينهما تتجاوز مجرد المقارنة الثنائية السطحية إلى تداخل رياضي ومفاهيمي معقد.
إن الالتباس المنهجي الحاصل بين الأداتين ليس مجرد تساؤل نظري عابر، بل هو معضلة تطبيقية تنعكس نتائجها مباشرة على دقة الاستنتاجات الطبية وسلامة القرارات العلاجية في التجارب السريرية المضبوطة بالشواهد والدراسات الوبائية الأترابية؛ إذ إن استخدام اختبار لوغ رانك بمعزل عن فهم شروطه، أو توظيف نموذج كوكس دون التحقق الدقيق من افتراضاته الجوهرية، قد يقود إلى تضليل إحصائي يُخفي فروقاً علاجية حقيقية أو يضخم تأثيرات واهية نتيجة إغفال المتغيرات المربكة (Confounding Variables) أو تجاهل تغير نسب المخاطر عبر الزمن. ومن هنا، تبرز الحاجة الملحة لتفكيك البنية النظرية والرياضية لكلتا الأداتين واستكشاف حدودهما التطبيقية.
يهدف هذا الدليل المرجعي الشامل إلى سبر أغوار المقارنة بين اختبار لوغ رانك ونموذج كوكس للمخاطر النسبية، متتبعاً أصولهما التاريخية وجذورهما الرياضية بدقة متناهية، ومحللاً الفروق المفاهيمية وآليات التعامل مع البيانات الخاضعة للرقابة (Censored Data). كما يقدم هذا العمل دليلاً عملياً استرشادياً للباحثين والإحصائيين يوضح متى يكون الاختبار اللامعلمي كافياً ومفضلاً، ومتى تصبح النمذجة شبه المعلمية ضرورة لا غنى عنها، مدعوماً بالدراسات السريرية المرجعية والمعايير المنهجية الرصينة لتحليل بيانات البقاء المعقدة.
1. المقدمة: المفاهيم الأساسية وسياق المقارنة في تحليل البقاء
1.1 مدخل إلى تحليل البقاء والبيانات الخاضعة للرقابة (Censored Data)
يختص تحليل البقاء، الذي يُعرف أيضاً في العلوم الهندسية بنظرية الموثوقية (Reliability Theory) وفي العلوم الاجتماعية بتحليل تاريخ الأحداث (Event History Analysis)، بدراسة المتغيرات العشوائية التي تعبر عن الزمن المنقضي من نقطة بداية محددة بدقة حتى وقوع حدث نهائي (Endpoint). وقد يكون هذا الحدث وفاة المريض، أو انتكاس المرض وظهوره مجدداً، أو فشل عضو مزروع، أو حتى تعطل آلة ميكانيكية أو استقالة موظف من مؤسسة. وتكمن الصعوبة التحليلية التي تميز هذه البيانات وتمنع تطبيق الأساليب الإحصائية الكلاسيكية—كنماذج الانحدار الخطي المتعدد (Linear Regression) أو تحليل التباين (ANOVA)—في خاصيتين متلازمتين: التوزيع غير الطبيعي لأوقات البقاء الذي يتسم عادة بالالتواء الشديد نحو اليمين (Positive Skewness)، والوجود الحتمي لظاهرة “البيانات المبتورة” أو “الخاضعة للرقابة” (Censored Data).
تنشأ الرقابة (Censoring) عندما لا يتمكن الباحث من رصد وقت وقوع الحدث الفعلي لبعض أفراد عينة الدراسة خلال فترة المتابعة المحددة. وتُعد الرقابة اليمينية (Right Censoring) هي النمط الأكثر شيوعاً وهيمنة في الأبحاث السريرية والوبائية؛ حيث تنتهي مدة الدراسة المجدولة دون أن يختبر المريض الحدث، أو ينقطع المريض عن المتابعة نتيجة سفره أو انسحابه الطوعي (Loss to Follow-up)، أو يتوفى لسبب منافس تماماً لا علاقة له بالمرض قيد الدراسة. وفي هذه الحالات، لا تكون المعلومة معدومة تماماً، بل يعلم الباحث يقيناً أن وقت بقاء هذا الفرد يتجاوز على الأقل الزمن المرصود حتى تاريخ آخر فحص سريري. ولذلك، فإن حذف هؤلاء الأفراد يؤدي إلى انحياز فادح نحو تقليل معدلات البقاء الحقيقية، بينما معاملة أزمنتهم المبتورة كأوقات حدث نهائية يقود إلى استنتاجات خاطئة تماماً.
إن محاولة الالتفاف على هذه المعضلة باستخدام انحدار لوجستي (Logistic Regression) للتعامل مع وقوع الحدث كمتغير ثنائي (حدث / لم يحدث) تفشل بصورة بنيوية؛ لأنها تتجاهل البعد الزمني تماماً وتساوي بين مريض تعرض للانتكاس بعد يومين من بدء العلاج وآخر استمر معافى لمدة خمس سنوات قبل أن ينتكس في الشهر الأخير من التجربة. ومن هنا، انبثقت ضرورة بناء مقاييس احتمالية ترتكز على “دالة البقاء” $S(t) = P(T > t)$، التي تعكس احتمال أن يتجاوز وقت بقاء الفرد زمناً معيناً $t$، و”دالة الخطر” $h(t)$، التي تصف المعدل اللحظي لوقوع الحدث في اللحظة الزمنية $t$ بشرط نجاة الفرد حتى تلك النقطة. وتُعد هذه الأدبيات المنهجية حجر الزاوية الذي تأسست عليه نماذج تقييم التدخلات الصحية، كما أظهرت الدراسات التتبعية الطويلة مثل أبحاث Penninx ورفاقها (Penninx et al., 2011) التي رصدت مسارات الاضطرابات النفسية المزمنة ومخاطر استمرارها بالاعتماد على التتبع الدقيق لبيانات البقاء الخاضعة للرقابة.
1.2 دواعي المقارنة والخلط الشائع بين الأسلوبين
في الممارسة الإحصائية العملية، يجد الباحث نفسه أمام أسلوبين بارزين لمقارنة تجارب البقاء بين مجموعتين أو أكثر (مثل مجموعة تتلقى دواءً مبتكراً ومجموعة تتلقى العلاج المعياري أو الوهمي): اختبار لوغ رانك ونموذج كوكس للمخاطر النسبية. ويستخدم كلاهما للإجابة عن تساؤل جوهري مفاده: هل يختلف احتمال البقاء ومعدل وقوع الحدث بصورة ذات دلالة إحصائية بين المجموعات الخاضعة للمقارنة عبر الزمن؟ ومع ذلك، يسود في الأدبيات البحثية خلط شائع يخلط بين الاختبار الإحصائي كأداة لاختبار الفرضيات الصفرية (Hypothesis Testing) وبين نموذج الانحدار كأداة لتقدير المعلمات وتحديد حجوم الآثار (Effect Size Estimation) والتنبؤ.
يُنظر إلى اختبار لوغ رانك تقليدياً على أنه الأداة الافتتاحية السهلة والمباشرة؛ فهو يقدم قيمة احتمالية ($p$-value) مجردة تحسم ما إذا كانت منحنيات كابلان-ماير (Kaplan-Meier Curves) المتناظرة للمجموعات متطابقة إحصائياً أم أن هناك تفاوتاً لا يعزى للصدفة العشوائية. غير أن هذا الاختبار يقف عاجزاً عن الإفصاح عن “مقدار” هذا التباين أو قياس شدته كمياً بنسبة عددية معبرة سريرياً. في المقابل، يمتلك نموذج كوكس قدرة فائقة على صياغة هذا الفرق في صورة “نسبة مخاطر” (Hazard Ratio – HR) مع فترات ثقة إحصائية دقيقة، مما يمنح الفريق الطبي فهماً سريرياً معمقاً لمدى انخفاض الخطر النسبي للمرضى، فضلاً عن إمكانية التحويل من المقارنة الثنائية البسيطة إلى التحليل متعدد المتغيرات الذي يعزل تأثير الفروق المسبقة في العمر والجنس والحالة المرضية الأساسية.
ينشأ اللبس المنهجي لدى كثير من الباحثين عندما ينتقلون بصورة ميكانيكية بين الاختبارين دون إدراك للعلاقة الرياضية العميقة التي تربطهما؛ حيث يظن البعض أن اختبار لوغ رانك ونموذج كوكس أسلوبان متنافسان يخرجان من منطلقات متباعدة كلياً. والواقع الرياضي الموثق يثبت أن اختبار لوغ رانك يمثل في جوهره حالة خاصة واختبار درجة أثر (Score Test) مستخلص من نموذج كوكس أحادي المتغير لمتغير فئوي ثنائي. ويقود الجهل بهذه الحقيقة إلى مفارقات شائعة؛ كأن يعرض الباحث في ورقته العلمية نتيجة اختبار لوغ رانك ذات دلالة إحصائية، مصحوبة بنموذج كوكس يُظهر قيمة $p$ مختلفة قليلاً لنفس المتغير، فيحتار في التفسير دون أن يدرك أن التباين ناتج عن اختلاف آليات الحساب الرياضي للاختبارات الفرعية المرافقة (Score Test مقابل Wald Test)، أو نتيجة اختلاف طفيف في معالجة الحالات المتعادلة زمنياً (Ties).
1.3 نطاق التطبيق في الأبحاث الطبية والبيولوجية والعلوم الاجتماعية
يتسع النطاق التطبيقي لكلا الأسلوبين ليشمل مروحة بالغة التنوع من التخصصات البحثية المعاصرة. ففي سياق التجارب السريرية العشوائية (Randomized Controlled Trials – RCTs)، يتربع اختبار لوغ رانك ونموذج كوكس على عرش التحليلات الإحصائية المعتمدة لتقييم نقاط النهاية الأولية والثانوية للأدوية الحديثة؛ مثل معدل البقاء الإجمالي (Overall Survival) وفترة البقاء الخالية من تفاقم المرض (Progression-Free Survival) في الأورام السرطانية، أو استدامة الاستجابة للعلاجات النفسية والسلوكية كما وثقتها تجارب تقييم فعالية العلاج المعرفي القائم على التيقظ الذهني مقارنة بالأدوية المضادة للاكتئاب لمنع الانتكاس لدى Kuyken ورفاقه (Kuyken et al., 2015).
أما في علم الأوبئة والصحة العامة، حيث تهيمن الدراسات الأترابية (Cohort Studies) القائمة على الملاحظة، فإن نموذج كوكس يتحول إلى العمود الفقري للمنهجية الإحصائية. فالعلماء يسعون باستمرار إلى عزل محددات الاعتلال وعوامل الخطورة المؤثرة في متوسطات العمر دون القدرة على تعيين الأفراد عشوائياً. وقد تجلى ذلك في دراسة الأثر التراكمي للتجارب السلبية في مرحلة الطفولة على احتمالات الوفاة المبكرة الناجمة عن شتى الأسباب عبر عقود من المتابعة (Kelly‐Irving et al., 2013)، فضلاً عن تقييم محددات السلوكيات الخطرة وتكرار إيذاء الذات والانتحار في عينات المرضى النفسيين المحولين للمستشفيات العامة (Hawton et al., 2003؛ وأيضاً Miller et al., 2017).
ولا يقتصر هذا الزخم المنهجي على الطب الحيوي فحسب، بل يمتد بقوة إلى طب العمل والدراسات البيئية، مثل نمذجة زمن تطور متلازمة الأيض لدى العاملين في نوبات الحراسة الليلية بالمستشفيات مقارنة بزملائهم في النوبات النهارية (Pietroiusti et al., 2009)، وإلى دراسات انتقال الاضطرابات الوجدانية عبر الأجيال على مدار ثلاثة عقود كاملة (Weissman et al., 2016؛ وكذلك Fombonne et al., 2001). وفي ميادين الاقتصاد القياسي وتحليل الموثوقية الهندسية، يُستخدم النموذجان لتتبع الفترات الفاصلة بين استبدال المعدات التالفة أو حساب زمن بقاء الأفراد في حالة البطالة حتى العثور على وظيفة، مما يبرهن على عالمية هذه المنظومة الإحصائية ومرونتها المفرطة في محاكاة حركة الزمن وتفاعل المخاطر عبر الظواهر الإنسانية والطبيعية على حد سواء.
2. اختبار لوغ رانك (Log-Rank Test): الإطار النظري والتطبيقي
2.1 التعريف والمبادئ الإحصائية للاختبار اللامعلمي
يُعرَّف اختبار لوغ رانك (Log-Rank Test) بأنه اختبار إحصائي فرضي لا معلمي (Non-parametric) صُمم خصيصاً لمقارنة توزيعات أوقات البقاء بين مجموعتين مستقلتين أو أكثر في ظل وجود بيانات خاضعة للرقابة اليمينية. تعود الجذور التأسيسية الأولى لهذا الاختبار إلى ناثان مانتل عام 1966 في ورقته العلمية المرجعية المنشورة في دورية Cancer Chemotherapy Reports، حيث قام بتوسيع إجراء جداول التوافق لمانتل-هينزل (Mantel-Haenszel) ليشمل شرائح الزمن المتتابعة لبيانات البقاء المبتورة. وتلا ذلك الصياغة الرياضية الصارمة والاشتقاق الدقيق الذي قدمه الأخوان ريتشارد بيتو وجوليان بيتو عام 1972 في مجلة Journal of the Royal Statistical Society (Series A)، حيث صاغا المصطلح العلمي الراسخ “Log-Rank Test” وأثبتا أنه الاختبار الرتبي الأكثر قوة تقاربياً (Locally Most Powerful Rank Test) في ظل تحقق فرضية المخاطر النسبية.
ينطلق الاختبار من صياغة فرضية صفرية صريحة ($H_0$) تفترض عدم وجود أي فرق في دوال البقاء بين المجتمعات الإحصائية المسحوب منها العينات عبر كامل فترة المتابعة، أي أن:
$$H_0: S_1(t) = S_2(t) = dots = S_k(t) \quad \forall t ge 0$$
مقابل الفرضية البديلة ($H_1$) التي تفترض وجود اختلاف جوهري في دالة بقاء واحدة على الأقل عند نقطة زمنية معينة. والملمح الأساسي الذي يمنح اختبار لوغ رانك صفته اللامعلمية هو تحرره الكامل من افتراض أي توزيع احتمالي محدد مسبقاً لأوقات الأحداث؛ فهو لا يفترض أن أزمنة الوفاة أو الشفاء تتبع توزيعاً أسياً (Exponential) ذا معدل خطر ثابت، ولا توزيع فايبول (Weibull) ذا خطر متزايد أو متناقص، ولا التوزيع اللوجستي أو الطبيعي المعتاد. وبدلاً من الاعتماد على المعالم التوزيعية، يركز الاختبار بصورة حصرية على الرتب النسبية (Ranks) لتسلسل الأحداث عبر الزمن، مما يجعله محصناً ضد القيم المتطرفة والشذوذ الشديد الذي تتسم به عادة بيانات أزمنة الانتظار.
2.2 آلية الحساب والتعامل مع الأحداث المجدولة والبيانات المبتورة
تعتمد الآلية الحسابية لاختبار لوغ رانك على تقسيم المدى الزمني للدراسة بالكامل إلى نقاط زمنية منفصلة يمثل كل منها لحظة وقوع حدث حقيقي واحد على الأقل، مع تجاهل النقاط الزمنية التي حدثت فيها رقابة مجردة دون أحداث. بفرض وجود مجموعتين خاضعتين للمقارنة (المجموعة 1 والمجموعة 2)، وعند كل نقطة زمنية فريدة $t_j$ يقع فيها حدث (وفاة مثلاً)، يتم تشكيل جدول توافق من النوع ($2 times 2$) يصف التوزيع اللحظي للمرضى المعرضين للخطر والأحداث المشاهدة:
في الزمن $t_j$، يكون لدينا:
- عدد الأفراد المعرضين للخطر في المجموعة الأولى هو $n_{1j}$، وفي المجموعة الثانية هو $n_{2j}$، والمجموع الكلي للأفراد المعرضين للخطر في تلك اللحظة هو $N_j = n_{1j} + n_{2j}$ (وهؤلاء هم المرضى الذين ما زالوا تحت المتابعة ولم يقع لهم الحدث ولم يتم بتر أوقاتهم قبل $t_j$).
- عدد الأحداث المشاهدة فعلياً في تلك النقطة الزمنية في المجموعة الأولى هو $d_{1j}$، وفي المجموعة الثانية هو $d_{2j}$، ويكون إجمالي الأحداث المشاهدة في اللحظة $t_j$ هو $D_j = d_{1j} + d_{2j}$.
تحت مظلة الفرضية الصفرية التي تفترض تساوي احتمالات الخطر بين المجموعتين، فإن احتمال وقوع الحدث لأي فرد في العينة الكلية المعرضة للخطر هو $D_j / N_j$. وبالتالي، يمكن حساب التكرار المتوقع للأحداث ($E_{1j}$) في المجموعة الأولى عند الزمن $t_j$ بتطبيق التوزيع فوق الهندسي (Hypergeometric Distribution) مشروطاً على الهوامش الثابتة للجدول:
$$E_{1j} = n_{1j} \left( \frac{D_j}{N_j} \right)$$
ويكون التباين المرافق لهذا التقدير المشروط مساوياً لـ:
$$V_{1j} = \frac{n_{1j} n_{2j} D_j (N_j – D_j)}{N_j^2 (N_j – 1)}$$
تتكرر هذه العملية الحسابية عبر جميع النقاط الزمنية المتتابعة $t_1, t_2, dots, t_m$ التي وقعت فيها الأحداث. بعد ذلك، يقوم الاختبار بجمع كافة الفروق بين التكرارات المشاهدة والمتوقعة للمجموعة الأولى على امتداد فترة الدراسة لتكوين إحصائية مانتل-هينزل التراكمية:
$$U = \sum_{j=1}^m (d_{1j} – E_{1j}) = O_1 – E_1$$
وكذلك يتم جمع التباينات اللحظية لحساب التباين الإجمالي التراكمي:
$$V = \sum_{j=1}^m V_{1j}$$
وأخيراً، يتم استخراج إحصائية لوغ رانك القياسية التي تتبع تقاربياً توزيع كاي تربيع ($\chi^2$) بدرجة حرية واحدة ($df = 1$ في حالة مقارنة مجموعتين):
$$\chi^2_{\text{Log-Rank}} = \frac{(O_1 – E_1)^2}{V}$$
أو باستخدام صيغة الفروق الثنائية للمجموعتين دون تصحيح التباين المشترك كصيغة تقريبية شائعة: $\chi^2 \approx \frac{(O_1 – E_1)^2}{E_1} + \frac{(O_2 – E_2)^2}{E_2}$. فإذا تجاوزت القيمة المحسوبة القيمة الجدولية عند مستوى دلالة $\alpha = 0.05$، يتم رفض الفرضية الصفرية واستنتاج وجود فرق حقيقي في احتمالات البقاء.
2.3 المزايا المنهجية ونقاط القوة
يحظى اختبار لوغ رانك بمكانة رفيعة في المجتمع العلمي والسريري مدفوعاً بحزمة من الخصائص المنهجية الفذة. أولى هذه الخصائص هي البساطة المفاهيمية وقابلية التفسير المباشر؛ فالأطباء والباحثون غير المتخصصين في الرياضيات المعقدة يستطيعون استيعاب منطقه البديهي المرتكز على مقارنة “ما حدث فعلياً” (Observed) بما “كان متوقعاً حدوثه بالصدفة” (Expected)، تماماً كما يفعل اختبار كاي تربيع الكلاسيكي ولكن عبر مقاطع زمنية متتالية. كما يرتبط الاختبار بعلاقة بصرية وتكاملية ساحرة مع منحنيات كابلان-ماير؛ حيث يُنشر الاثنان معاً كمعيار ذهبي لتقييم تجارب المرحلة الثالثة العشوائية في أرقى الدوريات الطبية العالمية.
وتتمثل الميزة الثانية في كونه أسلوباً خالياً تماماً من قيود التوزيع (Distribution-free)؛ فلا يضطر الإحصائي للقلق بشأن ملاءمة بياناته لمنحنى غاوسي أو شكل محدد لدالة الخطر الأساسية، ما يوفر حماية قوية ضد أخطاء سوء تحديد النموذج (Model Misspecification). علاوة على ذلك، يتمتع اختبار لوغ رانك بأعلى قوة إحصائية ممكنة (Optimal Statistical Power) بين كافة الاختبارات اللامعلمية عندما يتحقق شرط “تناسب المخاطر” (Proportional Hazards)؛ أي عندما يكون تأثير التدخل العلاجي ثابتاً نسبياً ومستمراً عبر كامل خط الزمن، كأن يُخفض الدواء خطر الوفاة بمقدار النصف طوال فترة المتابعة. وقد شكلت هذه القوة الإحصائية العالية الركيزة المنهجية التي استندت إليها تجارب سريرية وتدخلية كبرى لتقييم برامج التدخل الوجيز لمنع تكرار الانتحار، مثل دراسة ASSIP المرجعية لتقييم نسب البقاء والوقاية من الانتكاس على مدار 24 شهراً (Gysin-Maillart et al., 2016).
2.4 القيود المنهجية ومحددات الاستخدام
على الرغم من براعة اختبار لوغ رانك في أداء وظيفته الأولية، إلا أنه يعاني من قيود منهجية جوهرية تُقيد استخدامه كأداة تحليلية شاملة. أول هذه القيود وأخطرها هو عجزه التام والكامل عن ضبط تأثير المتغيرات المشتركة أو المربكة (Confounding Covariates)؛ فالاختبار يتعامل مع المجموعات كما لو كانت متجانسة كلياً في كافة السمات الديموغرافية والسريرية باستثناء متغير التصنيف قيد الاختبار. وفي الدراسات الوبائية غير العشوائية القائمة على الملاحظة، يؤدي هذا العجز إلى تشويه خطير للنتائج؛ إذ قد يُعزى الاختلاف في البقاء إلى العلاج المبتكر في حين أن سببه الحقيقي يكمن في كون المرضى في المجموعة التجريبية أصغر سناً أو يتمتعون بوظائف كلوية أفضل من مرضى المجموعة الضابطة.
ويرتبط القيد الثاني باقتصار الاختبار على المقارنات الأحادية (Univariate Comparisons) للمتغيرات التصنيفية الاسمية أو الرتبية فقط (مثل: ذكور مقابل إناث، أو علاج أ مقابل علاج ب مقابل وهمي). وإذا رغب الباحث في دراسة تأثير متغير كمي مستمر، كالعمر بالسنوات، أو ضغط الدم الانقباضي، أو التركيز المصلي لعلامة ورمية بيولوجية، فإنه يُجبر على تفتيت هذا المتغير قسرياً وتحويله إلى فئات مصطنعة (Categorization/Dichotomization) كتقسيمه إلى “مرتفع” و”منخفض” حول الوسيط. وتُجمع المراجع الإحصائية على أن هذه الممارسة تتسبب في فقدان فادح للقوة الإحصائية، وطمس العلاقات غير الخطية، وتوليد تباين مصطنع بين الأفراد القريبين جداً من نقطة الفصل.
أما القيد الثالث فيتجلى في الانهيار المأساوي للقوة الإحصائية لاختبار لوغ رانك عندما تنتهك فرضية تناسب المخاطر، وبشكل خاص في سيناريو “تقاطع منحنيات البقاء” (Crossing Survival Curves). يحدث هذا التقاطع في الممارسات السريرية المتقدمة بكثرة؛ مثل التدخلات الجراحية الكبرى مقارنة بالأدوية التحفظية، حيث يرتفع خطر الوفاة لدى المجموعة الجراحية جداً في البداية بسبب مخاطر العمليات والتخدير، بينما ينخفض الخطر على المدى البعيد وتتضاءل الوفيات مقارنة بالمسار التحفظي. ففي هذه الحالة، تلغي الفروق الإيجابية المتأخرة في معادلة مانتل-هينزل الفروق السلبية المبكرة، مما يجعل المجموع التراكمي ($O – E$) يقترب من الصفر، فيفشل الاختبار في رصد أي دلالة إحصائية ويزعم براءة العلاج من إحداث أي فرق، رغم وجود تمايز بيولوجي وسريري هائل بين المسارين عبر الزمن.
3. نموذج كوكس للمخاطر النسبية (Cox Proportional Hazards Model): الإطار النظري والتطبيقي
3.1 الصياغة الرياضية ومفهوم دالة الخطر الأساسية
يُمثل نموذج كوكس للمخاطر النسبية، الذي قدمه عالم الإحصاء البريطاني الفذ السير ديفيد روكسبا كوكس عام 1972 في ورقته التاريخية في مجلة Journal of the Royal Statistical Society (Series B)، ثورة حقيقية نقلت تحليل البقاء إلى عصر النمذجة الرياضية متعددة الأبعاد. يُصنف النموذج كأداة “شبه معلمية” (Semi-parametric Model)؛ وهي تسمية عبقرية تعكس الجمع بين عدم افتراض أي شكل مسبق لدالة الخطر عبر الزمن من جهة، ونمذجة تأثير المتغيرات المستقلة بطريقة معلمية تتبع الصيغة الأسية الخطية من جهة أخرى.
تنطلق الصياغة الرياضية العامة لنموذج كوكس من تعريف دالة الخطر لفرد يمتلك متجهاً من المتغيرات التفسيرية $X = (X_1, X_2, dots, X_p)^T$ عند اللحظة الزمنية $t$ بالصورة التالية:
$$h(t | X) = h_0(t) \exp(\beta_1 X_1 + \beta_2 X_2 + dots + \beta_p X_p) = h_0(t) \exp(\beta^T X)$$
حيث تتألف هذه المعادلة من شقين متمايزين ومستقلين رياضياً:
- دالة الخطر الأساسية $h_0(t)$ (Baseline Hazard Function): وهي تمثل الدالة الزمنية البحتة للخطر لفرد افتراضي يمتلك قيماً صفرية لكافة المتغيرات المستقلة المشمولة في النموذج (أي عندما يكون $X = 0$). وتكمن عبقرية كوكس في ترك هذه الدالة “حرة تماماً” (Arbitrary and Unspecified)؛ فلا يشترط أن تكون ثابتة، ولا متزايدة، ولا متناقصة، ولا تخضع لتوزيع بارامتري صلب كالتوزيع الأسي أو توزيع فايبول.
- الدالة الأسية للمتغيرات المشتركة $\exp(\beta^T X)$: وهي دالة معلمية تركز حصراً على تأثير المتغيرات التفسيرية النسبية دون أي اعتماد على الزمن $t$. ويضمن استخدام الدالة الأسية ($exp$) بقاء معدل الخطر موجباً دائماً ($h(t|X) > 0$) مهما بلغت قيم المعاملات $\beta$ أو المتغيرات $X$، وهو شرط رياضي حتمي لدوال الخطر الإحصائية.
وبأخذ اللوغاريتم الطبيعي للطرفين بعد قسمة الخطر اللحظي على الخطر الأساسي، يتحول النموذج إلى صيغة خطية لوغاريتمية توضح الأثر التراكمي النسبي:
$$\ln \left( \frac{h(t | X)}{h_0(t)} \right) = \beta_1 X_1 + \beta_2 X_2 + dots + \beta_p X_p$$
وهذا يوضح بجلاء أن المتغيرات المستقلة تعمل كمضاعفات نسبية ترفع أو تخفض مستوى الخطر الأساسي بنسبة متناسبة وثابتة عبر سائر اللحظات الزمنية للدراسة.
3.2 تقدير المعلمات عبر طريقة الإمكان الجزئي (Partial Likelihood)
واجه ديفيد كوكس معضلة رياضية كبرى إبان طرح نموذجه؛ إذ كيف يمكن تقدير متجهات معاملات الانحدار المجهولة $\beta$ بأقصى درجات الكفاءة الإحصائية دون معرفة الشكل الرياضي لدالة الخطر الأساسية $h_0(t)$؟ كان الجواب التاريخي هو ابتكار نظرية “الإمكان الجزئي” (Partial Likelihood) التي طرحها بصورة تمهيدية في ورقة 1972 ثم أسس بنيانها النظري الكامل والمبرهن رياضياً عام 1975 في مجلة Biometrika. وقد حسمت هذه النظرية الجدل الإحصائي وبرهنت أن المعلومات المتعلقة بـ $\beta$ محتواة بالكامل في تسلسل وترتيب وقوع الأحداث، لا في الأوقات الزمنية الدقيقة المنقضية بينها.
تعمل خوارزمية الإمكان الجزئي عبر استبعاد الزمن المستمر $t$ ودالته الأساسية $h_0(t)$ بالكامل من خلال التركيز على النقاط الزمنية المنفصلة التي تقع فيها الأحداث المشاهدة فقط. بفرض وقوع $m$ من الأحداث غير المتعادلة عند الأوقات المرتبة تصاعدياً $t_{(1)} < t_{(2)} < dots < t_{(m)}$. عند لحظة وقوع الحدث للكيان أو المريض$i$ عند الزمن $t_{(i)}$، يُعرف “مجال الخطر” $R(t_{(i)})$ (Risk Set) بأنه مجموعة كافة الأفراد الذين ما زالوا على قيد الحياة وتحت المتابعة المباشرة قبل وقوع ذلك الحدث بلحظة وجيزة مباشرة.
إن احتمال أن يكون الفرد $i$ بالتحديد هو من تعرض للحدث في تلك اللحظة بالذات، مشروطاً بوجود جميع أفراد مجتمع الخطر $R(t_{(i)})$ المعرضين لنفس الاحتمال، يُعبر عنه بنسبة خطر هذا الفرد إلى مجموع أخطار كافة المتواجدين في مجال الخطر:
$$P(\text{الحدث للفرد } i mid \text{حدث واحد وقع عند } t_{(i)}) = \frac{h(t_{(i)} | X_i)}{\sum_{k in R(t_{(i)})} h(t_{(i)} | X_k)} = \frac{h_0(t_{(i)}) \exp(\beta^T X_i)}{\sum_{k in R(t_{(i)})} h_0(t_{(i)}) \exp(\beta^T X_k)}$$
وهنا تظهر المعجزة الرياضية لصياغة كوكس؛ حيث يتم اختزال دالة الخطر الأساسية المجهولة $h_0(t_{(i)})$ من البسط والمقام معاً لكونها قيمة مشتركة تؤثر في الجميع على قدم المساواة في تلك النقطة الزمنية، لتتحول النسبة إلى:
$$L_i(\beta) = \frac{\exp(\beta^T X_i)}{\sum_{k in R(t_{(i)})} \exp(\beta^T X_k)}$$
وبتجميع هذه الاحتمالات الشرطية عبر ضربها لكافة الأحداث المرصودة المستقلة من $1$ إلى $m$، تتكون دالة الإمكان الجزئي الكاملة:
$$L(\beta) = \prod_{i=1}^m \frac{\exp(\beta^T X_i)}{\sum_{k in R(t_{(i)})} \exp(\beta^T X_k)}$$
ويتم الحصول على مقدرات المعاملات ($\hat{\beta}$) بتعظيم لوغاريتم الإمكان الجزئي ($\ln L(\beta)$) باستخدام تقنيات الحلول العددية كخوارزمية نيوتن-رافسون (Newton-Raphson). وقد أثبت كوكس والعديد من علماء الإحصاء اللاحقين أن المقدرات الناتجة عن الإمكان الجزئي تتمتع بكافة الخصائص الاستدلالية الرفيعة لطريقة الإمكان الأعظم الكلاسيكية (Maximum Likelihood)؛ فهي غير منحازة تقاربياً (Asymptotically Unbiased)، وتتسم بالكفاءة العالية، وتتبع التوزيع الطبيعي المتعدد في العينات الكبيرة، مع تباين مقارب يُستخلص مباشرة من مقلوب مصفوفة المعلومات الملاحظة لفيشر (Fisher Information Matrix).
3.3 التحليل متعدد المتغيرات واستخراج نسب المخاطر (Hazard Ratios)
تتمثل القوة الهائلة لنموذج كوكس في قدرته الفائقة على إجراء التحليل متعدد المتغيرات (Multivariable Analysis) لبيانات البقاء الخاضعة للرقابة؛ إذ يتيح للباحث إدخال مصفوفة معقدة من المتغيرات التفسيرية في آن واحد، سواء كانت تلك المتغيرات ثنائية التصنيف (مثل: تلقي علاج جديد مقابل علاج قديم)، أو فئوية متعددة (مثل: مراحل الورم السريرية من الأولى إلى الرابعة)، أو كمية مستمرة مقاسة بدقة (مثل: العمر، تركيز الهيموغلوبين، مؤشر كتلة الجسم). ويسمح هذا الإطار الرياضي بفحص التأثير “المستقل” لكل متغير سريري مع تثبيت وتحييد التأثيرات المربكة الإحصائية لسائر المتغيرات الأخرى المضمنة في النموذج.
تُفسر مخرجات نموذج كوكس بصورة بالغة السلاسة عبر التحويل من المعاملات الرياضية $\beta$ إلى المقياس الإكلينيكي الشهير المعروف بـ “نسبة المخاطر” (Hazard Ratio – HR). فإذا كان لدينا متغير مستقل ثنائي $X_1$ يمثل نوع العلاج ($X_1 = 1$ للمجموعة التجريبية، و$X_1 = 0$ للمجموعة الضابطة)، فإن نسبة الخطر بين المجموعتين مع ثبات باقي المتغيرات تبلغ:
$$HR = \frac{h(t | X_1 = 1, X_2, dots, X_p)}{h(t | X_1 = 0, X_2, dots, X_p)} = \frac{h_0(t) \exp(\beta_1 (1) + \sum_{k=2}^p \beta_k X_k)}{h_0(t) \exp(\beta_1 (0) + \sum_{k=2}^p \beta_k X_k)} = \exp(\beta_1)$$
تُقرأ نسبة المخاطر سريرياً وفق ثلاث دلالات رئيسية:
- إذا كانت $HR = 1$ (أي $\beta = 0$): فإن المتغير المستقل لا يمارس أي تأثير على الإطلاق على معدل الخطر اللحظي، وتتساوى احتمالات البقاء بين المجموعتين.
- إذا كانت $HR < 1$ (أي $beta < 0$): فإن المتغير يمثل عاملاً وقائياً يخفض من احتمالية وقوع الحدث السلبي؛ فمثلاً $HR = 0.65$ تعني أن التدخل العلاجي يُخفض خطر الوفاة أو الانتكاس بنسبة $35%$ في أي لحظة زمنية مقارنة بالمجموعة المرجعية.
- إذا كانت $HR > 1$ (أي $\beta > 0$): فإن المتغير يشكل عامل خطورة يضاعف من سرعة وقوع الحدث؛ فمثلاً $HR = 1.80$ تعني أن المجموعة المعرضة تواجه زيادة في الخطر اللحظي بمقدار $80%$ مقارنة بالمجموعة غير المعرضة.
أما بالنسبة للمتغيرات المستمرة، فإن قيمة $\exp(\beta)$ تعبر عن التغير النسبي في معدل الخطر لكل زيادة مقدارها وحدة قياس واحدة في المتغير المستقل (مثل زيادة سنة واحدة في العمر أو ملغ/ديسيلتر في السكر الصيامي). وتوفر البرمجيات الإحصائية فترات الثقة ($95% \text{ CI}$) المرافقة لنسبة المخاطر؛ فإذا لم تشمل فترة الثقة القيمة $1.0$، يُعتبر تأثير المتغير ذا دلالة إحصائية عند مستوى $\alpha = 0.05$. علاوة على ذلك، يتيح نموذج كوكس نمذجة “التفاعلات الإحصائية” (Interaction Terms) باقتدار، كأن يتم اختبار ما إذا كان مفعول العلاج الوقائي يتضاعف أو يضمحل لدى فئات عمرية محددة دون غيرها، كما هو موضح في نماذج دراسات الانتكاس الوجداني لسيغال وزملائه (Segal et al., 2006).
3.4 فرضية تناسب المخاطر وطرق التحقق منها
يرتكز نموذج كوكس بأكمله على فرضية محورية صارمة اشتُق منها اسمه، وهي “فرضية تناسب المخاطر” (Proportional Hazards Assumption). تقتضي هذه الفرضية أن تكون نسبة المخاطر ($HR$) بين أي فئتين من الأفراد ثابتة ومستقرة وغير متغيرة عبر الزمن طوال فترة المتابعة السريرية. ومعنى ذلك أن منحنيات الخطر اللحظي لمجموعتين مختلفتين قد ترتفع أو تهبط مع تعاقب الأيام والشهور تبعاً لحركة الدالة الأساسية $h_0(t)$، إلا أن المسافة النسبية الفاصلة بينهما يجب أن تظل متناسبة بنسبة ضربية ثابتة دون أن تتقارب أو تتباعد أو تتقاطع مع مرور الوقت.
ويقود انتهاك هذه الفرضية إلى تقديم نسب مخاطر مضللة تعبر عن “متوسط مشوه” لا يمثل الواقع السريري في أي فترة؛ فقد يُظهر النموذج نسبة خطر موحدة مقدارها $HR = 0.90$ لتوحي بعدم جدوى الدواء، بينما الواقع الفعلي يشير إلى أن الدواء ضاعف الخطر في الأشهر الثلاثة الأولى ($HR = 2.0$) ثم وفر حماية شبه كاملة بعد السنة الأولى ($HR = 0.20$). ولذلك، طُوِّرت منهجيات رصينة لاختبار هذه الفرضية؛ لعل أشهرها وأكثرها اعتماداً هي دراسة “بواقي شونفيلد” (Schoenfeld Residuals) التي ابتكرها ديفيد شونفيلد عام 1982 في ورقة علمية منشورة في مجلة Biometrika. وتعتمد هذه البواقي على حساب الفرق بين القيمة الحقيقية للمتغير المستقل للشخص الذي تعرض للحدث في زمن معين، وبين القيمة المتوقعة المرجحة بناقل الإمكان لأفراد مجال الخطر في ذلك الوقت. وإذا تحققت الفرضية، فإن بواقي شونفيلد المسقطة بيانياً مقابل الزمن يجب أن تتوزع بنمط عشوائي تماماً حول الصفر دون إظهار أي انحدار أو ميل، ويمكن حسم ذلك رقمياً عبر اختبار غرامبش وثيرنو (Grambsch-Therneau Test) للتأكد من عدم وجود ارتباط دال إحصائياً بين البواقي والزمن.
كما يُستخدم الفحص البصري لمنحنيات البقاء المحولة رياضياً عبر رسم دالة $-ln(-ln(S(t)))$ مقابل لوغاريتم الزمن ($ln(t)$)؛ حيث تشير الخطوط المتوازية تماماً إلى سلامة الفرضية. وفي حال ثبوت خرق فرضية تناسب المخاطر لأحد المتغيرات، يمتلك الإحصائي خيارات تصحيحية راقية تشمل:
- إدخال معاملات معتمدة على الزمن (Time-varying Coefficients): كأن يُضرب المتغير المنتهك في دالة للزمن $X \times \ln(t)$ للسماح لنسبة الخطر بالتغير التدريجي مع الوقت.
- نموذج كوكس الطبقي (Stratified Cox Model): حيث يُقسم المتغير المربك الذي ينتهك الفرضية (مثل المستشفى أو المرحلة السريرية) إلى طبقات، ويكون لكل طبقة دالة خطر أساسية خاصة بها $h_{0s}(t)$، بينما تظل معاملات المتغيرات الأخرى ذات الاهتمام المباشر موحدة ومشتركة.
- تقسيم أفق المتابعة (Partitioning Time): بتطبيق نموذج منفصل للفترة المبكرة وآخر للفترة المتأخرة.
4. الفروق الجوهرية بين اختبار لوغ رانك ونموذج كوكس
4.1 الطبيعة الإحصائية وبنية الفرضيات
يكمن الفرق الجوهري الأول بين اختبار لوغ رانك ونموذج كوكس في الهوية الإحصائية والهدف التحليلي الأساسي لكل منهما؛ فاختبار لوغ رانك هو في جوهره اختبار دلالة إحصائية فرضي بحت (Hypothesis Significance Test). إن ناتجه النهائي محصور في استخراج قيمة احتمالية ($p$-value) تسعى للإجابة عن سؤال ثنائي الاتجاه: “هل هناك أدلة إحصائية كافية لرفض فرضية تطابق منحنيات البقاء بين المجموعات؟”. ولا تتضمن بنية لوغ رانك أي آلية داخلية لتقدير الحجم الكمي للأثر أو تقديم تنبؤات احتمالية للأفراد في المستقبل.
في الطرف المقابل، يُمثل نموذج كوكس إطار نمذجة انحداري متكامل وشبه معلمي (Estimation and Prediction Regression Model)؛ فهو يتجاوز حسم الدلالة الإحصائية للفرضيات الصفرية إلى تقدير معلمات رياضية دقيقة ومعاملات انحدار كمية ($\beta$) يُستخرج منها حجم الأثر بصورة صريحة كنسبة مخاطر ($HR$). يتيح هذا الإطار للباحثين ليس فقط معرفة ما إذا كان التدخل العلاجي مفيداً، بل قياس “مقدار وحجم” تلك الفائدة بدقة إحصائية متناهية، وبناء معادلات تنبؤية لحساب احتمال نجاة مريض بعينه عند أي نقطة زمنية مستقبلية استناداً إلى بصمته الفردية وسماته الحيوية الخاصة.
4.2 معالجة المتغيرات المشتركة والتحليل التعددي
تتجلى الهوة المنهجية الفاصلة بين الأداتين في مسألة ضبط المتغيرات المربكة وإدارة التحليلات التعددية. يعاني اختبار لوغ رانك من فقر منهجي حاد في هذا المضمار؛ إذ ينحصر أداؤه في المقارنة الأحادية الساذجة لمتغير تصنيفي واحد ذي فئات محددة. وإذا أراد الباحث ضبط متغير مربك كالعمر، فإن خياره الوحيد ضمن الأطر اللامعلمية هو اللجوء لاختبار لوغ رانك الطبقي (Stratified Log-Rank Test)، والذي يقوم بتفتيت البيانات إلى خلايا صغيرة متعددة بحسب الفئات العمرية ثم تجميع إحصائيات مانتل-هينزل عبرها. وسرعان ما تفشل هذه الإستراتيجية وتفقد قوتها تماماً (Curse of Dimensionality) بمجرد الرغبة في ضبط أكثر من متغيرين أو عند وجود متغيرات كمية متصلة؛ إذ تصبح الجداول الفرعية شبه خالية وخالية من الأحداث.
أما نموذج كوكس فيتفوق بصورة مطلقة كونه صُمم في الأساس كمنظومة انحدار متعدد المتغيرات بمقدورها احتواء عشرات المتغيرات التفسيرية المعقدة في آن واحد، سواء كانت تلك المتغيرات اسمية أو رتبية أو كمية متصلة كضغط الدم والواسمات الجينية. ويقوم النموذج تلقائياً بعزل الارتباطات البينية المعقدة، وكسر سلاسل التحيز والتشويش عبر التحليل المشروط، مما يوفر نسب مخاطر معدلة إحصائياً (Adjusted Hazard Ratios) تعبر بأمانة عن التأثير البيولوجي المباشر للعامل قيد الدراسة دون تشويه، وهو ما يجعله متفوقاً تماماً في تحليل البيانات الوبائية المعقدة وبيانات الملاحظة التتبعية.
4.3 المخرجات وتفسير النتائج السريرية والعملية
تتباين طبيعة المخرجات التحليلية الصادرة عن كلتا الأداتين، مما يفرض طرائق مختلفة كلياً لتفسير النتائج في المنشورات الطبية والتطبيقات الإكلينيكية. يقتصر إخراج اختبار لوغ رانك المعياري على:
- عدد الأحداث المشاهدة ($O$) والمتوقعة ($E$) لكل مجموعة.
- قيمة إحصائية كاي تربيع المحسوبة ($\chi^2$).
- درجات الحرية والقيمة الاحتمالية المقابلة ($p$-value).
ورغم القيمة المعتبرة لهذه المخرجات، إلا أنها تترك الطبيب متحيراً حول الأثر العملي؛ فقيمة $p = 0.001$ في عينة دراسة ضخمة تضم مئات الآلاف قد تعكس فرقاً حقيقياً ولكنه بالغ الضآلة سريرياً كتحسين البقاء لساعات معدودة، بينما تعجز لغة لوغ رانك عن كشف ذلك بمفردها.
في المقابل، تزودنا مخرجات نموذج كوكس بلوحة قياس وبائية وطبية غنية وشاملة؛ حيث تقدم لكل متغير مضمن في النموذج:
- معامل الانحدار المقدر ($\hat{\beta}$) وخطأه المعياري (Standard Error).
- نسبة المخاطر المحسوبة ($HR = \exp(\hat{\beta})$).
- فترة الثقة $95%$ المحيطة بنسبة المخاطر ($95% \text{ CI}$)، والتي تعكس دقة التقدير الإحصائي.
- القيمة الاحتمالية المستندة إلى اختبار والد أو اختبار نسبة الإمكان.
تمكن هذه المصفوفة التحليلية متخذي القرار الصحي من موازنة المنفعة الإكلينيكية؛ فعندما يقرأ الإكلينيكي أن الدواء يحقق $HR = 0.55$ بفترة ثقة $[0.40 – 0.75]$، فإنه يدرك يقيناً أن العلاج يخفض الخطر اللحظي بمقدار $45%$ مع يقين إحصائي بأن الخفض الحقيقي في المجتمع لا يقل عن $25%$ ولا يزيد عن $60%$. علاوة على ذلك، تُعد معاملات نموذج كوكس المدخل الرياضي الأساسي لبناء “حاسبات الخطورة السريرية” (Risk Calculators) ودرجات التنبؤ (Nomograms) الموجهة للممارسة السريرية اليومية.
4.4 الحساسية للبيانات المبتورة وتغير نمط المخاطر
تتشارك الأداتان في اعتمادهما الحاسم على فرضية “الرقابة غير المعلوماتية” أو المستقلة (Non-informative / Independent Censoring)، والتي تقتضي بأن الأفراد الذين تُبتر بياناتهم عند أي نقطة زمنية يجب أن يمتلكوا نفس احتمالات ومخاطر البقاء اللاحقة لأقرانهم المستمرين في المتابعة عند نفس الزمن. غير أن استجابتهما لاختلال أنماط المخاطر عبر الزمن متباينة للغاية؛ فاختبار لوغ رانك المعياري يمنح وزناً متساوياً للفروق بين المشاهد والمتوقع عند كل نقطة حدث ($w_j = 1$). وإذا انعكس اتجاه المخاطر عبر الزمن—كأن يكون الدواء ضاراً في البداية ونافعاً في النهاية—تضيع حساسية الاختبار تماماً وينهار تحت وطأة الإلغاء الحسابي المتبادل.
أما نموذج كوكس، فرغم أنه يشترط في صيغته القياسية ثبات نسبة المخاطر، إلا أنه يمتلك ديناميكية فائقة وبنية برمجية ورياضية تسمح له بالتمدد والتكيف مع التغيرات الحركية لأنماط الخطر؛ حيث يمكن تطويعه عبر دمج “المتغيرات المعتمدة على الزمن” (Time-dependent Covariates) التي تتغير قيمتها مع استمرار المتابعة (مثل الجرعات المتراكمة للدواء، أو حدوث مضاعفات عارضة كاحتشاء العضلة القلبية أثناء الدراسة). هذا التكيف مستحيل بنيوياً في اختبار لوغ رانك الكلاسيكي الذي يتعامل حصراً مع تصنيفات ثابتة ومحددة سلفاً عند نقطة الصفر الزمنية للدراسة.
| وجه المقارنة | اختبار لوغ رانك (Log-Rank Test) | نموذج كوكس (Cox Proportional Hazards Model) |
|---|---|---|
| التصنيف المنهجي | اختبار إحصائي لا معلمي (Non-parametric Test) لمقارنة الرتب. | نموذج انحدار شبه معلمي (Semi-parametric Regression Model). |
| الهدف التحليلي الأساسي | اختبار الفرضية الصفرية لتطابق منحنيات البقاء ($p$-value). | تقدير حجوم التأثير (نسب المخاطر HR)، وضبط المشوشات، والتنبؤ. |
| نوعية المتغيرات المستقلة | متغيرات فئوية/تصنيفية فقط (مجموعتان أو أكثر). | متغيرات متعددة: فئوية، رتبية، ومستمرة في آن واحد. |
| ضبط المتغيرات المربكة | غير ممكن تحليلياً (إلا بطريقة الطبقية المحدودة جداً). | كفاءة وقدرة فائقة عبر التحليل متعدد المتغيرات (Multivariable). |
| فرضية تناسب المخاطر | فرضية ضمنية؛ يؤدي خرقها إلى فقدان القوة الإحصائية بشدة. | فرضية صريحة وإلزامية؛ انتهاكها يشوه صلاحية نسب المخاطر. |
| حساسية تقاطع المنحنيات | عالية جداً؛ يفقد الاختبار قدرته على رصد الفروق تماماً. | يتطلب تعديلات (معاملات معتمدة على الزمن أو التقسيم الطبقي). |
| المخرجات الرئيسية | إحصائية كاي تربيع ($\chi^2$)، والأحداث المتوقعة/المشاهدة، وقيمة $p$. | معاملات $\beta$، نسب المخاطر ($HR$)، فترات الثقة $95%$، وقيم $p$. |
| المتغيرات المعتمدة على الزمن | لا يمكن دمجها إطلاقاً. | قابلة للدمج والنمذجة الرياضية المتقدمة (Extended Cox Model). |
| التطبيق النموذجي المفضل | التجارب السريرية العشوائية المحكمة كاختبار أولي لنقاط النهاية. | الدراسات الوبائية، وأتراب الملاحظة، وبناء نماذج التنبؤ السريري. |
5. أوجه التشابه والتكامل الإحصائي بين الأداتين
5.1 التطابق الرياضي في الحالات الأحادية المتناظرة
تخفي الفروق الظاهرية بين الأسلوبين حقيقة رياضية بنيوية غاية في العمق والجمال الإحصائي؛ فعندما يُطبق نموذج كوكس للمخاطر النسبية في سياق أحادي المتغير (Univariate) لمقارنة مجموعتين فقط يمثلهما متغير تصنيفي ثنائي وحيد $X in {0, 1}$، تتطابق البنية الرياضية لتقدير المعلمة مع اختبار لوغ رانك بصورة مذهلة. إن إحصائية اختبار درجة الأثر، المعروفة باختبار سكور أو اختبار راو (Score Test / Rao Score Test)، والمشتقة لتقييم الفرضية الصفرية $\beta = 0$ في دالة الإمكان الجزئي لكوكس، تتطابق عددياً وحرفياً وبشكل تام مع إحصائية اختبار لوغ رانك الكلاسيكي:
$$Score_{\text{Cox}} = \frac{[\sum_{j=1}^m (d_{1j} – E_{1j})]^2}{\sum_{j=1}^m V_{1j}} \equiv \chi^2_{\text{Log-Rank}}$$
هذا التساوي الصارم يعني أنه في ظل غياب المتغيرات التعديلية وفي حال التعامل مع متغير ثنائي غير مستمر، يمثل اختبار لوغ رانك ونموذج كوكس في جوهرهما نفس الإجراء الإحصائي الرياضي للتأكد من وجود التأثير. يعتمد كلا المنهجين على فرز البيانات وترتيب الأحداث ذاتها عبر شريط الزمن، وتوليد نفس مجالات الخطر التراكمية $R(t)$، ومقارنة التكرارات المشاهدة مع التكرارات المحسوبة وفق الاحتمال المشروط فوق الهندسي. وبذلك يتبين أن لوغ رانك ليس بديلاً مناوئاً لنموذج كوكس، بل هو النواة التحليلية الأحادية التي انبثق منها وتفرع عنها صرح النمذجة الشاملة لكوكس.
5.2 الاشتراك في فرضية تناسب المخاطر الضمنية والصريحة
من الأخطاء المفاهيمية الشائعة بين طلاب الدراسات العليا والباحثين الاعتقاد بأن اختبار لوغ رانك، لكونه اختباراً لا معلمياً خالياً من افتراضات التوزيع، متحرر أيضاً من اشتراط تناسب المخاطر. والحقيقة المنهجية الصارمة تؤكد أن اختبار لوغ رانك يعتمد بصورة “ضمنية” وحاسمة على فرضية تناسب المخاطر لتحقيق كفاءته الإحصائية القصوى؛ فالاشتقاق الرياضي للأخوين بيتو وبيتو (Peto & Peto, 1972) أثبت أن لوغ رانك هو الاختبار الأمثل والأقوى فقط عندما تكون نسبة الخطر بين المجموعتين ثابتة عبر الزمن ($h_1(t) / h_2(t) = \theta$). فإذا انهارت هذه النسبة واضطرب التناسب، تتداعى قوة الاختبار وتتدهور قدرته على التمييز.
أما نموذج كوكس، فإنه يجعل من نفس هذا الشرط فرضية “صريحة ومعلمية” تقع في قلب معادلته الأساسية، ويشترط تحققها لضمان صلاحية تفسير المعاملات كنسب مخاطر خطية ثابتة. وبالتالي، فإن كلتا الأداتين تعانيان من نفس القصور المشترك؛ فكلاهما في صورتهما القياسية البسيطة عاجزان عن التعامل الدقيق والعادل مع سيناريوهات المخاطر المتقاطعة أو المتباينة جذرياً عبر فترات التجربة، وكلاهما يتطلب يقظة منهجية من الباحث للتحقق من أنماط مسارات البقاء قبل الاسترسال في التفسير.
5.3 التكامل ضمن بروتوكولات التحليل الإحصائي السريري
في الممارسات البحثية المعيارية المعتمدة في تقارير التجارب السريرية وتوصيات إعلان كونسورت (CONSORT Guidelines)، لا يُطرح الأسلوبان كخيارين متعارضين يقتضي أحدهما إقصاء الآخر، بل يتم توظيفهما في بروتوكول تحليلي متسلسل ومتكامل يحقق التوازن بين الشفافية اللامعلمية والعمق الاستدلالي التعددي. يبدأ البروتوكول التحليلي الصارم عادة بالخطوة الاستكشافية التي تتضمن رسم منحنيات كابلان-ماير وتقديم جدول الأفراد المعرضين للخطر عند كل فترة زمنية، مصحوبة بقيمة اختبار لوغ رانك لبيان ما إذا كان التدخل العلاجي يُظهر فرقاً أولياً غير معدل ذا دلالة إحصائية في مجتمع الدراسة العشوائي.
عقب هذه الخطوة المباشرة، ينتقل التحليل وجوباً إلى نموذج كوكس للمخاطر النسبية لتقدير حجم الأثر عبر استخراج نسبة المخاطر غير المعدلة (Unadjusted HR) مع فترة ثقتها $95%$. بعد ذلك، يتم بناء النموذج متعدد المتغيرات لإدخال المتغيرات الإنذارية المحددة سلفاً في البروتوكول (مثل العمر، المرحلة المرضية، المركز العلاجي في التجارب متعددة المراكز) لاستخراج نسبة المخاطر المعدلة (Adjusted HR). ويهدف هذا التكامل إلى التحقق من أن القيمة الاحتمالية المشاهدة في اختبار لوغ رانك لم تكن مدفوعة بخلل خفي في التوزيع العشوائي لسمات المرضى، مع تقديم مقياس كمي دقيق يتيح مقارنة فعالية الدواء مع غيره من التدخلات عبر التحليلات التلوية (Meta-analyses).
6. معايير الاختيار ودليل التطبيق العملي
6.1 متى يُعد اختبار لوغ رانك الخيار الإحصائي الأمثل؟
يحتل اختبار لوغ رانك موقع الصدارة ويكون هو الخيار الإحصائي الأمثل والأنسب في حالات منهجية محددة:
- التجارب السريرية العشوائية المحكمة (RCTs): حيث يضمن التوزيع العشوائي الصارم (Randomization) وإخفاء التخصيص التوازن الكامل في توزيع كافة المتغيرات المربكة المعروفة وغير المعروفة بين المجموعات التجريبية والضابطة، مما يجعل الحاجة إلى الضبط التعددي لنموذج كوكس في حدها الأدنى، ويكتسب التحليل الأولي المباشر للوغ رانك مصداقية استدلالية قطعية.
- تحليل المتغيرات الفئوية المنفصلة الأولية: عند المقارنة السريعة بين بروتوكولين علاجيين أو جرعتين دوائيتين دون وجود رغبة في نمذجة عوامل ثانوية متداخلة.
- العرض الموجه للجمهور السريري العام والمؤسسات التنظيمية: كالهيئات الدوائية (مثل FDA وEMA)، حيث يُفضل دائماً تقديم إحصائيات شفافة ومباشرة خالية من افتراضات النمذجة الرياضية المعقدة لتقييم الفرضية الصفرية لنقاط النهاية الأولية.
- المراحل الاستكشافية في بنوك العينات الحيوية والدراسات التجريبية: لفحص التمايز الأولي بين المجموعات قبل تخصيص الموارد لجمع مصفوفات المتغيرات التفسيرية الموسعة.
6.2 متى يتعين الانتقال حتماً إلى نموذج كوكس للمخاطر النسبية؟
يصبح الانتقال إلى نموذج كوكس للمخاطر النسبية واجباً منهجياً وإحصائياً لا مناص منه في الظروف البحثية التالية:
- الدراسات الوبائية ودراسات الملاحظة الأترابية (Cohort and Case-Control Studies): حيث ينعدم التوزيع العشوائي للمشاركين، وتتداخل المتغيرات التفسيرية مع الخصائص الديموغرافية والاجتماعية وأنماط الحياة؛ مما يجعل استخدام لوغ رانك المنفرد خطأً فادحاً يولد نتائج زائفة ومضللة نتيجة التحيز التشويشي (Confounding Bias).
- تقييم المتغيرات التنبؤية الكمية المستمرة: كدراسة أثر المؤشرات الحيوية المتصلة (مثل مستويات هرمونات معينة، تركيز الكرياتينين، الحمل الفيروسي) دون إجبار البيانات على التقسيم الفئوي المصطنع.
- الحاجة لتقدير أحجام الآثار ونسب المخاطر ($HR$): للإجابة على التساؤلات الإكلينيكية المتعلقة بمدى انخفاض أو ارتفاع الخطر، وبناء فترات ثقة توضح المدى الحقيقي للفعالية البيولوجية.
- الرغبة في بناء خوارزميات التنبؤ الفردي: لحساب احتمالات البقاء المتوقعة لكل مريض بناءً على سماته المتعددة، وتصنيف المرضى إلى فئات خطورة سريرية متمايزة (Risk Stratification).
- وجود تفاعلات إحصائية فرضية: عندما يرغب الباحث في اختبار ما إذا كان التدخل السريري تتفاوت فعاليته بصورة متمايزة بناءً على الخصائص الجينية أو الفئات العمرية للمرضى.
6.3 خارطة طريق مقترحة لاختيار وتطبيق الأداة المناسبة
لتفادي العشوائية والاضطراب في الممارسة التحليلية، نقترح خارطة طريق منهجية وعملية متسلسلة تقود الباحث خطوة بخطوة نحو التوظيف الأمثل للأداتين:
المرحلة الأولى: الاستكشاف البصري والتحقق من التناسب المبدئي:
تبدأ العملية برسم منحنيات كابلان-ماير لكل مجموعة تصنيفية، مع مرافقتها بجداول أعداد المعرضين للخطر. يجب على الباحث هنا فحص المسار البصري للمنحنيات؛ فإذا كانت المنحنيات متوازية نسبياً ولا تتقاطع، فإن هذا يعطي مؤشراً أولياً إيجابياً على تماشي البيانات مع فرضية التناسب. أما في حال تقاطع المنحنيات بشكل صريح في الثلث الأول من فترة المتابعة، فيجب التوقف فوراً وتجنب الاعتماد على لوغ رانك القياسي أو كوكس البسيط، والتحضير لاستخدام أساليب بديلة.
المرحلة الثانية: فحص طبيعة التصميم التجريبي ونوعية المتغيرات:
إذا كانت الدراسة عبارة عن تجربة سريرية عشوائية محكمة لا تتضمن عوامل تشويش واضحة، والمتغير المستقل ثنائي فئوي، يُطبق اختبار لوغ رانك كإجراء معياري لاختبار الدلالة ($p$-value)، متبوعاً بنموذج كوكس أحادي المتغير لتوثيق نسبة الخطر ($HR$) وفترة الثقة. أما إذا كانت الدراسة قائمة على الملاحظة، أو تضمنت متغيرات تنبؤية مستمرة ومربكات محتملة، يتم تجاوز لوغ رانك والتوجه مباشرة نحو بناء نموذج كوكس متعدد المتغيرات.
المرحلة الثالثة: بناء نموذج كوكس والفحص التشخيصي للبواقي:
يتم تحديد المتغيرات المستقلة المشمولة بناءً على المنطق البيولوجي والسريري والأدبيات السابقة، مع الالتزام الصارم بقاعدة كفاية الأحداث (Events Per Variable – EPV) لتجنب الإفراط في التوفيق (Overfitting). بعد تجهيز النموذج، يُلزم الباحث بالتحقق الرقمي والبصري الصارم من فرضية تناسب المخاطر عبر استخراج بواقي شونفيلد واختبار غرامبش وثيرنو لكل متغير على حدة وللنموذج الإجمالي. فإذا اجتاز النموذج هذا الفحص بنجاح، تُعتمد نسب المخاطر وفترات الثقة ومستويات الدلالة في التقرير النهائي. أما إذا فشل أحد المتغيرات، يتم الانتقال إلى النمذجة الطبقية أو إدراج معاملات تعتمد على الزمن لضمان رصانة الاستنتاجات العلمية.
7. الأسئلة الشائعة حول اختبار لوغ رانك ونموذج كوكس
7.1 هل يغني نموذج كوكس تماماً عن إجراء اختبار لوغ رانك؟
من الناحية النظرية والتحليلية البحتة، نعم؛ يغطي نموذج كوكس وظيفة اختبار لوغ رانك بصورة شاملة ويتفوق عليه، كونه قادراً على اختبار الدلالة الإحصائية للفرضية الصفرية نفسها، بالإضافة إلى تقديم تقدير لحجم الأثر وضبط المتغيرات المتعددة. ولكن من الناحية المنهجية التطبيقية، لا يُعد نموذج كوكس بديلاً يلغي الحاجة للوغ رانك في كافة السياقات البحثية؛ فاختبار لوغ رانك يظل الأداة اللامعلمية الأبسط والأكثر قبولاً وشفافية في تقارير التجارب السريرية العشوائية وفق بروتوكولات الهيئات التنظيمية الدوائية الصارمة. إن إظهار نتيجة لوغ رانك إلى جانب منحنيات كابلان-ماير يوفر توثيقاً أولياً محايداً لا يعتمد على أي افتراضات نمذجة، مما يجعله خطوة تمهيدية ممتازة يعقبها نموذج كوكس لتأكيد الفعالية وحساب نسبة المخاطر.
7.2 ما هو الإجراء الإحصائي المتبع عند انتهاك فرضية تناسب المخاطر؟
عند ثبوت خرق فرضية تناسب المخاطر—سواء في تقاطع منحنيات البقاء أو الدلالة الإحصائية لاختبار بواقي شونفيلد—تتوقف صلاحية التفسير القياسي للوغ رانك وكوكس، ويتعين على الباحث تبني أحد الحلول المنهجية المتقدمة التالية:
- إدراج تفاعلات معتمدة على الزمن في نموذج كوكس (Extended Cox Model): كأن يُصاغ المتغير المخترق للفرضية بصورة دالة متفاعلة مع لوغاريتم الزمن $X \times \ln(t)$، مما يتيح حساب نسب مخاطر ديناميكية تتغير بمرور مراحل المتابعة.
- استخدام نموذج كوكس الطبقي (Stratified Cox Model): إذا كان المتغير المنتهك ليس هو المتغير العلاجي المستهدف، بل عاملاً مربكاً ثانوياً (مثل فئات المستشفيات أو مراحل المرض السريرية)، فيتم تقسيمه إلى طبقات ذات دوال خطر أساسية منفصلة دون إلزامه بنسبة خطر موحدة.
- استخدام اختبارات الرتب الموزونة البديلة للوغ رانك: مثل اختبار تارون-وير (Tarone-Ware Test) أو اختبار بريلو-بيتون (Prentice-Wilcoxon / Peto-Prentice Test)، والتي تعطي أوزاناً تفضيلية للأحداث المبكرة أو المتأخرة لتفادي انهيار القوة عند تقاطع المنحنيات.
- تحليل زمن البقاء المتوسط المقيد (Restricted Mean Survival Time – RMST): وهو مقياس حديث وثوري لا يعتمد على فرضية تناسب المخاطر على الإطلاق، ويقيس مساحة المنطقة الواقعة تحت منحنى كابلان-ماير حتى أفق زمني محدد، ليعبر عن الفارق بالأيام أو الشهور الإضافية التي يكسبها المريض تحت العلاج الجديد.
7.3 لماذا تختلف قيمة p أحياناً بين لوغ رانك ونموذج كوكس أحادي المتغير لنفس البيانات؟
يرجع الاختلاف الطفيف في القيمة الاحتمالية ($p$-value) المشاهد أحياناً بين اختبار لوغ رانك ونموذج كوكس لنفس المتغير الثنائي الأحادي إلى تباين رياضي وتقني في آليات التقدير البرمجي وليس إلى تناقض مفاهيمي؛ فاختبار لوغ رانك يتطابق عددياً وبشكل حصري مع “اختبار سكور” (Score Test) لنموذج كوكس. غير أن غالبية حزم البرمجيات الإحصائية الشهيرة (مثل SPSS أو التقرير الافتراضي في R) تعرض كقيمة أساسية لنموذج كوكس القيمة الاحتمالية المشتقة من “اختبار والد” (Wald Test) المقاس بـ $(\hat{\beta} / SE(\hat{\beta}))^2$ أو اختبار نسبة الإمكان (Likelihood Ratio Test).
ورغم أن هذه الاختبارات الثلاثة تتقارب بصورة تامة في العينات الكبيرة جداً، إلا أنها قد تظهر فروقاً عددية ملحوظة في العينات المتوسطة والصغيرة. علاوة على ذلك، يلعب أسلوب معالجة “التعادلات الزمنية” (Ties)—أي حدوث وفيات لعدة مرضى في نفس اليوم بالضبط—دوراً محورياً في هذا التباين؛ حيث تستخدم خوارزميات كوكس تقريبات عددية شهيرة كتقريب بريسلو (Breslow Approximation) أو تقريب إيفرون الأكثر دقة (Efron Approximation)، بينما يمتلك لوغ رانك صيغته التوافقية المستندة للتوزيع فوق الهندسي، مما يفسر حدوث اختلافات طفيفة في الكسور العشرية الأخيرة للقيمة الاحتمالية.
7.4 كيف نحدد المتغيرات التي ينبغي إدخالها في نموذج كوكس متعدد المتغيرات؟
يجب أن يستند انتقاء المتغيرات المستقلة الداخلة في نموذج كوكس إلى “الأسس النظرية والإكلينيكية السابقة” أولاً، لا إلى المعالجات الإحصائية الآلية الصماء. ومن الأخطاء المنهجية الجسيمة المنتشرة قيام الباحث بفحص كافة المتغيرات باختبار لوغ رانك أو انحدار كوكس أحادي المتغير، واستبعاد أي متغير تزيد قيمة $p$ الخاصة به عن $0.05$ قبل الشروع في بناء النموذج المتعدد؛ فهذه الممارسة قد تؤدي إلى إقصاء متغيرات تشويش حاسمة تمتلك تأثيراً ضعيفاً بمفردها ولكنها ذات وزن تعديلي بالغ القوة عند تفاعلها مع سائر المتغيرات.
بدلاً من ذلك، يُوصى بإدراج المتغيرات المربكة المعروفة بيولوجياً في الأدبيات المسبقة، مع الاسترشاد بمعايير جودة التوفيق الإحصائي مثل معيار أكايكي للمعلومات (Akaike Information Criterion – AIC) ومعيار بايز (BIC) للمفاضلة بين النماذج المتداخلة. كما يجب الحذر الشديد من التداخل الخطي المتعدد (Multicollinearity) بين المتغيرات التفسيرية، والالتزام الصارم بقاعدة “عدد الأحداث لكل متغير” (Events Per Variable – EPV)، والتي تشترط توافر ما لا يقل عن 10 إلى 20 حدثاً مرصوداً (حالة وفاة أو انتكاس فعلية، وليس مجمل أفراد العينة) لكل متغير مستقل مضمن في النموذج، لتفادي الانهيار التقاربي والتقديرات المتضخمة لنسب المخاطر.
8. الخاتمة والتوصيات المنهجية
8.1 خلاصة التمايز المنهجي وموقع كل أداة في البحث العلمي
يمثل اختبار لوغ رانك ونموذج كوكس للمخاطر النسبية ثنائية منهجية متناغمة تقود قاطرة الاستدلال الإحصائي في تحليل البقاء؛ فاختبار لوغ رانك يقف في خط الدفاع الاستكشافي الأول كأداة لا معلمية راسخة وبسيطة وعالية الشفافية لمقارنة الرتب الزمنية، مجيباً بدقة لا تقبل اللبس عن سؤال وجود الفروق العامة بين منحنيات البقاء تحت المراقبة العشوائية. بينما يتألق نموذج كوكس كمنصة نمذجة سببية وتنبؤية متقدمة تنقل التحليل من مجرد اختبار الوجود أو العدم إلى فضاء القياس الكمي وضبط المتغيرات وتقدير نسب المخاطر الموجهة للممارسة الإكلينيكية والطبية.
إن إدراك الباحث بأن اختبار لوغ رانك هو في الواقع الامتداد الأحادي لاختبار الدرجة في نموذج كوكس يرفع اللبس التقليدي، ويحول المقارنة بينهما من حالة التنافس المصطنع إلى إدراك عميق لحتمية توظيفهما المتكامل. ولا يكتمل البناء البحثي الرصين إلا بالمزاوجة الواعية بين الحس الإحصائي المجرد والمنطق البيولوجي السريري؛ فالأدوات الإحصائية ليست غايات بذاتها، بل هي عدسات رياضية مصممة لاستجلاء الحقيقة العلمية الكامنة في أزمنة التعافي والمخاطر الإنسانية.
8.2 دليل إرشادي لأفضل الممارسات البحثية والتوثيق الأكاديمي
نختتم هذا الدليل الإرشادي بمجموعة من أفضل الممارسات الأكاديمية والتوصيات المعيارية لتوثيق تحليلات البقاء ونشرها في الأوعية العلمية المحكمة:
- التوثيق الشفاف لآلية الرقابة والتعادلات: يجب على الباحثين بيان النسبة المئوية للبيانات المبتورة وأسبابها بوضوح في منهجية البحث، مع تحديد الطريقة المتبعة للتعامل مع التعادلات الزمنية في نموذج كوكس (مثل استخدام تقريب Efron بدلاً من تقريب Breslow التلقائي في البرمجيات القديمة).
- الفحص الإلزامي لفرضية تناسب المخاطر: لا يجوز بأي حال من الأحوال نشر مخرجات نموذج كوكس دون توثيق صريح لإجراء اختبارات التحقق من تناسب المخاطر، وفي مقدمتها اختبار بواقي شونفيلد ($p$-value لكل متغير)، وتضمين المخططات البصرية للبواقي في الملاحق البحثية لتأكيد مصداقية نسب المخاطر.
- العرض البياني والرقمي المتزامن: ينبغي دوماً تقديم النتائج السريرية بأسلوب العرض المتكامل؛ وذلك بنشر منحنيات كابلان-ماير البصرية الواضحة مصحوبة بجداول تفصيلية لأعداد المعرضين للخطر ($Number at risk$) عند النقاط الزمنية المفصلية، وقيم لوغ رانك الأولية، مع جداول انحدار كوكس التي تبرز نسب المخاطر الخام ($Unadjusted HR$) ونسب المخاطر المعدلة ($Adjusted HR$) مصحوبة بفترات الثقة $95%$ وقيم الدلالة الرقمية الدقيقة.
- تجنب الإفراط في النمذجة (Overfitting): مراعاة كفاية عدد الأحداث المرصودة ($Events$) بالنسبة لعدد المتغيرات التفسيرية وفق معيار $EPV ge 10-20$، وتفادي الانتقاء الآلي التدريجي غير المستند إلى النظريات البيولوجية والسريرية الراسخة.
المراجع
Fombonne, E. J., Wostear, G., Cooper, V., Harrington, R., & Rutter, M. L. (2001). The Maudsley long-term follow-up of child and adolescent depression: I. Psychiatric outcomes in adulthood. The British Journal of Psychiatry. https://doi.org/10.1192/bjp.179.3.210
Gysin-Maillart, A., Schwab, S., Soravia, L. M., Megert, M., & Michel, K. (2016). A Novel Brief Therapy for Patients Who Attempt Suicide: A 24-months Follow-Up Randomized Controlled Study of the Attempted Suicide Short Intervention Program (ASSIP). PLoS Medicine. https://doi.org/10.1371/journal.pmed.1001968
Hawton, K. E., Zahl, D. L., & Weatherall, R. (2003). Suicide following deliberate self-harm: long-term follow-up of patients who presented to a general hospital. The British Journal of Psychiatry. https://doi.org/10.1192/bjp.182.6.537
Kelly‐Irving, M., Lepage, B., Dedieu, D., Bartley, M., Blane, D., Grosclaude, P., et al. (2013). Adverse childhood experiences and premature all-cause mortality. European Journal of Epidemiology. https://doi.org/10.1007/s10654-013-9832-9
Kuyken, W., Hayes, R. A., Barrett, B. M., Byng, R., Dalgleish, T., Kessler, D. S., et al. (2015). Effectiveness and cost-effectiveness of mindfulness-based cognitive therapy compared with maintenance antidepressant treatment in the prevention of depressive relapse or recurrence (PREVENT): a randomised controlled trial. The Lancet. https://doi.org/10.1016/s0140-6736(14)62222-4
Miller, I. W., Camargo, C. A., Arias, S. A., Sullivan, A. F., Allen, M. H., Goldstein, A. B., et al. (2017). Suicide Prevention in an Emergency Department Population: The ED-SAFE Study. JAMA Psychiatry. https://doi.org/10.1001/jamapsychiatry.2017.0678
Penninx, B. W. J. H., Nolen, W. A., Lamers, F., Zitman, F. G., Smit, J. H., Spinhoven, P., et al. (2011). Two-year course of depressive and anxiety disorders: Results from the Netherlands Study of Depression and Anxiety (NESDA). Journal of Affective Disorders. https://doi.org/10.1016/j.jad.2011.03.027
Pietroiusti, A., Neri, A., Somma, G., Coppeta, L., Iavicoli, I., Bergamaschi, A., et al. (2009). Incidence of metabolic syndrome among night-shift healthcare workers. Occupational and Environmental Medicine. https://doi.org/10.1136/oem.2009.046797
Segal, Z. V., Kennedy, S. H., Gemar, M. C., Hood, K., Pedersen, R., & Buis, T. (2006). Cognitive Reactivity to Sad Mood Provocation and the Prediction of Depressive Relapse. Archives of General Psychiatry. https://doi.org/10.1001/archpsyc.63.7.749
Weissman, M. M., Wickramaratne, P. J., Gameroff, M. J., Warner, V., Pilowsky, D. J., Kohad, R. G., et al. (2016). Offspring of Depressed Parents: 30 Years Later. American Journal of Psychiatry. https://doi.org/10.1176/appi.ajp.2016.15101327