كيفية إنشاء منحنى البقاء في Excel

يحتل تحليل البقاء (Survival Analysis) مكانة محورية في الإحصاء الحيوي والعلوم الطبية والاجتماعية والاقتصادية، بوصفه أداة منهجية متقدمة قادرة على تتبع الأفراد عبر الزمن ودراسة احتمالية استمرارهم دون وقوع حدث حاسم معين، كحدوث الوفاة أو انتكاسة المرض أو فشل الأجهزة الميكانيكية أو حتى ترك العمل. يكمن التحدي الإحصائي الرئيسي في هذه الدراسات في وجود بيانات غير مكتملة المتابعة، تُعرف بالبيانات الخاضعة للرقابة (Censored Data)، والتي تجعل استخدام نماذج الانحدار الخطي التقليدية أمراً مضللاً رياضياً وغير ملائم منهجياً. ومن هنا برز تقدير كابلان-ماير (Kaplan-Meier Estimator) كأحد أعظم الابتكارات في التحليل غير البارامتري لبناء منحنيات البقاء التراكمية وتقدير احتمالات الاستمرارية بدقة متناهية.

ورغم أن العديد من الباحثين يلجؤون عادةً إلى حزم برمجية متخصصة مثل SPSS أو R أو SAS لبناء هذه المنحنيات، فإن إتقان تنفيذ منحنى البقاء داخل بيئة Microsoft Excel يمنح الباحث والمحلل فهماً إبستمولوجياً وحسابياً عميقاً لكيفية تشكّل الاحتمالات الشرطية لحظة بلحظة، بعيداً عن مفهوم “الصندوق الأسود” البرمجي. يتيح Excel بمرونته الهائلة التحكم الكامل في صياغة الجداول الحسابية، وتطبيق الدوال الإحصائية المتقدمة، وضبط التنسيقات البصرية للرسوم البيانية لتتوافق تماماً مع المعايير الدقيقة للمجلات العلمية العالمية المحكمة ذات معامل التأثير المرتفع.

يهدف هذا الدليل المرجعي الشامل إلى تفكيك كافة المراحل المنهجية والحسابية والتطبيقية اللازمة لإنشاء منحنى بقاء احترافي، بدءاً من البناء المفاهيمي للظاهرة والمتغيرات، مروراً بتنظيم وهيكلة مصفوفة البيانات الخام والتعامل الصارم مع حالات الرقابة، وحساب احتمالات البقاء باستخدام معادلة كابلان-ماير وصيغة غرينوود للخطأ المعياري، وصولاً إلى رسم المخطط الدرجي (Step Chart)، وتضمين علامات الرقابة، ومقارنة المجموعات بواسطة اختبار رتبة السجل (Log-Rank Test)، مع تقديم إرشادات دقيقة لتجنب الأخطاء الحسابية وتطوير قوالب عمل مؤتمتة وموثوقة إحصائياً.

1. المدخل المفاهيمي لمنحنيات البقاء وتحليل البقاء في البحوث الإحصائية

1.1 تعريف تحليل البقاء (Survival Analysis) وأهميته المنهجية

يُعرَّف تحليل البقاء، أو ما يُطلق عليه في الأدبيات الإحصائية تحليل وقت وقوع الحدث (Time-to-Event Analysis)، بأنه فرع تطبيقي متقدم من الإحصاء يتعامل مع دراسة المتغيرات الزمنية المقاسة ابتداءً من نقطة انطلاق محددة بدقة وحتى وقوع حدث نهائي موثق. لا يقتصر هذا التحليل على معرفة ما إذا كان الحدث قد وقع أم لا كمتغير ثنائي بسيط، بل يدمج البعد الزمني التراكمي كعنصر حاسم في المعادلة الاحتمالية، مما يتيح للباحثين تقييم سرعة وديناميكية حدوث التحولات السريرية أو السلوكية عبر مختلف مراحل المتابعة الميدانية أو التجريبية.

تظهر الفروق الجوهرية بين تحليل البقاء ونماذج الانحدار الخطي الكلاسيكي (Ordinary Least Squares) في كيفية معالجة طبيعة البيانات؛ فالانحدار الخطي يفترض مسبقاً التوزيع الطبيعي للأخطاء ويتطلب معرفة القيمة الرقمية الدقيقة للمتغير التابع لجميع أفراد العينة. وفي المقابل، تفشل هذه النماذج عند تطبيقها على مدد المتابعة المبتورة، حيث يؤدي استبعاد الأفراد الذين لم يختبروا الحدث إلى تحيز استقطابي كارثي، بينما يؤدي اعتبار زمن خروجهم كأنه زمن وقوع الحدث إلى تقليل زائف لمعدلات البقاء الحقيقية، وهو ما يتجاوزه تحليل البقاء بكفاءة عبر معالجة الاحتمالات الشرطية المستمرة.

تتعدد مجالات تطبيق منحنيات البقاء لتشمل طيفاً واسعاً من التخصصات، ففي العلوم الطبية والسريرية تُستخدم لمقارنة معدلات الشفاء أو النجاة بين بروتوكولات علاجية دوائية مبتكرة، وفي الدراسات النفسية والسلوكية تُوظف لتتبع فترات الامتناع عن الإدمان أو عودة الأعراض الاكتئابية بعد انتهاء العلاج السلوكي المعرفي، كما تمتد تطبيقاتها إلى الهندسة الصناعية لتحليل موثوقية المعدات وعمر المكونات الافتراضي، وإلى العلوم الاقتصادية لنمذجة مدة بقاء الشركات الناشئة في السوق ومخاطر الإفلاس المالي تحت تقلبات البيئة الاستثمارية.

1.2 طبيعة منحنى البقاء (Survival Curve) وتقدير كابلان-ماير

يُمثل منحنى البقاء الاقتران الرياضي البياني لدالة البقاء $S(t)$، والتي تُعرَّف نظرياً بأنها احتمالية أن يستمر الفرد على قيد الحياة (أو يبقى حراً من الحدث المدروس) لفترة زمنية تتجاوز زمناً معيناً $t$. يبدأ المنحنى دائماً عند النقطة الزمنية الصفرية بقيمة احتمالية تساوي 1.0 (أو 100%)، حيث تكون كامل العينة مؤهلة ولم يقع أي حدث بعد، ثم يتناقص المنحنى تدريجياً وبشكل رتيب (Monotonically Decreasing) مع مرور الوقت ووقوع الأحداث المتعاقبة بين أفراد العينة الخاضعة للدراسة.

يُعد تقدير كابلان-ماير (Kaplan-Meier Estimator)، الذي طوره العالمان إدوارد كابلان وبول ماير عام 1958، مقياساً إحصائياً غير بارامتري (Non-parametric)، مما يعني أنه لا يفرض أي افتراضات مسبقة حول التوزيع الاحتمالي النظري الأساسي لأوقات البقاء، كالتوزيع الأسي أو توزيع وايبل. تعتمد هذه المنهجية على حساب الاحتمال الشرطي للبقاء على قيد الحياة خلال كل فترة زمنية صغيرة يقع فيها حدث واحد على الأقل، بشرط أن يكون الفرد قد نجا حتى بداية تلك الفترة الزمنية، ثم ضرب هذه الاحتمالات الشرطية المتتالية تراكمياً لتكوين دالة البقاء الإجمالية.

يتميز المظهر الهندسي لمنحنى كابلان-ماير بالنمط الدرجي (Step Function)، حيث يظل المنحنى أفقياً تماماً طالما لم يقع أي حدث، ويهبط عمودياً بشكل فجائي لحظة تسجيل وفاة أو حدوث الحالة المرضية. يُستفاد من هذا المنحنى في استخراج معالم إحصائية محورية مثل متوسط وقت البقاء التقديري والوسيط الزمني للبقاء (Median Survival Time)، وهو الزمن الذي تنخفض عنده احتمالية البقاء التراكمية إلى النصف (0.50)، ويُفضل الاعتماد على الوسيط نظراً لعدم تأثره بالقيم الزمنية المتطرفة والشاذة التي تشيع في دراسات المتابعة الطويلة.

1.3 أهمية تنفيذ منحنيات البقاء باستخدام برمجية Microsoft Excel

يوفر تنفيذ منحنيات البقاء في Microsoft Excel ميزة تعليمية وبحثية استثنائية تتمثل في تحرير الباحث من الاعتماد الأعمى على المخرجات الجاهزة التي تولدها البرمجيات الإحصائية الآلية المتخصصة. عند بناء الحسابات خطوة بخطوة في الخلايا، يصبح المحلل شاهداً على كيفية تفاعل عدد الأفراد المعرضين للخطر مع وقوع الوفيات وخروج الحالات المراقبة، مما يعزز الفهم الرياضي الدقيق لمنطق كابلان-ماير ويمنع التفسيرات الإحصائية المغلوطة للبيانات المعقدة.

إلى جانب الفائدة الإدراكية، يقدم Excel مرونة لا تضاهى في التخصيص البصري وتصميم الجداول والمخططات؛ فالمستخدم يمتلك السيطرة الكاملة على تنسيق خطوط المحاور، وضبط التدرجات الزمنية بدقة، وتلوين سلاسل البيانات، ودمج جداول أعداد المعرضين للخطر أسفل الرسم البياني مباشرة، وهي خصائص تتطلب كتابة أسطر برمجية معقدة ومضنية في لغات مثل R أو حزم Python الرسومية، مما يجعل Excel منصة مثالية لإعداد رسوم قابلة للنشر السريع في التقارير الأكاديمية والرسائل الجامعية.

كما تتميز ملفات Excel بسهولة المشاركة والتعاون بين الفرق البحثية متعددة التخصصات، حيث تتوفر البرمجية على جميع أجهزة الحواسيب تقريباً دون متطلبات ترخيص معقدة أو بيئات تشغيل متخصصة. يتيح ذلك للأطباء والاستشاريين غير المتخصصين في البرمجة مراجعة الحسابات، وإدخال بيانات المتابعة الإضافية بصورة ديناميكية، وملاحظة التحديث الفوري لمنحنى البقاء والنتائج الإحصائية المشتقة في الوقت الحقيقي عبر المعادلات المرتبطة تلقائياً داخل ورقة العمل.

2. المفاهيم الأساسية لبيانات البقاء والتعامل مع الرقابة (Censoring)

2.1 مفهوم الرقابة على البيانات (Censoring) وأنواعها

تمثل الرقابة (Censoring) الظاهرة الإحصائية الأكثر تميزاً وتعقيداً في دراسات البقاء، وتحدث عندما تتوافر معلومات جزئية فقط حول زمن بقاء الفرد، دون أن نتمكن من رصد لحظة وقوع الحدث بدقة خلال فترة الدراسة المعتمدة. لا تعني الرقابة وجود بيانات خاطئة أو تالفة، بل هي توصيف علمي لحالة عدم اكتمال المتابعة الزمنية لأسباب متعددة، وتجاهل هذه الحالات أو حذفها من التحليل يؤدي إلى تشويه خطير في تقديرات دالة البقاء ويقوض الصلاحية الداخلية للدراسة بالكامل.

تُعد الرقابة اليمينية (Right Censoring) النوع الأكثر شيوعاً في البحوث الطبية والتجريبية، وتحدث عندما تنتهي فترة المتابعة المقررة للدراسة بينما لا يزال المريض حياً ولم يتعرض للحدث، أو عندما ينقطع اتصال المريض بالمركز العلاجي وينسحب قبل نهاية التجربة (Lost to Follow-up)، أو عندما يضطر المريض للخروج من الدراسة بسبب تعرضه لحدث منافس يمنع استمرار المتابعة. في هذه الحالات، نعلم يقيناً أن زمن بقاء المريض الفعلي هو على الأقل مساوٍ لزمن آخر فحص طبي، لكننا نجهل المدة الإضافية التي قد يعيشها لاحقاً.

توجد أنماط أخرى من الرقابة وإن كانت أقل شيوعاً، كالرقابة اليسارية (Left Censoring) التي تظهر عندما يكون الحدث قد وقع بالفعل في نقطة زمنية مجهولة تسبق انضمام الفرد للدراسة أو قبل بدء الملاحظة الفعلية. أما الرقابة الفترية (Interval Censoring)، فتحدث عندما يُعرف أن الحدث قد وقع داخل نافذة زمنية محددة بين زيارتين دوريتين للمستشفى، ولكن اللحظة الزمنية الدقيقة لوقوعه تظل غير محددة، وتتطلب معالجة هذه الأنماط اعتبارات رياضية متقدمة في بناء جداول الحياة الإحصائية.

2.2 التمييز بين المتغير الزمني ومتغير الحدث (Event Variable)

يتطلب تحليل البقاء إعداد متغيرين رئيسيين لكل مفردة من مفردات العينة المدروسة: المتغير الأول هو متغير مدة المتابعة (Time Variable)، والذي يقيس بدقة الفترة المنقضية من نقطة الصفر الزمنية المحددة مسبقاً وحتى آخر نقطة اتصال أو وقوع الحدث، ويُقاس بوحدات زمنية موحدة مثل الأيام، أو الأسابيع، أو الشهور، أو السنوات، مع ضرورة الحفاظ على توحيد وحدة القياس عبر كامل السجلات لضمان اتساق الحسابات الرياضية.

أما المتغير الثاني فهو متغير مؤشر الحدث (Status or Event Indicator)، وهو متغير ثنائي مشفر رقمياً يُحدد النتيجة النهائية لتلك المدة الزمنية المرصودة. في الاصطلاح الإحصائي القياسي، يتم ترميز وقوع الحدث المستهدف (مثل الوفاة، حدوث الجلطة، أو عطل الماكينة) بالقيمة الرقمية (1)، بينما تُرمز حالات الرقابة بجميع أشكالها (كالبقاء على قيد الحياة عند نهاية التجربة أو الانسحاب) بالقيمة الرقمية (0)، مما يتيح للمعادلات الحسابية التمييز الفوري بين النهاية الطبيعية للمتابعة والنهاية الناتجة عن الرقابة.

تعتمد موثوقية نتائج منحنى البقاء بشكل مباشر على الدقة الصارمة في توثيق هذين المتغيرين داخل السجلات؛ فأي خطأ في إدخال التواريخ يؤدي إلى حسابات زمنية مشوهة تخل بقيم الاحتمال الشرطي، كما أن الخلط بين ترميز الأحداث وحالات الرقابة يقلب مسار المنحنى تماماً. ولذا ينبغي تدقيق السجلات ومقارنة تواريخ الدخول وتواريخ آخر تقييم لضمان خلو قاعدة البيانات من أي تضارب زمني قبل الشروع في بناء الجداول الإحصائية داخل Excel.

2.3 الافتراضات الإحصائية اللازمة لبناء منحنى البقاء

يستند تقدير كابلان-ماير إلى حزمة من الافتراضات المنهجية الأساسية التي يجب أن تتحقق لضمان صحة الاستدلال الإحصائي، وأول هذه الافتراضات هو افتراض استقلالية الرقابة (Independent or Non-informative Censoring). يقضي هذا الافتراض بأن احتمالية تعرض الفرد للرقابة أو الانسحاب من الدراسة لا ترتبط بأي حال من الأحوال باحتمالية تعرضه للحدث؛ أي أن المرضى الذين يُفقد أثرهم يجب ألا يكونوا أكثر عرضة للوفاة أو الشفاء مقارنة بأولئك الذين استمروا تحت الملاحظة المنتظمة.

الافتراض الجوهري الثاني هو ثبات احتمالات البقاء عبر الفترات الزمنية المختلفة للبحث (Stationarity / Period Invariance)، ومفاده أن الأفراد الذين ينضمون إلى التجربة في مراحل زمنية متأخرة يجب أن يمتلكوا نفس احتمالات ومخاطر البقاء مثل أولئك الذين انضموا في بدايتها، بافتراض عدم حدوث تطور جذري في معايير الرعاية الطبية أو الظروف البيئية المحيطة بالدراسة طوال فترة جمع البيانات.

أما الافتراض الثالث فيتعلق بضرورة التحديد الدقيق والموحد للحظة الانطلاق الزمنية ($T_0$) لجميع الأفراد؛ إذ يجب أن تعبر نقطة الصفر عن حدث بيولوجي أو سريري متجانس، كتاريخ التشخيص الأولي، أو تاريخ إجراء التدخل الجراحي، أو لحظة بدء تناول الجرعة الدوائية الأولى، وتفادي خلط نقاط البداية المختلفة لما ينتج عنه من تباين زائف في حساب فترات البقاء الإجمالية.

3. هيكلة وتجهيز البيانات الخام داخل ورقة عمل Excel

3.1 تصميم جدول البيانات الأولي (Raw Data Structure)

يمثل التنسيق المنظم لقاعدة البيانات الخام في Excel الركيزة الصلبة التي تبنى عليها كافة الحسابات اللاحقة بكفاءة ودون أخطاء. يجب تخصيص ورقة عمل مستقلة تُسمى “Raw_Data”، وتُنظم فيها البيانات على هيئة مصفوفة مستطيلة يتضمن كل صف فيها سجلاً لمفردة دراسية واحدة (مريض أو عينة تجريبية)، بينما تمثل الأعمدة المتغيرات المقاسة وفق ترتيب معياري محدد بدقة يسهل استدعاءه بالدوال الرياضية.

يُخصص العمود الأول (A) للمُعرّف الفريد للمريض (Patient_ID)، والذي يضمن تتبع الحالات الفردية ومنع تكرار السجلات، بينما يُخصص العمود الثاني (B) للمتغير الزمني (Time)، والذي يحتوي على عدد الأيام أو الشهور التي قضاها المريض تحت المراقبة. ويُخصص العمود الثالث (C) لمؤشر الحالة (Status)، والذي يحتوي حصرياً على القيمتين الثنائيتين (1 أو 0)، ويمكن إضافة أعمدة لاحقة للمتغيرات التصنيفية كالمجموعة العلاجية (Treatment Group) في حال الرغبة في مقارنة منحنيات متعددة لاحقاً.

يوضح الجدول التالي النموذج المعياري المطلوب لتجهيز وهيكلة البيانات الخام داخل ورقة العمل قبل إجراء العمليات الحسابية:

رقم المريض (ID)	مدة المتابعة بالأشهر (Time)	مؤشر الحدث (Status: 1=Event, 0=Censored)	المجموعة (Group)
PT-001	4.5	1	العلاج المبتكر (A)
PT-002	6.0	0	العلاج المبتكر (A)
PT-003	8.2	1	العلاج التقليدي (B)
PT-004	12.0	0	العلاج التقليدي (B)

3.2 فحص وتنظيف البيانات واكتشاف القيم الشاذة

تبدأ مرحلة تنظيف البيانات بالتحقق من عدم وجود خلايا فارغة أو قيم نصية غير مقصودة داخل أعمدة الزمن والحالة. يمكن استخدام أدوات التصفية المتقدمة (Filters) أو التنسيق الشرطي (Conditional Formatting) لتسليط الضوء على أي أرقام سالبة أو أزمنة تساوي صفراً دون مبرر منطقي؛ فالزمن المسجل للمتابعة يجب أن يكون دائماً قيمة رقمية موجبة تعكس مرور مدة زمنية فعلية حتى لو كانت قصيرة للغاية كجزء من اليوم.

كذلك يجب تدقيق عمود مؤشر الحالة للتأكد من احتوائه الصارم على القيمتين (0 و1) فقط، والتخلص من أي مدخلات مغلوطة مثل كتابة كلمات نصية كـ “وفاة” أو “مستمر” أو استخدام أرقام أخرى مثل (2)، حيث ستتسبب هذه المدخلات في إفشال دوال العد الشرطي المنطقية. يُنصح بتطبيق أداة التحقق من صحة البيانات (Data Validation) في Excel لتقييد الإدخال في هذا العمود بالأرقام الثنائية المعتمدة حصراً.

بعد التحقق من سلامة القيم، يُفضل ترتيب جدول البيانات الخام تصاعدياً (Ascending Sort) بالاعتماد على عمود مدة المتابعة (Time) كمعيار فرز رئيسي. على الرغم من أن بعض دوال Excel المتقدمة يمكنها التعامل مع البيانات غير المرتبة، فإن الفرز التصاعدي المسبق يمنح الباحث رؤية بصرية واضحة لتسلسل الأحداث وحالات الرقابة، ويسهل اكتشاف أي شذوذ منهجي في توزيع أوقات المتابعة عبر العينة.

3.3 استخراج القيم الزمنية الفريدة (Unique Time Points)

لبناء جدول حياة كابلان-ماير، نحتاج إلى تقليص القائمة الطويلة لأزمنة المتابعة الفردية إلى قائمة فريدة تضم فقط النقاط الزمنية التي وقعت عندها أحداث أو رقابة دون أي تكرار رقمي. في الإصدارات الحديثة من Microsoft Excel (مثل Microsoft 365 و Excel 2021)، يمكن إنجاز هذه الخطوة بكل سهولة وبصورة ديناميكية كاملة باستخدام دالة `UNIQUE` مدمجة مع دالة `SORT`.

تتم كتابة الصيغة التالية في خلية البداية لعمود الزمن بجدول الحسابات: `=SORT(UNIQUE(Raw_Data!B2:B101))`، حيث تقوم هذه المعادلة تلقائياً بمسح عمود الأزمنة في جدول البيانات الخام، واستخلاص القيم الزمنية المنفردة، وترتيبها تصاعدياً في مصفوفة ممتدة تلقائياً (Spill Range). توفر هذه الصيغة الديناميكية ميزة كبرى؛ ففي حال إضافة مرضى جدد إلى الجدول الخام، يتم تحديث قائمة الأزمنة الفريدة تلقائياً دون الحاجة لإعادة كتابة المعادلات.

من الضروري جداً التأكد من إدراج النقطة الزمنية الصفرية (Time = 0) في مستهل قائمة الأزمنة الفريدة حتى وإن لم تكن مسجلة في البيانات الخام؛ فالنقطة الصفرية تمثل الأساس المرجعي لانطلاق منحنى البقاء، وتكون عندها احتمالية البقاء مساوية لـ 1.0 (100%)، وعدد المعرضين للخطر مساوياً لإجمالي حجم العينة الكلية قبل بدء حدوث أي تغييرات أو وفيات.

4. بناء جدول حياة كابلان-ماير (Life Table) في Excel

4.1 تحديد أعمدة الحسابات الإحصائية الضرورية

يتطلب حساب منحنى كابلان-ماير إنشاء جدول حياة إحصائي متخصص في ورقة عمل جديدة تُسمى “Kaplan_Meier_Table”. يعتمد هذا الجدول على هيكل محكم من الأعمدة المترابطة رياضياً، والتي تأخذ مخرجات كل نقطة زمنية وتمررها لحساب النقطة الزمنية التالية. يوضح التصميم الهندسي السليم للجدول الشفافية المنهجية الكاملة للتحليل الإحصائي ويسهل مراجعة الحسابات وتدقيقها بدقة متناهية.

يتألف جدول كابلان-ماير المعياري من ستة أعمدة رئيسية مرتبة كالتالي: العمود الأول يحتوي على الفترات الزمنية الفريدة المقاسة ($t_i$)، والعمود الثاني يمثل عدد الأفراد المعرضين للخطر عند بداية تلك اللحظة الزمنية ($n_i$)، والعمود الثالث يسجل عدد الأحداث أو الوفيات التي وقعت في ذلك الزمن بالضبط ($d_i$)، بينما يوثق العمود الرابع عدد الحالات التي خضعت للرقابة وخرجت من الملاحظة عند نفس اللحظة ($c_i$).

يوضح الجدول التالي التخطيط الهيكلي لجدول حياة كابلان-ماير وما يقابله من رموز إحصائية قبل الشروع في إدخال الصيغ الرياضية:

الرمز الإحصائي	اسم العمود في Excel	الوصف المنهجي للبيان الحسابي
$t_i$	Time Point (t)	اللحظة الزمنية الفريدة المرصودة
$n_i$	Number at Risk (n)	عدد الأفراد المستمرين في الدراسة والمعرضين للخطر
$d_i$	Events (d)	عدد الوفيات أو الأحداث الواقعة عند الزمن $t_i$
$c_i$	Censored (c)	عدد الحالات المراقبة والمنسحبة عند الزمن $t_i$
$p_i$	Interval Survival	احتمالية النجاة المشروطة خلال الفترة: $1 – (d_i / n_i)$
$S(t_i)$	Cumulative Survival	احتمالية البقاء التراكمية الإجمالية حتى اللحظة $t_i$

4.2 حساب المعلمات المشتقة للبقاء

بعد تحديد أعداد المعرضين للخطر والوفيات وحالات الرقابة، يتم الانتقال إلى حساب المعلمات الاحتمالية المشتقة في العمودين الخامس والسادس. يمثل العمود الخامس احتمالية البقاء المشروطة داخل الفترة المحددة ($p_i$)، وتُحسب رياضياً بطرح نسبة الوفيات في تلك اللحظة من القيمة واحد، وفق الصيغة: $p_i = 1 – \frac{d_i}{n_i}$. تعبر هذه القيمة عن احتمال نجاة الفرد من الحدث في تلك النقطة الزمنية بالذات، شريطة أن يكون قد وصل إليها وهو لا يزال على قيد الحياة.

أما العمود السادس فهو جوهر تحليل كابلان-ماير ويمثل احتمالية البقاء التراكمية $S(t_i)$. تُحسب هذه الاحتمالية بتطبيق قانون ضرب الاحتمالات المستقلة المتتالية (Product-Limit Formula)، حيث تُضرب احتمالية البقاء التراكمية للفترة السابقة $S(t_{i-1})$ في احتمالية النجاة المشروطة للفترة الحالية $p_i$. ينتج عن هذه العملية تتابع تنازلي يعكس التناقص الحقيقي في نسبة الناجين بمرور الوقت مع مراعاة الحالات الخاضعة للرقابة دون أي تحيز رياضي.

يجب الانتباه إلى أن الفترات الزمنية التي تشهد تسجيل حالات رقابة فقط ($c_i > 0$) دون وقوع أي أحداث وفاة ($d_i = 0$) تكون فيها احتمالية البقاء المشروطة مساوية تماماً للواحد الصحيح ($p_i = 1 – 0/n_i = 1$)، وبالتالي فإن احتمالية البقاء التراكمية $S(t_i)$ تظل ثابتة ومطابقة للاحتمالية التراكمية السابقة دون هبوط، ولكنها تؤدي إلى خفض عدد المعرضين للخطر ($n_{i+1}$) في الفترات التالية، مما يرفع من التأثير النسبي لأي حدث وفاة يقع مستقبلاً.

5. صياغة وتطبيق الدوال الرياضية في Excel لحساب احتمالية البقاء

5.1 حساب عدد المعرضين للخطر باستخدام دوال العد الشرطي

لحساب عدد الأفراد المعرضين للخطر ($n_i$) عند كل نقطة زمنية، يجب إدراك أن الفرد يظل معرضاً للخطر طالما أن مدة متابعته المسجلة في الجدول الخام أكبر من أو تساوي النقطة الزمنية الحالية ($t_i$). يمكن تنفيذ هذه العملية الحسابية بدقة متناهية وديناميكية كاملة باستخدام دالة `COUNTIF` أو `COUNTIFS` عبر مسح نطاق عمود الزمن في ورقة البيانات الخام.

إذا كانت بيانات مدة المتابعة في الجدول الخام تقع في النطاق `Raw_Data!$B$2:$B$101`، وكانت النقطة الزمنية الحالية مسجلة في الخلية `A2` من جدول كابلان-ماير، فإن صيغة Excel لحساب عدد المعرضين للخطر تكون: `=COUNTIF(Raw_Data!$B$2:$B$101, “>=” & A2)`. تقوم هذه الدالة بعدّ جميع الحالات التي استمرت في الدراسة حتى الزمن `A2` أو تجاوزته، وهو ما يمثل التعريف الرياضي الدقيق لجماعة الخطر (Risk Set) عند تلك اللحظة.

تتميز هذه الصيغة بقدرتها الفائقة على التعامل مع الحالات المتزامنة (Tied Times) والتعامل التلقائي مع النقصان التدريجي في حجم العينة نتيجة تراكم الوفيات وحالات الانسحاب؛ فكلما تقدمنا في الزمن وزادت قيمة الخلية `A2`، ينخفض ناتج الدالة بصورة آلية متوافقة تماماً مع حركة العينة في الواقع التجريبي دون الحاجة لإجراء عمليات طرح يدوية متتالية قد تكون عرضة للخطأ البشري.

5.2 حساب عدد الأحداث والرقابة عبر الدوال المنطقية

يتطلب حساب عدد الأحداث ($d_i$) وعدد حالات الرقابة ($c_i$) عند كل نقطة زمنية فحص شرطين متزامنين: الشرط الأول هو مطابقة زمن المتابعة للنقطة الزمنية الحالية ($t_i$)، والشرط الثاني هو مطابقة مؤشر الحالة للقيمة المناسبة (1 للأحداث، أو 0 للرقابة). توفر دالة `COUNTIFS` في Excel الأداة المثالية لتطبيق هذه الشروط المتعددة بكفاءة عالية.

لحساب عدد الأحداث ($d_i$) في الخلية المقابلة للزمن `A2`، نستخدم الصيغة التالية: `=COUNTIFS(Raw_Data!$B$2:$B$101, A2, Raw_Data!$C$2:$C$101, 1)`. تبحث هذه الدالة في قاعدة البيانات الخام عن الصفوف التي تحقق زمن متابعة مساوياً تماماً لقيمة `A2` وبشرط أن يكون مؤشر الحالة في نفس الصف مساوياً للرقم 1، مما يعطينا بدقة عدد الوفيات الحاصلة عند ذلك الوقت بعينه.

وبالمثل تماماً، نطبق الصيغة التالية لحساب عدد حالات الرقابة ($c_i$): `=COUNTIFS(Raw_Data!$B$2:$B$101, A2, Raw_Data!$C$2:$C$101, 0)`. للتحقق من الصحة الرياضية للحسابات، يمكن إنشاء عمود تدقيق إضافي يجمع إجمالي الأحداث وحالات الرقابة عبر كافة الصفوف باستخدام دالة `SUM`، ومقارنة الناتج الإجمالي بحجم العينة الكلي؛ حيث يجب أن يتطابق المجموع التراكمي للوفيات والرقابة تماماً مع إجمالي عدد الأفراد المسجلين في الدراسة.

5.3 حساب احتمالية البقاء التراكمية الرياضية (S_t)

تبدأ حسابات احتمالية البقاء من الصف الأول لجدول الحياة والذي يمثل النقطة الزمنية الصفرية ($t_0 = 0$)؛ حيث نضع يدوياً القيمة (1.0) أو (100%) في خلية احتمالية البقاء التراكمية المقابلة للزمن صفر (ولتكن الخلية `F2`)، مع افتراض أن احتمالية النجاة في تلك النقطة هي 1.0 لعدم وجود أي أحداث في نقطة البداية المرجعية المطلقة.

في الصف الثاني (المقابل للنقطة الزمنية الأولى $t_1$ في الخلية `A3`)، نبدأ أولاً بحساب احتمالية النجاة المشروطة للفترة ($p_1$) في الخلية `E3` باستخدام الصيغة التالية: `=1 – (C3 / B3)`، حيث يمثل `C3` عدد الأحداث ($d_1$) ويمثل `B3` عدد المعرضين للخطر ($n_1$). تضمن هذه الصيغة حساب النسبة المتبقية من الأفراد على قيد الحياة خلال تلك اللحظة بالذات.

لحساب احتمالية البقاء التراكمية ($S(t_1)$) في الخلية `F3`، نطبق صيغة كابلان-ماير بضرب الاحتمالية التراكمية السابقة في احتمالية الفترة الحالية: `=F2 * E3`. بعد ذلك، يتم تعميم وسحب هاتين المعادلتين (`E3` و `F3`) للأسفل عبر المقبض التلقائي لكافة صفوف الجدول، مع مراعاة استخدام المراجع النسبية للخلايا لضمان استمرار الحساب التسلسلي التراكمي بدقة وصولاً إلى آخر نقطة زمنية مرصودة في التجربة.

6. تجهيز البيانات لإنشاء المخطط الدرجي (Step Chart) في Excel

6.1 فهم الطبيعة الدرجية لمنحنى كابلان-ماير

يتميز منحنى كابلان-ماير بخاصية رياضية وبصرية فريدة؛ فهو دالة متقطعة وثابتة موضعياً (Piecewise Constant Function)، مما يعني أن احتمالية البقاء التراكمية لا تتغير تدريجياً عبر الزمن كما في الخطوط المستقيمة المنحدرة، بل تظل ثابتة تماماً على شكل خط أفقي طالما لم يقع أي حدث وفاة جديد، ثم تهبط فجأة وبشكل عمودي لحظة تسجيل الوفاة.

تكمن المشكلة التقنية في Excel في أن المخططات الخطية التقليدية (Standard Line Charts) أو المخططات المبعثرة المباشرة تقوم آلياً برسم خطوط مائلة ومستقيمة تصل بين النقاط الزمنية المتتالية. يؤدي هذا التوصيل المائل إلى تضليل بصري ومنهجي فادح؛ حيث يوحي للمشاهد بأن احتمالية البقاء تتناقص تدريجياً بين الفترات، بينما الحقيقة الإحصائية تؤكد بقاء الاحتمال ثابتاً حتى نقطة الحدث التالي.

لتجاوز هذا القصور البرمجي وتوليد مخطط درجي (Step-wise Curve) احترافي يحاكي تماماً مخرجات البرمجيات المتخصصة، يلزمنا إجراء معالجة هندسية مسبقة لجدول الإحداثيات قبل الرسم. تتلخص هذه المعالجة في مضاعفة النقاط البيانية لإنشاء زوايا قائمة تتألف من خط أفقي يمتد حتى زمن الحدث، متبوعاً بخط عمودي ينحدر إلى قيمة الاحتمالية الجديدة عند نفس اللحظة الزمنية.

6.2 إنشاء جدول النقاط المزدوجة لتكوين الدرجات (Step Layout)

تعتمد تقنية الجدول المزدوج على إنشاء جدول جديد للإحداثيات يُسمى “Chart_Data” يحتوي على عمود لمحور السينات ($X$) وعمود لمحور الصادات ($Y$). لكل فترة زمنية تالية ($t_i$) تشهد انخفاضاً في البقاء من$S(t_{i-1})$ إلى $S(t_i)$، نحتاج إلى إدراج نقطتين متتاليتين في جدول الرسم لتمثيل المسار الهندسي للدرجة بدقة تامة:

• النقطة الأولى (امتداد أفقي): تأخذ الإحداثيات $(t_i, S(t_{i-1}))$، وهي النقطة التي تمد الخط الأفقي من الزمن السابق وصولاً إلى اللحظة الزمنية الحالية مع الحفاظ على مستوى الاحتمالية القديم.
• النقطة الثانية (انحدار عمودي): تأخذ الإحداثيات $(t_i, S(t_i))$، وهي النقطة التي تسقط الخط عمودياً عند نفس اللحظة الزمنية $t_i$ لتعكس قيمة احتمالية البقاء الجديدة بعد وقوع الحدث.

يوضح الجدول التالي كيفية ترتيب إحداثيات النقاط المزدوجة لتحويل جدول كابلان-ماير البسيط إلى نسق درجي متصل:

الزمن في جدول كابلان-ماير ($t$)	البقاء التراكمي ($S(t)$)	إحداثي المحور الأفقي ($X$) للرسم	إحداثي المحور الرأسي ($Y$) للرسم	الدلالة الهندسية للخط
0	1.00	0	1.00	نقطة البداية المرجعية
5	0.80	5	1.00	الامتداد الأفقي حتى زمن الحدث
–	–	5	0.80	الهبوط العمودي للاحتمال الجديد
12	0.60	12	0.80	الامتداد الأفقي حتى الحدث التالي
–	–	12	0.60	الهبوط العمودي للاحتمال الجديد

6.3 طريقة بديلة: استخدام المخططات المبعثرة مع خطوط الربط المباشرة

تتمثل الطريقة الأكثر تقدماً وأتمتة في استخراج إحداثيات النمط الدرجي عبر معادلات الربط الديناميكي باستخدام دوال الفهرسة `INDEX` و `ROW`، مما يتيح توليد جدول الرسم المزدوج تلقائياً دون الحاجة إلى النسخ واللصق اليدوي للنقاط، وهو أمر حاسم في الدراسات التي تحتوي على مئات النقاط الزمنية الفريدة.

لتحقيق ذلك، ننشئ عمودين جديدين لـ $X$ و $Y$ في ورقة الرسم؛ في العمود $X$ نستخدم صيغة تقوم بتكرار كل قيمة زمنية مرتين في صفين متتاليين بدءاً من النقطة الصفرية، وفي العمود $Y$ نستخدم صيغة منطقية تضع في الصف الأول الاحتمالية السابقة وتضع في الصف الثاني الاحتمالية الحالية. يضمن هذا البناء البرمجي تشكيل مصفوفة درجات كاملة تتحدث تلقائياً بمجرد إدخال أي تعديل على بيانات المرضى.

بالمقارنة بين الطريقة اليدوية والمعادلات المؤتمتة، فإن استخدام المخطط المبعثر (XY Scatter Plot with Straight Lines) المعتمد على مصفوفة الإحداثيات المزدوجة الديناميكية يمثل المعيار الذهبي للدقة الإحصائية داخل Excel؛ إذ يتفوق على أي محاولات لاستخدام مخططات الأعمدة المكدسة أو الرسوم البيانية التقريبية التي تفتقر للدقة المتناهية على مقياس المحور الزمني المستمر.

7. خطوات رسم وتوليد مخطط البقاء في Excel

7.1 إدراج المخطط البياني المبعثر (XY Scatter Plot)

بعد تجهيز جدول الإحداثيات المزدوجة ($X$ و $Y$)، نبدأ في توليد الرسم البياني الفعلي. نتوجه إلى شريط الأدوات العلوي في Excel ونختار تبويب “إدراج” (Insert)، ثم ننتقل إلى قسم المخططات ونختار “مخطط مبعثر” وتحديداً النوع الفرعي: **Scatter with Straight Lines** (مبعثر بخطوط مستقيمة وبدون علامات دائرية).

يظهر لنا إطار مخطط فارغ؛ نضغط عليه بزر الفأرة الأيمن ونختار “تحديد البيانات” (Select Data)، ثم نضغط على زر “إضافة” (Add) لإنشاء سلسلة بيانات جديدة (Data Series). نسمي السلسلة في مربع الاسم باسم المجموعة المدروسة، كأن نكتب “Kaplan-Meier Survival Curve” أو اسم البروتوكول العلاجي المستهدف.

في حقل “قيم سين للسلسلة” (Series X values)، نقوم بتحديد كامل نطاق عمود الأزمنة المزدوجة في جدول الرسم، وفي حقل “قيم صاد للسلسلة” (Series Y values)، نحدد النطاق المقابل للاحتمالات التراكمية المزدوجة. بمجرد الضغط على زر “موافق” (OK)، سيظهر منحنى البقاء فوراً على هيئة درجات هندسية متناسقة، تبدأ من أعلى اليسار عند الإحداثي $(0, 1)$ وتتدرج هبوطاً نحو اليمين بدقة تامة.

7.2 ضبط وتخصيص محاور الرسم البياني

يُعد ضبط المحاور خطوة حاسمة لتحويل المخطط الأولي إلى رسم بياني أكاديمي منضبط. نبدأ بالضغط المزدوج على المحور الرأسي (المحور $Y$) لفتح لوحة “تنسيق المحور” (Format Axis)؛ ومن خيارات الحدود (Bounds)، نقوم بتعيين الحد الأدنى (Minimum) بدقة عند القيمة `0.0`، وتعيين الحد الأقصى (Maximum) عند القيمة `1.0` (أو 100% إذا كان التنسيق مئوياً)، مع ضبط وحدة القياس الرئيسية (Major Unit) عند `0.1` أو `0.2` لضمان وضوح التدريج.

بعد ذلك، ننتقل إلى المحور الأفقي (المحور $X$) الذي يمثل الزمن؛ نقوم بضبط الحد الأدنى عند القيمة `0`، ونحدد الحد الأقصى ليتوافق مع أطول فترة متابعة مسجلة في الدراسة مقربة لأقرب رقم صحيح منطقي (مثلاً 60 شهراً أو 5 سنوات). كما نضبط الفواصل الزمنية الرئيسية (Major Units) لتكون بقيم متساوية وذات دلالة سريرية (مثل كل 6 أو 12 شهراً).

لا يكتمل المخطط الإحصائي دون تسمية واضحة ومحددة للمحاور؛ نضيف عنواناً للمحور الرأسي مثل: “احتمالية البقاء التراكمية (Cumulative Survival Probability)”، وعنواناً للمحور الأفقي يحدد بوضوح المتغير ووحدة القياس المستخدمة مثل: “مدة المتابعة بالأشهر (Follow-up Time in Months)”، مما يضمن قابلية قراءة الرسم بشكل مستقل دون الحاجة للرجوع إلى متن النص.

7.3 إضافة علامات الرقابة (Censored Marks) على المنحنى

وفقاً للأعراف المتبعة في المجلات العلمية، يجب تمييز الحالات الخاضعة للرقابة بوضع علامات رأسية صغيرة (Tick Marks أو Crosses) على جسم المنحنى الدرجي عند النقاط الزمنية الدقيقة التي انسحب فيها هؤلاء المرضى أو انتهت متابعتهم دون تسجيل وفاة، لإبراز مواضع الرقابة للقارئ بوضوح.

لإضافة هذه العلامات في Excel، ننشئ جدولاً صغيراً مستقلاً في ورقة العمل لبيانات الرقابة يحتوي على عمودين: العمود الأول يسجل أزمنة الرقابة ($t_c$) المأخوذة من جدول كابلان-ماير للصفوف التي تحتوي على ($c_i > 0$)، والعمود الثاني يسجل احتمالية البقاء التراكمية $S(t)$ المقابلة لتلك الأزمنة بالضبط.

نعود إلى المخطط البياني، ونضغط بزر الفأرة الأيمن ونختار “تحديد البيانات”، ثم نضيف سلسلة بيانات ثانية نطلق عليها اسم “Censored”. نحدد أزمنة الرقابة كقيم للمحور $X$، وقيم البقاء المقابلة كقيم للمحور$Y$. بعد إضافة السلسلة، ستظهر كنقاط منفصلة؛ نقوم بتنسيق هذه السلسلة واختيار نوع المخطط لها ليكون **Scatter with Markers Only** (مبعثر بعلامات فقط وبدون خطوط ربط)، ونغير شكل العلامة (Marker Options) إلى علامة شرطة رأسية (“|”) أو علامة زائد (“+”) بلون متناسق مع المنحنى، لتتموضع العلامات بدقة متناهية فوق درجات المنحنى.

8. التنسيق الأكاديمي للمخطط وفق معايير النشر العلمي

8.1 تحسين المظهر البصري لخطوط المنحنى والشبكة

تفرض المجلات العلمية العالمية المحكمة (مثل المجلات التابعة لـ Springer و Elsevier و Nature) معايير بصرية صارمة لعرض الرسوم البيانية؛ حيث يُشترط الابتعاد عن الزخارف غير الضرورية والألوان البراقة غير المبررة. نبدأ بحذف خطوط الشبكة الخلفية الرئيسية والفرعية (Gridlines) من المخطط، وإزالة الإطار الخارجي والحدود الملونة للمخطط لجعل الخلفية بيضاء نقية تماماً.

يتم ضبط سمك الخط الرئيسي لمنحنى البقاء ليكون بين `1.5` إلى `2.0` نقطة (pt)، واختيار ألوان داكنة وعالية التباين مثل الأسود أو الأزرق الداكن الكلاسيكي (Navy Blue). كما يجب التأكد من أن ألوان وعلامات المنحنى تحافظ على وضوحها التام وقابليتها للتمييز حتى في حال طباعة الورقة البحثية بالنمط الأحادي الرمادي (Grayscale).

يجب كذلك توحيد الخطوط المستخدمة في جميع النصوص والعناوين والأرقام على المحاور؛ ويُفضل استخدام خطوط أكاديمية قياسية واضحة مثل Arial أو Times New Roman بحجم يتراوح بين 9 إلى 11 نقطة للأرقام على المحاور، و12 نقطة لعناوين المحاور ومفتاح الرسم، مع تفعيل خاصية الخط العريض (Bold) للعناوين الرئيسية لإبرازها بوضوح.

8.2 إنشاء جدول الأفراد المعرضين للخطر (Number at Risk Table) أسفل المخطط

يُعد جدول “عدد المعرضين للخطر” (Number at Risk Table) جزءاً لا يتجزأ من المخططات المنشورة في كبرى الدوريات الطبية (مثل مجلة NEJM و The Lancet). يوضع هذا الجدول مباشرة أسفل المحور الأفقي، ويوضح التناقص الفعلي في حجم العينة المتبقية قيد المراقبة عند فترات زمنية رئيسية منتظمة (مثل: الزمن 0، 12، 24، 36، 48 شهراً).

لإنشاء هذا الجدول في Excel بتنسيق احترافي، نقوم بتنظيم صف من الخلايا في ورقة العمل أسفل الرسم مباشرة، حيث تتطابق أعمدة الخلايا جغرافياً مع التدرجات الزمنية للمحور الأفقي للمخطط. نستخدم دالة `COUNTIFS` لحساب عدد الأفراد المتبقين في العينة عند كل فترة من تلك الفترات المحددة بدقة.

بعد ضبط محاذاة خلايا الجدول مع تدريجات المحور السيني للرسم، نقوم بتحديد الرسم البياني وخلايا الجدول معاً، واستخدام أداة تجميع الكائنات أو التقاط لقطة شاشة عالية الدقة عبر أداة النسخ كصورة متجهة، مما يضمن دمج المنحنى والجدول في كتلة موحدة ومتكاملة تمنع أي انزياح أو اختلال في المحاذاة عند تصديرها إلى برامج تنسيق النصوص مثل Microsoft Word أو LaTeX.

8.3 إضافة المعالم الإحصائية الرئيسية على المخطط

لإثراء القيمة التفسيرية لمنحنى البقاء، يُنصح بتضمين بعض المعالم الإحصائية الاستدلالية مباشرة داخل إطار الرسم؛ وأهم هذه المعالم هو وسيط وقت البقاء (Median Survival Time). يمكن تمثيل الوسيط بيانياً برسم خط أفقي متقطع ينطلق من النقطة `0.5` على المحور الرأسي حتى يتقاطع مع منحنى البقاء، ثم ينحدر عمودياً بخط متقطع آخر حتى يتقاطع مع المحور الأفقي، مشيراً بدقة إلى الزمن المقابل لوسيط البقاء.

كذلك يمكن إدراج مربع نص صغير وأنيق داخل المخطط في إحدى الزوايا الخالية من البيانات (كالزاوية العلوية اليمنى) يتضمن تلخيصاً إحصائياً شاملاً للمجموعة؛ يوضح حجم العينة الإجمالي ($N$)، والعدد الإجمالي للأحداث المسجلة (Events)، والعدد الإجمالي لحالات الرقابة (Censored)، بالإضافة إلى وسيط البقاء وفترة الثقة 95% المقابلة له.

وأخيراً، يتم تنسيق مفتاح المخطط (Legend) بإحكام؛ فإذا كان الرسم يحتوي على منحنى وحيد، يمكن الاستغناء عن المفتاح والاكتفاء بالعناوين الداخلية لتوفير المساحة، أما إذا كان الرسم يضم مقارنة بين مجموعات علاجية متعددة، فيجب تثبيت المفتاح داخل مساحة الرسم بمحاذاة مناسبة وتسميات واضحة ومختصرة تميز كل بروتوكول بوضوح لا لبس فيه.

9. بناء منحنيات بقاء متعددة للمقارنة بين المجموعات (Stratified Survival)

9.1 فرز وتصنيف البيانات بناءً على مجموعات الدراسة

في معظم التجارب السريرية والأبحاث التطبيقية، لا يقتصر الهدف على استكشاف منحنى البقاء لعينة أحادية، بل يمتد لمقارنة فاعلية تدخّلين علاجيين أو أكثر (مثل: مجموعة العلاج الكيميائي الجديد مقابل مجموعة الرعاية القياسية الضابطة). يتطلب هذا التحليل تصنيف البيانات وتوزيعها وفق المتغير المستقل إلى مجموعات فرعية متجانسة.

لإجراء هذا التحليل في Excel، نبدأ بفرز وتصفية جدول البيانات الخام حسب عمود “المجموعة” (Group Column). نقوم بإنشاء ورقة عمل مستقلة لحسابات جدول كابلان-ماير لكل مجموعة على حدة (مثلاً ورقة باسم `KM_Treatment` وورقة باسم `KM_Control`)، وتطبيق كامل الخطوات الحسابية السابقة لحساب المعرضين للخطر، والأحداث، والبقاء التراكمي لكل فئة بشكل منعزل تماماً.

يوضح الجدول التالي عينة من البيانات المجهزة للمقارنة بين مجموعتين علاجيتين داخل دراسة سريرية عشوائية:

المجموعة العلاجية	حجم العينة ($N$)	إجمالي الأحداث ($d$)	إجمالي الرقابة ($c$)	وسيط البقاء التقديري (بالأشهر)
مجموعة العلاج المبتكر (Active Drug)	50	18	32	34.5
المجموعة الضابطة (Placebo Control)	50	35	15	19.2

9.2 دمج عدة منحنيات في مخطط بياني واحد في Excel

بعد توليد جداول الإحداثيات المزدوجة الدرجية لكل مجموعة علاجية، نقوم بدمج المنحنيين معاً داخل نفس المخطط البياني المبعثر لإتاحة المقارنة البصرية المباشرة. نفتح المخطط البياني القائم، ونضغط بزر الفأرة الأيمن ونختار “تحديد البيانات” (Select Data)، ثم نضغط على “إضافة” (Add) لإدراج سلسلة بيانات جديدة.

نقوم بتسمية السلسلة الأولى باسم “العلاج التجريبي”، ونحدد نطاقات الإحداثيات ($X$ و $Y$) الخاصة بها من ورقة العمل الأولى، ثم نكرر نفس الخطوة بإضافة سلسلة ثانية باسم “المجموعة الضابطة” وتحديد نطاقات إحداثياتها من ورقة العمل الثانية. كما نقوم بإضافة سلسلتين مستقلتين إضافيتين لعلامات الرقابة الخاصة بكل مجموعة على حدة لضمان اكتمال التمثيل العلمي.

لتحقيق التمييز البصري الفعّال بين المجموعتين، نخصص للمجموعة الأولى خطاً متصلاً بلون أزرق داكن وسماكة واضحة مع علامات رقابة زرقاء، بينما نخصص للمجموعة الضابطة خطاً بلون أحمر أو خطاً متقطعاً (Dashed Line) بلون رمادي داكن مع علامات رقابة متطابقة في اللون. يتيح هذا التباين اللوني والشكلي قراءة المنحنيات ومقارنتها دون أي تداخل بصري حتى عند تقارب خطوط الاحتمال.

9.3 تفسير التباعد والتقاطع بين منحنيات البقاء المتعددة

يحمل التباعد الرأسي بين منحنيات البقاء دلالات إحصائية وطبية بالغة الأهمية؛ فعندما يستقر منحنى المجموعة التجريبية باستمرار في مستوى أعلى من منحنى المجموعة الضابطة، فإن ذلك يشير بوضوح إلى انخفاض معدل المخاطر وتفوق البقاء التراكمي لصالح التدخل العلاجي الجديد طوال فترة المتابعة، وتُقاس قوة الفارق سريرياً بحجم المسافة الفاصلة بين المنحنيين ومقدار الزيادة في وسيط البقاء.

ومع ذلك، يجب الحذر عند ملاحظة تقاطع منحنيات البقاء (Crossing Survival Curves) خلال فترة الدراسة؛ حيث يشير هذا التقاطع إلى أن التدخل العلاجي قد يرتبط بمخاطر وفيات مبكرة مرتفعة (بسبب المضاعفات الجراحية أو السمية الدوائية الحادة مثلاً)، ولكنه يحقق فوائد بقاء متفوقة على المدى الطويل للمرضى الذين يتجاوزون المرحلة الحرجة الأولى، مما يعني عدم ثبات نسب المخاطر عبر الزمن.

يؤدي تقاطع المنحنيات إلى انتهاك مباشر لفرضية المخاطر النسبية المتناسبة (Proportional Hazards Assumption)، مما يستدعي تفسيراً دقيقاً في متن البحث ويوجه الباحثين لعدم الاعتماد الحصري على اختبار Log-Rank القياسي التقليدي أو نموذج كوكس للمخاطر التناسبية دون إدخال تعديلات إحصائية تأخذ في الحسبان التغير الزمني لتأثير العلاج.

10. حساب فترات الثقة والخطأ المعياري لمنحنى البقاء في Excel

10.1 تطبيق معادلة غرينوود (Greenwood’s Formula) لحساب التباين

لا يكتمل التقدير الإحصائي لمنحنى كابلان-ماير دون حساب عدم اليقين المرتبط بالتقديرات الاحتمالية، والمتمثل في التباين والخطأ المعياري لكل نقطة زمنية. تُعد صيغة غرينوود (Greenwood’s Formula) المنهجية الرياضية الأكثر قبولاً واعتماداً في الإحصاء الحيوي لحساب تباين مقدر كابلان-ماير للبقاء التراكمي.

تُصاغ معادلة غرينوود الرياضية لحساب تباين احتمالية البقاء التراكمية $\widehat{\text{Var}}(S(t))$ على النحو التالي:

$$\widehat{\text{Var}}(S(t)) = [S(t)]^2 \times \sum_{t_i le t} \frac{d_i}{n_i (n_i – d_i)}$$

حيث يمثل $S(t)$ احتمالية البقاء التراكمية عند الزمن $t$، و$d_i$ عدد الأحداث، و $n_i$ عدد المعرضين للخطر عند كل نقطة زمنية سابقة أو مساوية للزمن $t$.

لتطبيق هذه الصيغة داخل Excel، نضيف عمودين جديدين إلى جدول كابلان-ماير؛ العمود الأول يمثل حد التباين الفردي لكل فترة ويُحسب بالمعادلة: `=C3 / (B3 * (B3 – C3))`، مع مراعاة وضع شرط تجنب القسمة على صفر في حال كان $n_i = d_i$. أما العمود الثاني فيقوم بجمع هذه الحدود تراكمياً باستخدام الدالة: `=SUM($G$3:G3)`، ثم يُحسب الخطأ المعياري $\text{SE}(S(t))$ بأخذ الجذر التربيعي لحاصل ضرب مربع البقاء التراكمي في المجموع التراكمي: `=F3 * SQRT(H3)`.

10.2 اشتقاق حدود الثقة 95% (95% Confidence Intervals)

بعد حساب الخطأ المعياري $\text{SE}(S(t))$، يمكن حساب حدود فترة الثقة 95% (95% CI) حول منحنى البقاء عند كل نقطة زمنية. يعتمد الحساب البسيط المباشر على التوزيع الطبيعي التقريبي باستخدام الدرجة المعيارية $Z = 1.96$، حيث يُحسب الحد الأدنى بالصيغة: $S(t) – 1.96 \times \text{SE}(S(t))$، والحد الأعلى بالصيغة: $S(t) + 1.96 \times \text{SE}(S(t))$.

إلا أن هذا التقريب البسيط يعاني من عيب إحصائي جوهري؛ إذ قد ينتج عنه في الفترات المبكرة أو المتأخرة حدود ثقة غير منطقية تتجاوز المدى الاحتمالي الطبيعي المغلق $[0, 1]$ (كأن يظهر حد أعلى أكبر من 1.0 أو حد أدنى أقل من الصفر). للتغلب على هذه المعضلة، توصي المراجع الإحصائية بتطبيق تحويل اللوغاريتم المزدوج (Log-Log Transformation)، والذي يضمن بقاء حدود الثقة المحسوبة دائماً داخل النطاق الاحتمالي المحصور بين 0 و 100%.

تتم كتابة صيغة حدود الثقة المحولة في Excel، ثم يمكن تمثيل فترات الثقة بيانياً في المخطط إما بإضافة أشرطة الخطأ (Error Bars) الرأسية المخصصة، أو برسم منحنيين إضافيين متقطعين وبلون رمادي خافت يمثلان الحد الأعلى والحد الأدنى للثقة يحيطان بالمنحنى الرئيسي، مما يمنح القارئ فهماً فورياً لمدى دقة التقدير الإحصائي عبر مختلف مراحل المتابعة الزمنية.

11. مقدمة لحساب اختبار رتبة السجل (Log-Rank Test) في Excel

11.1 الأساس النظري لاختبار Log-Rank لمقارنة المنحنيات

يُعد اختبار رتبة السجل (Log-Rank Test)، المعروف أيضاً باختبار مانتل-كوكس، الاختبار الإحصائي اللابارامتري المعياري لمقارنة منحنيي بقاء أو أكثر واختبار ما إذا كانت الفروق المشاهدة بين المجموعات ذات دلالة إحصائية حقيقية أم أنها مجرد تباينات عشوائية ناتجة عن خطأ المعاينة الصدفي.

تنص الفرضية الصفرية ($H_0$) للاختبار على عدم وجود أي فرق في احتمالات ومعدلات البقاء بين المجموعات المدروسة عبر كامل فترة المتابعة، بينما تنص الفرضية البديلة ($H_1$) على وجود اختلاف جوهري في معدلات البقاء بين المجموعات. يقوم الاختبار على تقسيم كامل فترة المتابعة إلى نقاط زمنية منفصلة تتطابق مع أوقات حدوث الوفيات في أي من المجموعتين، ثم مقارنة عدد الوفيات الفعلية الملاحظة في كل مجموعة مع عدد الوفيات المتوقعة نظرياً في حال صحة الفرضية الصفرية.

يتميز اختبار رتبة السجل بوزن متساوٍ لجميع الأحداث عبر كافة الفترات الزمنية للدراسة، مما يجعله عالي الكفاءة والحساسية لاكتشاف الفروق عندما تظل نسب المخاطر بين المجموعات ثابتة ومتناسبة نسبياً عبر الزمن دون حدوث تقاطعات كبرى بين المنحنيات.

11.2 بناء جدول الحسابات التجميعية لاختبار Log-Rank

لتنفيذ اختبار Log-Rank في Excel لمجموعتين (المجموعة 1 والمجموعة 2)، ننشئ ورقة عمل جديدة تُسمى `Log_Rank_Test`. ندمج أولاً قائمة الأزمنة الفريدة التي شهدت وقوع وفيات في أي من المجموعتين في عمود واحد ($t_i$)، ثم نحدد لكل زمن المعالم التالية عبر دوال `COUNTIF` و `COUNTIFS`:

• $n_{1i}, n_{2i}$: عدد المعرضين للخطر في المجموعة 1 والمجموعة 2 عند الزمن $t_i$.
• $n_i$: إجمالي المعرضين للخطر في المجموعتين معاً ($n_i = n_{1i} + n_{2i}$).
• $d_{1i}, d_{2i}$: عدد الوفيات الملاحظة في المجموعة 1 والمجموعة 2 عند الزمن $t_i$.
• $d_i$: إجمالي الوفيات الملاحظة في المجموعتين ($d_i = d_{1i} + d_{2i}$).

بعد تجهيز هذه الأعداد، نحسب عدد الوفيات المتوقعة في المجموعة الأولى ($E_{1i}$) باستخدام معادلة الاحتمال الشرطي: $E_{1i} = n_{1i} \times \frac{d_i}{n_i}$. كما نحسب التباين الإحصائي الهندسي الزائد ($V_i$) لتلك الفترة باستخدام الصيغة التالية:

$$V_i = \frac{n_{1i} n_{2i} d_i (n_i – d_i)}{n_i^2 (n_i – 1)}$$

نقوم بجمع الوفيات الملاحظة للمجموعة الأولى $\sum O_{1i}$، ومجموع الوفيات المتوقعة $\sum E_{1i}$، وإجمالي التباين $\sum V_i$ عبر كافة صفوف الجدول. بعد ذلك، نحسب إحصائية كاي-تربيع لاختبار رتبة السجل ($\chi^2$) بتطبيق الصيغة الحسابية في خلية مستقلة:

$$\chi^2 = \frac{(\sum O_{1i} – \sum E_{1i})^2}{\sum V_i}$$

11.3 استخراج القيمة الاحتمالية (P-value) واتخاذ القرار الإحصائي

بمجرد حساب قيمة إحصائية كاي-تربيع ($\chi^2$)، ننتقل إلى استخراج القيمة الاحتمالية الدقيقة ($P\text{-value}$) المرتبطة بالاختبار في Excel. يخضع اختبار رتبة السجل لتوزيع كاي-تربيع بدرجة حرية واحدة ($df = k – 1 = 2 – 1 = 1$) عند مقارنة مجموعتين اثنتين.

نستخدم دالة التوزيع التراكمي الطرفي الأيمن لكاي-تربيع المدمجة في Excel عبر كتابة الصيغة التالية في خلية مخصصة: `=CHISQ.DIST.RT(Chi_Square_Cell, 1)`، حيث تشير `Chi_Square_Cell` إلى الخلية التي تحتوي على ناتج إحصائية $\chi^2$ المحسوبة. تقوم هذه الدالة بإرجاع القيمة الاحتمالية الدقيقة بدقة رياضية متناهية.

يتم اتخاذ القرار الإحصائي بمقارنة القيمة الاحتمالية الناتجة بمستوى الدلالة المعنوية المحدد مسبقاً في البحث (والذي يُحدد تقليدياً عند $\alpha = 0.05$):

• إذا كانت $P le 0.05$: نرفض الفرضية الصفرية ونستنتج وجود فرق ذي دلالة إحصائية في معدلات البقاء بين المجموعتين العلاجيتين.
• إذا كانت $P > 0.05$: نفشل في رفض الفرضية الصفرية، مما يشير إلى عدم كفاية الأدلة الإحصائية لإثبات وجود فرق حقيقي في معدلات البقاء بين المجموعات المدروسة.

يتم توثيق قيمة $\chi^2$ ودرجة الحرية والقيمة الاحتمالية الناتجة في الحاشية السفلية للمخطط البياني أو داخل مربع النص التوضيحي لإتمام متطلبات التوثيق العلمي الرصين.

12. الأخطاء الشائعة والتحقق من صحة النتائج وأفضل الممارسات

12.1 الأخطاء الحسابية الشائعة في صياغة معادلات Excel وتجنبها

يتعرض العديد من الباحثين عند بناء منحنيات البقاء في Excel لبعض الأخطاء الحسابية الخفية التي تؤدي إلى نتائج مضللة؛ ويأتي في مقدمتها خطأ إغفال النقطة الزمنية الصفرية ($T_0 = 0$) في مستهل جدول الحسابات. يؤدي غياب هذه النقطة إلى انطلاق المنحنى من لحظة أول حدث وفاة بدلاً من الانطلاق من النسبة الكاملة (100%)، مما يشوه المظهر الهندسي للمنحنى ويفسد الحسابات التراكمية اللاحقة.

الخطأ الشائع الثاني هو الخلط المفاهيمي بين حالات الرقابة وحالات وقوع الحدث داخل صيغ العد الشرطي؛ كأن يتم حساب حالات الرقابة ضمن بسط نسبة الوفيات، وهو ما يتسبب في خفض زائف وسريع في احتمالية البقاء التراكمية. كما يقع البعض في خطأ عدم تثبيت نطاقات الخلايا المرجعية بالمطلق (Absolute Referencing باستخدام علامة `$`) عند كتابة معادلات `COUNTIFS`، مما يؤدي إلى انزياح نطاق البحث عند سحب المعادلات للأسفل وحساب أعداد خاطئة للمعرضين للخطر.

كذلك يجب الانتباه الشديد لحالات التزامن الزمني؛ فعندما يتزامن حدوث وفاة وحالة رقابة عند نفس النقطة الزمنية بالضبط، يقضي العرف الإحصائي في تقدير كابلان-ماير باعتبار أن الوفاة قد حدثت أولاً قبل خروج الحالة المراقبة، وبالتالي يجب أن يُحسب المريض المنسحب ضمن جماعة المعرضين للخطر ($n_i$) لتلك اللحظة، وتعديل ترتيب العمليات في الصيغ لضمان الالتزام بهذا المبدأ.

12.2 التحقق والمقارنة المرجعية مع البرمجيات الإحصائية المتخصصة

لضمان الجودة والموثوقية المطلقة لنموذج التحليل المبني في Excel، يُنصح دائماً بإجراء مقارنة مرجعية (Benchmarking) للنتائج المحسوبة مع المخرجات المستخرجة من حزم إحصائية متخصصة ومعتمدة عالمياً، مثل حزمة `survival` في بيئة R الإحصائية، أو إجراءات `KAPLAN-MEIER` داخل برنامج IBM SPSS Statistics.

تتم عملية التحقق بمقارنة جدول احتمالات البقاء التراكمية خطوة بخطوة، والتحقق من تطابق قيم وسيط وقت البقاء، وقيم الخطأ المعياري المستخرجة بصيغة غرينوود، بالإضافة إلى مطابقة قيمة إحصائية اختبار رتبة السجل ($\chi^2$) والقيمة الاحتمالية ($P\text{-value}$) حتى أربعة أرقام عشرية على الأقل، مما يمنح الباحث ثقة تامة في دقة النموذج وصلاحيته للنشر العلمي.

كما يُستحسن حفظ ورقة العمل بصيغة تدعم الاستقرار والأتمتة، مثل صيغة مصنف Excel الثنائي (`.xlsb`) للبيانات الضخمة لتسريع المعالجة الحسابية، أو حفظها كقالب مصنف قياسي (`.xltx`) جاهز للاستخدام المباشر في مشاريع بحثية مستقبلية مع الحفاظ على بنية المعادلات سليمة ودون أي تلف.

12.3 أفضل الممارسات لأرشفة ومشاركة نماذج تحليل البقاء

تتطلب الإدارة الاحترافية للملفات الإحصائية في Excel تطبيق مبادئ الحوكمة الرقمية للبيانات؛ وأولها حماية الخلايا التي تحتوي على معادلات معقدة وحسابات جدول كابلان-ماير وخوارزميات اختبار رتبة السجل عبر ميزة “حماية الورقة” (Protect Sheet)، مع ترك خلايا إدخال البيانات الخام فقط مفتوحة للتعديل، لمنع أي حذف أو تعديل غير مقصود في الصيغ الرياضية الحساسة أثناء العمل المشترك.

ينبغي كذلك تخصيص ورقة عمل أولى داخل الملف تعمل كدليل توثيقي شامل (ReadMe / Data Dictionary)؛ توضح أهداف النموذج، وتُعرّف بدقة مسميات المتغيرات ووحدات القياس المعتمدة، وتشرح دلالة الترميز الثنائي للأحداث والرقابة، وتقدم إرشادات واضحة ومبسطة للمستخدمين الجدد حول كيفية تغذية النموذج ببيانات جديدة وتحديث الرسوم البيانية بأمان.

وأخيراً، يُفضل تصميم الجداول بأسلوب “جداول Excel الرسمية” (Structured Excel Tables باستخدام اختصار `Ctrl + T`)، حيث تتميز هذه الجداول بتوسيع نطاقات الحسابات تلقائياً عند لصق سجلات جديدة، وتحديث مصفوفات المخطط المبعثر بصورة ديناميكية فورية، مما يجعل قالب Excel أداة إحصائية متكاملة وقوية ومستدامة تلبي أعلى متطلبات البحث العلمي الرصين.

الخاتمة والتوصيات

يمثل بناء منحنيات البقاء باستخدام Microsoft Excel تجربة علمية ومنهجية ثرية تدمج بين الدقة الحسابية والاستيعاب المفاهيمي العميق للتحليل الإحصائي للبيانات الزمنية المبتورة. من خلال تفكيك خوارزمية كابلان-ماير خطوة بخطوة، وتطبيق صيغ العد الشرطي المتقدمة، وبناء جداول الإحداثيات المزدوجة لتوليد المخطط الدرجي الدقيق، والتحكم في إضافة علامات الرقابة وفترات الثقة وجداول المعرضين للخطر، يكتسب الباحث أداة تحليلية فائقة القوة تضاهي في دقتها وجمالياتها البصرية أعقد الحزم البرمجية المتخصصة.

نوصي الباحثين والمحللين بالالتزام الصارم بالافتراضات الإحصائية الأساسية لتحليل البقاء، والتحقق المستمر من خلو قواعد البيانات من أخطاء الترميز الزمني، مع ضرورة الإفصاح المنهجي الكامل عن أعداد وحالات الرقابة في التقارير المنشورة. إن إتقان هذه المهارات التطبيقية داخل Excel لا يعزز فقط من استقلالية الباحث التقنية، بل يسهم بشكل مباشر في رفع جودة وموثوقية المخرجات الإحصائية في مختلف ميادين المعرفة الطبية والإنسانية.

References

• Altman, D. G. (1991). Practical statistics for medical research. Chapman and Hall/CRC. https://doi.org/10.1201/9780429258589
• Bland, J. M., & Altman, D. G. (1998). Survival probabilities (the Kaplan-Meier method). BMJ, 317(7172), 1572–1580. https://doi.org/10.1136/bmj.317.7172.1572
• Collett, D. (2015). Modelling survival data in medical research (3rd ed.). Chapman and Hall/CRC. https://doi.org/10.1201/b18041
• Greenwood, M. (1926). The natural duration of cancer. Reports on Public Health and Medical Subjects, 33, 1–26.
• Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481. https://doi.org/10.1080/01621459.1958.10501452
• Klein, J. P., & Moeschberger, M. L. (2003). Survival analysis: Techniques for censored and truncated data (2nd ed.). Springer. https://doi.org/10.1007/b97377
• Kleinbaum, D. G., & Klein, M. (2012). Survival analysis: A self-learning text (3rd ed.). Springer. https://doi.org/10.1007/978-1-4419-6646-9
• Mantel, N. (1966). Evaluation of survival data and two new rank order statistics arising in its consideration. Cancer Chemotherapy Reports, 50(3), 163–170.
• Peto, R., Pike, M. C., Armitage, P., Breslow, N. E., Cox, D. R., Howard, S. V., Mantel, N., McPherson, K., Peto, J., & Smith, P. G. (1977). Design and analysis of randomized clinical trials requiring prolonged observation of each patient. II. Analysis and examples. British Journal of Cancer, 35(1), 1–39. https://doi.org/10.1038/bjc.1977.1