الإحصاء الحيويالقياس النفسي والتقييم الإحصائيمناهج البحث النفسي

جولة في تحليل البقاء

دليل أكاديمي شامل يستعرض مبادئ تحليل البقاء، دوال الخطر، النماذج اللامعلمية والبارامترية، وتطبيقاتها في الأبحاث النفسية والطبية السلوكية.

تاريخ النشر

يمثل تحليل البقاء (Survival Analysis) أحد أكثر الفروع الإحصائية تطوراً ورصانة في معالجة البيانات الطولية والزمنية، حيث يركز على دراسة وتحليل “زمن وقوع الحدث” (Time-to-Event Data). في المشهد البحثي المعاصر، لم يعد هذا الفرع مقتصراً على مجاله التقليدي في العلوم الاكتوارية أو التجارب السريرية للأورام وحساب معدلات الوفاة، بل تمدد ليصبح حجر الزاوية في طيف واسع من التخصصات، وعلى رأسها العلوم السلوكية والطب النفسي، وعلم الأوبئة، وهندسة الوثوقية، وحتى الاقتصاد القياسي والتسويق الرقمي. تنبع فرادة هذه المنهجية من قدرتها الفائقة على ترويض التعقيدات الملازمة للزمن كمتغير مستقل وتابع في آن واحد، متجاوزة أوجه القصور الهيكلية التي تعتري النماذج الإحصائية الخطية واللوجستية الكلاسيكية.

تنشأ الحاجة المعرفية والمنهجية لتحليل البقاء من وجود خصائص فريدة تميز البيانات التتبعية؛ فالأحداث التي يسعى الباحثون لدراستها—مثل الانتكاسة بعد التعافي من الإدمان، أو الاستجابة لبروتوكول علاجي نفسي جديد، أو التوقف عن تناول مضادات الاكتئاب—نادراً ما تتبع توزيعات متماثلة أو طبيعية. بل إنها تتميز بالتواءات حادة، وتخضع لظاهرة جوهرية تعرف بـ “الرقابة” (Censoring)، وهي الحالة التي ينتهي فيها وقت الملاحظة دون أن يختبر الفرد الحدث المستهدف، أو يفقد الاتصال به خلال فترة المتابعة. إن تجاهل هذه البيانات غير المكتملة أو استبعادها من التحليل يؤدي حتماً إلى تحيزات منهجية فادحة وتقديرات مضللة لمعدلات المخاطر وفترات البقاء الحقيقية.

في هذا الدليل الأكاديمي الشامل، سنخوض جولة معمقة وتفصيلية في رحاب تحليل البقاء، مستعرضين أصوله النظرية، وبنيته الرياضية الدقيقة، ونماذجه الإحصائية المتنوعة بدءاً من المقدرات اللامعلمية مثل كابلان-ماير، مروراً بالنموذج شبه البارامتري الأشهر لكوكس، ووصولاً إلى النماذج البارامترية الكاملة، والبدائل المتقدمة كنماذج المخاطر المتنافسة والتعلم الآلي للبقاء. ونهدف من خلال هذا الطرح إلى تزويد الباحثين والأكاديميين في العلوم النفسية، الطبية، والاجتماعية بفهم مفاهيمي وتطبيقي عميق يمكنهم من توظيف هذه الأدوات الإحصائية الصارمة في أبحاثهم الميدانية والسريرية بدقة واقتدار.

جدول المحتويات

1. مقدمة إلى تحليل البقاء: المفاهيم والأسس النظرية

1.1 تعريف تحليل البقاء وأهميته الإحصائية

يُعرَّف تحليل البقاء (Survival Analysis) بأنه مجموعة متكاملة من الأساليب الإحصائية المصممة خصيصاً للتعامل مع البيانات التي يكون فيها المتغير المستهدف هو الزمن المنقضي حتى وقوع حدث معين ذي أهمية بحثية (Time-to-Event). هذا الحدث قد يكون إيجابياً كالشفاء التام من نوبة اكتئاب حادة، أو سلبياً مثل الانتكاسة السلوكية، أو الوفاة، أو التسرب من تجربة إكلينيكية. وتكمن الأهمية الإحصائية لهذا الفرع في قدرته على دمج البعد الزمني بمرونة مع احتمالية وقوع الحدث، وهو ما تعجز عنه الأساليب التقليدية.

عند النظر إلى الانحدار الخطي الكلاسيكي (Ordinary Least Squares – OLS)، نجد أنه يفترض استمرارية المتغير التابع وتوزيعه الطبيعي وتجانسه، مع اشتراط معرفة القيمة الدقيقة للمتغير التابع لجميع أفراد العينة. وفي حال وجود حالات لم يحدث لها الحدث حتى نهاية الدراسة، يضطر الباحث إما لحذف هذه الحالات مما يوقع التحليل في “تحيز الانتقاء” (Selection Bias)، أو اعتبار زمن انتهاء الدراسة كزمن للحدث مما يؤدي إلى التقليل المفرط من زمن البقاء الفعلي. أما استخدام الانحدار اللوجستي الثنائي، فإنه وإن كان قادراً على نمذجة حدوث الحدث من عدمه (0 أو 1)، إلا أنه يتجاهل تماماً “توقيت” حدوثه، ويعامل الفرد الذي ينتكس في اليوم الأول بذات الطريقة التي يعامل بها الفرد الذي ينتكس بعد خمس سنوات.

تاريخياً، نشأت الجذور الأولى لتحليل البقاء في القرن السابع عشر مع جداول الحياة التي وضعها جون غرونت (John Graunt) وإدموند هالي (Edmond Halley) لتقدير معدلات الوفيات وحساب أقساط التأمين على الحياة. ومع منتصف القرن العشرين، شهد المجال ثورة في الإحصاء الحيوي الطبي لتقييم علاجات السرطان والأمراض القلبية المزمنة. وسرعان ما انتقلت هذه المفاهيم بقوة إلى الطب النفسي وعلم النفس الإكلينيكي في سبعينيات وثمانينيات القرن الماضي لدراسة ديناميات الاضطرابات المزاجية والذهانية المزمنة، وتطور الإدمان، والظواهر السلوكية المعقدة التي تتسم باللاتماثل الحاد والحاجة الملحة لأدوات إحصائية تعالج البيانات المبتورة وغير المكتملة رياضياً ومنهجياً.

1.2 طبيعة متغير زمن وقوع الحدث (Time-to-Event)

يمتلك المتغير التابع في تحليل البقاء طبيعة فريدة تميزه عن غيره من المتغيرات في الإحصاء الرياضي. يُرمز لهذا المتغير عادة بالرمز T، وهو متغير عشوائي مستمر يحقق بالضرورة شرط عدم السالبية (Non-negativity)، أي أن $T ge 0$. يبدأ قياس هذا الزمن من نقطة زمنية مرجعية محددة وموحدة مفاهيمياً تسمى “نقطة البداية” أو خط الأساس (Baseline/Time Origin)، ويمتد حتى لحظة تسجيل الحدث أو الوصول إلى نقطة التوقف عن المتابعة.

تتعدد الأمثلة التطبيقية لهذا المتغير في الأبحاث النفسية والسلوكية؛ ففي دراسات علاج الإدمان، يُعرَّف المتغير التابع بأنه عدد الأيام المنقضية من لحظة الخروج من مركز التأهيل وحتى أول تعاطٍ للمادة المخدرة (الزمن حتى الانتكاسة). وفي أبحاث العلاج النفسي المعرفي لاضطراب كرب ما بعد الصدمة (PTSD)، قد يُعرَّف المتغير بأنه عدد الأسابيع اللازمة لتحقيق انخفاض بنسبة 50% في مقياس شدة الأعراض (الزمن حتى الاستجابة العلاجية). كما يبرز في الطب النفسي العصبي كزمن البقاء خالياً من الأعراض الذهانية بعد إيقاف مضادات الذهان في حالات الفصام في مرحلة الهدأة المستقرة.

ترافق عملية قياس هذا المتغير الزمني تحديات منهجية بالغة التعقيد تتعلق بدقة التحديد والاستمرارية. فالزمن في جوهره الفيزيائي مستمر، لكنه في القياس النفسي والسريري غالباً ما يُجمع في فترات متقطعة ومتباعدة (Discrete Time Intervals)، مثل جلسات التقييم الأسبوعية أو الشهرية. يثير هذا الانقطاع إشكالية معرفة اللحظة الدقيقة لوقوع الحدث السلوكي، مما يولد أخطاء في القياس التتبعي تتطلب ضبطاً إحصائياً دقيقاً واستخدام نماذج ملائمة تتعامل مع قياسات الزمن المنفصل أو الرقابة الفترية، مع الأخذ بالحسبان تذبذب ذاكرة المفحوصين وتحيزات الاستدعاء الذاتي (Recall Bias).

1.3 مقارنة بين المقاربات البارامترية، اللامعلمية، وشبه البارامترية

تتوزع الأطر المنهجية لتحليل البقاء على ثلاثة مداخل إحصائية رئيسية تتباين في افتراضاتها الرياضية ومرونتها التطبيقية: المقاربة اللامعلمية (Nonparametric)، والمقاربة البارامترية الكاملة (Parametric)، والمقاربة شبه البارامترية (Semiparametric).

تعتمد المقاربة اللامعلمية، وأبرز أدواتها مُقدِّر كابلان-ماير (Kaplan-Meier Estimator) واختبار رتبة السجلات (Log-Rank Test)، على البيانات الملاحظة حصراً دون فرض أي توزيع احتمالي مسبق على أوقات البقاء أو دالة الخطر. تتميز هذه المقاربة بمرونة استثنائية وبساطة في الحساب، حيث تعتمد على الترتيب التصاعدي للأحداث، وتصلح تماماً للوصف الأولي للعينة واستكشاف الفروق البصرية والإحصائية بين مجموعات العلاج دون تعريض النتائج لخطر تحيز النموذج الخاطئ، إلا أنها تعجز عن نمذجة المتغيرات المستقلة المتعددة أو ضبط المتغيرات المربكة المستمرة في وقت واحد.

في المقابل، تتطلب المقاربة البارامترية الكاملة (مثل توزيع وايبول، والتوزيع الأسي، واللوجستي اللوغاريتمي) اشتراطات رياضية صارمة تفترض أن زمن البقاء يتبع توزيعاً بيانياً معروفاً بدقة يُحدد عبر معلمات رياضية محددة مثل معلمات المقياس (Scale) والشكل (Shape). توفر هذه النماذج أعلى درجات الكفاءة الإحصائية وقوة التنبؤ الدقيق عند تحقق افتراضات التوزيع، وتتيح التقدير السهل لدوال الخطر والبقاء، فضلاً عن مرونتها في نمذجة “وقت البقاء المتسارع” (Accelerated Failure Time – AFT). بيد أن خطورتها تكمن في حساسيتها الشديدة؛ فإذا كان التوزيع المفترض غير متطابق مع الطبيعة الحقيقية لتوليد البيانات، تصبح الاستدلالات الناتجة غير صالحة إحصائياً.

تقف المقاربة شبه البارامترية، المتجسدة في نموذج المخاطر النسبية لديفيد كوكس (Cox Proportional Hazards Model)، في منزلة وسطية عبقرية تجمع بين ميزات المدخلين. فهي تترك دالة الخطر الأساسية (Baseline Hazard) حرة تماماً وغير محددة التوزيع بارامترياً (الجزء اللامعلمي)، بينما تصيغ تأثير المتغيرات التفسيرية المصاحبة كدالة خطية لوغاريتمية تضاعفية ذات معلمات محددة (الجزء البارامتري). يمنح هذا التزاوج الباحثين أداة قوية للتحكم بالمتغيرات المربكة المتعددة وتقدير “نسب المخاطر” (Hazard Ratios) دون المخاطرة بفرض توزيع احتمالي زمني صارم قد لا يتطابق مع الواقع الإكلينيكي المعقد.

2. مشكلة الرقابة (Censoring) واقتطاع البيانات في الدراسات النفسية والطبية

2.1 أنواع الرقابة: الرقابة اليمنى واليسرى والمتداخلة

تُعد الرقابة (Censoring) السمة المنهجية الفارقة التي تميز تحليل البقاء عن سائر فروع الإحصاء، وتحدث عندما تتوفر لدينا معلومات جزئية فقط عن زمن بقاء الفرد، دون التمكن من رصد لحظة وقوع الحدث بدقة متناهية. تنقسم الرقابة بحسب موضع حدوثها بالنسبة للنافذة الزمنية للدراسة إلى ثلاثة أصناف هيكلية رئيسية: الرقابة اليمنى، والرقابة اليسرى، والرقابة المتداخلة.

تُمثل الرقابة اليمنى (Right Censoring) الحالة الأكثر شيوعاً وهيمنة في الأبحاث السريرية والسلوكية. وتتحقق عندما يكون زمن البقاء الفعلي للشخص أطول من فترة المتابعة المسجلة. يحدث هذا إما بسبب انتهاء فترة الدراسة الزمنية المحددة مسبقاً قبل أن يختبر المريض الحدث المستهدف (مثل بقاء المريض النفسي في حالة تعافٍ حتى نهاية سنوات المتابعة الثلاث)، أو بسبب فقدان الاتصال بالمشارك وانسحابه التلقائي من الدراسة لأسباب غير متعلقة بالحدث (Loss to Follow-up)، أو وفاته بحادث عرضي لا علاقة له بمرض الدراسة. في هذه الحالات، نعلم يقيناً أن زمن الحدث أكبر من زمن الملاحظة ($T > c$).

تحدث الرقابة اليسرى (Left Censoring) عندما يكون الحدث المستهدف قد وقع بالفعل في نقطة زمنية تسبق بدء الملاحظة والقياس في الدراسة، لكننا نجهل التوقيت الدقيق لحدوثه. مثال ذلك: إجراء مسح وبائي مدرسي لتقدير سن تجربة تدخين التبغ للمرة الأولى؛ فإذا أفاد طالب عند انطلاق الدراسة في سن 14 عاماً بأنه قد دخن بالفعل في الماضي دون تذكر السن الدقيق، فإن زمن بقائه خالياً من التدخين يخضع لرقابة يسرى ($T le c$).

أما الرقابة المتداخلة أو الفترية (Interval Censoring)، فتنشأ عندما يُعلم أن الحدث قد وقع داخل نافذة زمنية مغلقة ومحصورة بين نقطتي قياس متتاليتين ($L < T le R$)، دون القدرة على تعيين اللحظة الزمنية الدقيقة للحدث. يتكرر هذا النمط باستمرار في البروتوكولات العلاجية التي تخضع لتقييمات دورية مجدولة؛ فلو زار المريض العيادة النفسية في الشهر الثالث وكانت أعراضه مستقرة، ثم عاد في الشهر السادس ووُجد أنه قد انتكس، فإننا نتيقن من أن الانتكاسة حدثت في الفترة ما بين الشهر الثالث والسادس، لكننا نجهل اليوم والساعة بالتحديد.

2.2 الرقابة العشوائية مقابل الرقابة غير التثقيفية (Non-informative Censoring)

تعتمد النماذج الإحصائية القياسية في تحليل البقاء على افتراض منهجي حرج هو افتراض الرقابة غير التثقيفية (Non-informative Censoring) أو الرقابة العشوائية المستقلة (Independent Censoring). يعني هذا الافتراض جوهرياً أن آلية خضوع الفرد للرقابة مستقلة إحصائياً تماماً عن احتمالية وقوع الحدث المستقبلي لديه، وأن الأفراد الذين يتم فرض الرقابة عليهم عند أي نقطة زمنية t يمثلون عينة عشوائية غير متحيزة من جميع الأفراد الذين لا يزالون معرضين للخطر (At-Risk) عند تلك النقطة ذاتها ولديهم نفس التوزيع الاحتمالي للبقاء اللاحق.

تؤدي مخالفة هذا الافتراض وحدوث “الرقابة التثقيفية” (Informative Censoring) إلى تشوهات جسيمة ونتائج باطلة في التقديرات الإحصائية. ففي تجربة سريرية نفسية لاختبار دواء مضاد للاكتئاب، إذا انسحب المرضى الذين يعانون من تدهور شديد في حالتهم المزاجية بسبب شعورهم باليأس من فعالية الدواء أو بسبب الآثار الجانبية المنهكة، فإن خروجهم هنا يعد رقابة تثقيفية ومرتبطة ارتباطاً وثيقاً بزيادة خطر وقوع الحدث (الفشل العلاجي). يؤدي حذف هؤلاء المرضى واعتبارهم مراقبين عشوائياً إلى إبقاء المرضى الأكثر استقراراً فقط في العينة، مما يولد “تحيزاً تفاؤلياً” زائفاً يضخم من كفاءة الدواء ويقلل من دالة الخطر الحقيقية.

لضبط ومعالجة الرقابة الانتقائية في الدراسات التتبعية الطويلة، يلجأ الإحصائيون إلى استراتيجيات متقدمة تشمل: تطبيق نماذج نمذجة مشتركة (Joint Modeling) تربط بين عملية البقاء وعملية الانسحاب الطولي، واستخدام تقنيات الترجيح باحتمالية الرقابة العكسية (Inverse Probability of Censoring Weighting – IPCW)، فضلاً عن إجراء تحليلات الحساسية (Sensitivity Analyses) لتقييم مدى متانة النتائج تحت سيناريوهات افتراضية متعددة لسلوك الأفراد المفقودين.

2.3 مفهوم اقتطاع البيانات (Truncation) وتأثيره على العينة

يخلط العديد من الباحثين بين مفهومي الرقابة والاقتطاع، على الرغم من وجود فارق منهجي وإحصائي جذري بينهما. فالرقابة هي خاصية تطرأ على رصد وملاحظة الأفراد الذين تم تضمينهم بالفعل في عينة الدراسة، حيث تتوفر معلومات جزئية عن زمن بقائهم، بينما اقتطاع البيانات (Truncation) هو شرط أو قيد هيكلي في تصميم المعاينة وآلية اختيار الأفراد ابتداءً، بحيث لا يدخل الفرد في العينة ولا يُرصد وجوده الإحصائي على الإطلاق إلا إذا تجاوز أو استوفى عتبة زمنية معينة.

يعد الاقتطاع الأيسر (Left Truncation) أو ما يُعرف بـ “الدخول المتأخر” (Delayed Entry) الشكل الأكثر حضوراً في الأبحاث الوبائية النفسية. يحدث هذا عندما لا يدخل المشارك في نطاق الملاحظة والمتابعة الفعلية إلا بعد بلوغه عمراً معيناً أو بقائه لفترة زمنية محددة دون أن يصاب بالمرض. فإذا كنا ندرس خطر الإصابة بمرض ألزهايمر لدى نزلاء دور الرعاية الذين تبلغ أعمارهم 65 عاماً فما فوق، فإن كل شخص أصيب بالخرف أو توفي قبل سن 65 تم استبعاده تلقائياً ومسبقاً من مجتمع الدراسة ولم يُتح له الدخول في سجلات المعاينة. يؤدي تجاهل الاقتطاع الأيسر إلى “تحيز البقاء” (Survivorship Bias)، حيث تبدو العينة أكثر صحة ومقاومة للمرض مما هي عليه في الواقع، لأن الأفراد الأكثر عرضة للخطر تم تصفيتهم قبل بدء نافذة القياس.

من الناحية الرياضية، يتطلب التعامل مع البيانات المقتطعة تعديلاً جوهرياً في صياغة دوال الإمكان الأعظم (Likelihood Functions). إذ يجب تكييف احتمالية كل فرد مشمول في التحليل بشرط تجاوزه زمن الاقتطاع الأيسر، من خلال قسمة دالة كثافة الاحتمال أو دالة البقاء الخاصة به على دالة بقائه عند زمن الدخول $S(T_i) / S(L_i)$، حيث يمثل $L_i$ زمن الاقتطاع للفرد $i$. يضمن هذا التعديل الرياضي عدم حساب فترات البقاء السابقة لدخول الدراسة ضمن “الأشخاص المعرضين للخطر”، مما يعيد ضبط تقديرات دالة الخطر إلى مسارها غير المتحيز إحصائياً.

3. الدوال الرياضية الأساسية: دالة البقاء ودالة الخطر

3.1 دالة البقاء (Survival Function) وخصائصها الرياضية

تعتبر دالة البقاء (Survival Function)، والتي يُرمز لها رياضياً بالرمز $S(t)$، اللبنة الأساسية والركيزة الوصفية الأولى في تحليل البقاء. تُعرَّف هذه الدالة رسمياً بأنها الاحتمالية الرياضية بأن يبقى الفرد حياً (أو خالياً من الحدث المستهدف) لما بعد نقطة زمنية محددة $t$. وبصياغة احتمالية صريحة:

$$S(t) = P(T > t) = 1 – F(t)$$

حيث تمثل $F(t) = P(T le t)$ دالة التوزيع التراكمي (Cumulative Distribution Function) لزمن الحدث $T$، والتي تعبر عن احتمالية وقوع الحدث عند أو قبل اللحظة $t$. كما ترتبط دالة البقاء بدالة كثافة الاحتمال $f(t)$ عبر العلاقة التكاملية: $S(t) = \int_{t}^{\infty} f(u) , du$.

تتمتع دالة البقاء بجملة من الخصائص الرياضية الصارمة؛ فهي دالة رتيبة غير متزايدة (Monotonically Non-increasing Function)، بحيث تنطلق حتماً من القيمة 1 عند اللحظة الصفرية $S(0) = 1$ (بافتراض أن جميع الأفراد أحياء وخالون من الحدث عند نقطة الانطلاق الأساسية)، وتتناقص تدريجياً مع تقدم محور الزمن حتى تقترب تقاربياً من الصفر عندما تؤول $t$ إلى اللانهاية $\lim_{t to \infty} S(t) = 0$، مع ملاحظة أنه في التطبيقات النفسية والطبية قد يستقر المنحنى أفقياً عند قيمة أعلى من الصفر (Plateau)، مشيراً إلى وجود فئة محصنة أو متعافية كلياً من الانتكاسة (Cure Fraction).

يسمح التفسير الإحصائي لمنحنى البقاء باستخلاص مؤشرات سريرية جوهرية؛ أهمها الوسيط الزمني للبقاء (Median Survival Time)، وهو الزمن $t_{0.5}$ الذي تصبح عنده دالة البقاء مساوية تماماً لـ 0.50 (أي النقطة الزمنية التي يُتوقع أن يكون 50% من أفراد العينة قد اختبروا الحدث عندها). يفضل علماء الإحصاء الحيوي استخدام الوسيط الزمني عوضاً عن المتوسط الحسابي للبقاء، نظراً لمتانته الإحصائية وعدم تأثره بالالتواء الشديد للبيانات، فضلاً عن إمكانية حسابه بدقة حتى لو لم يختبر جميع الأفراد الحدث بنهاية الدراسة، بشرط أن ينخفض منحنى البقاء إلى ما دون 0.50.

3.2 دالة الخطر (Hazard Function) ومعدل الخطر اللحظي

إذا كانت دالة البقاء تجيب عن السؤال: “ما هو احتمال استمرار خلو المريض من المرض بعد مرور زمن $t$؟”، فإن دالة الخطر (Hazard Function)—ويُطلق عليها أيضاً معدل الخطر اللحظي (Instantaneous Hazard Rate) ويرمز لها بـ $h(t)$ أو $lambda(t)$—تجيب عن سؤال أكثر حساسية وديناميكية: “إذا كان المريض قد نجا وظل معافى حتى اللحظة $t$، فما هو المعدل اللحظي لانتكاسته أو تعرضه للحدث في الجزء الضئيل جداً التالي من الزمن؟”.

تُعرَّف دالة الخطر رياضياً كنهاية النسبة بين الاحتمال الشرطي لحدوث الحدث في فترة متناهية في الصغر $\Delta t$ وطول هذه الفترة، مع اشتراط بقاء الفرد حتى اللحظة $t$:

$$h(t) = \lim_{\Delta t to 0} \frac{P(t le T < t + \Delta t mid T ge t)}{\Delta t} = \frac{f(t)}{S(t)} = -\frac{d}{dt}\ln S(t)$$

من الأهمية بمكان التأكيد على أن $h(t)$ ليست احتمالاً بالمعنى الرياضي الضيق (ولا تنحصر بين 0 و1)، بل هي “معدل سرعة” (Rate) بوحدات زمنية عكسية ($Time^{-1}$)، وتتراوح قيمتها في المجال $[0, \infty)$.

تتخذ دالة الخطر أشكالاً منحنية وتوزيعية بالغة التنوع تعكس الطبيعة البيولوجية والسلوكية للظاهرة قيد البحث. فالشكل الثابت ($h(t) = c$) يفترض أن احتمال وقوع الحدث مستقل تماماً عن عمر الفرد أو الزمن المنقضي، وهي خاصية “انعدام الذاكرة” التي يجسدها التوزيع الأسي. أما الشكل المتزايد رتيباً، فيعبر عن ظواهر الشيخوخة وتآكل الأجهزة أو تفاقم الاضطرابات العصبية التنكسية بمرور الوقت. في المقابل، نجد دالة الخطر المتناقصة شائعة في العمليات الجراحية المعقدة حيث يكون خطر الوفاة مرتفعاً جداً عقب الجراحة مباشرة ثم يتراجع مع التعافي.

وفي الطب النفسي وعلم الإدمان، يبرز شكل “حوض الاستحمام” (Bathtub-shaped) أو المنحنى وحيد القمة (Unimodal)؛ حيث يكون خطر الانتكاسة مرتفعاً للغاية في الأسابيع الأولى من الانسحاب الدوائي بسبب شدة الأعراض النفسية والفسيولوجية، ثم ينخفض تدريجياً مع استقرار المريض واكتسابه مهارات التأقلم المعرفي، ليعاود الارتفاع الطفيف مجدداً على المدى الطويل عند مواجهة ضغوط حياتية مستجدة أو فتور الدافعية العلاجية.

3.3 دالة الخطر التراكمي (Cumulative Hazard Function) والترابط الرياضي

تُمثل دالة الخطر التراكمي (Cumulative Hazard Function)، والتي يُرمز لها بالرمز $H(t)$ أو $Lambda(t)$، المجموع التراكمي للمخاطر اللحظية التي يتعرض لها الفرد عبر مساره الزمني الممتد من نقطة البداية الصفرية وحتى اللحظة $t$. وتُحسب رياضياً من خلال إجراء التكامل المحدد لدالة الخطر اللحظية:

$$H(t) = \int_{0}^{t} h(u) , du$$

على الرغم من أن التفسير الفيزيائي المباشر لدالة الخطر التراكمي يبدو مجرداً للوهلة الأولى، إلا أنه يمكن تصور $H(t)$ بأنها تعبر عن “العدد المتوقع للأحداث” التي كان يمكن للشخص أن يختبرها حتى الزمن $t$ إذا كان الحدث قابلاً للتكرار دون أن يغير وقوعه من بنية الخطر اللاحق. تتزايد دالة الخطر التراكمي رتيباً مع الزمن، وتبدأ قيمتها من $H(0) = 0$ وتتجه نحو اللانهاية كلما تقدم الوقت واقتربت دالة البقاء من الصفر.

ترتبط الدوال الثلاث الأساسية (دالة البقاء، دالة الخطر اللحظي، ودالة الخطر التراكمي) بروابط تحويلية رياضية محكمة وأنيقة تشكل البنية المغلقة لنظرية تحليل البقاء؛ حيث يمكن اشتقاق أي دالة منها مباشرة إذا عُرفت إحدى الدالتين الأخريين:

$$S(t) = \exp(-H(t)) = \exp\left(-\int_{0}^{t} h(u) , du\right)$$

$$H(t) = -\ln(S(t))$$

تكتسب دالة الخطر التراكمي أهمية تحليلية ومنهجية بالغة في التشخيص الإحصائي؛ فهي تمثل الأساس الرياضي لبناء مقدرات لا معلمية متينة مثل مقدر نيلسون-آلين، كما تُستخدم على نطاق واسع في الفحص البصري لتوزيعات البقاء، حيث يشير المسار الخطي الصارم لدالة $H(t)$ ضد الزمن إلى ملائمة التوزيع الأسي، بينما يُستخدم التحويل اللوغاريتمي المزدوج $-ln(-ln(S(t))) = ln(H(t))$ لتقييم صحة افتراض المخاطر النسبية في نماذج كوكس ووايبول.

4. التقدير اللامعلمي: مُقدِّر كابلان-ماير (Kaplan-Meier Estimator)

4.1 الأسس الرياضية وحساب مُقدِّر جداء الحدود (Product-Limit)

يُعد مُقدِّر كابلان-ماير (Kaplan-Meier Estimator)، والمعروف تاريخياً بمُقدِّر “جداء الحدود” (Product-Limit Estimator)، والذي قدمه إدوارد كابلان وجون ماير في ورقتهما المفصلية عام 1958 المنشورة في مجلة الجمعية الإحصائية الأمريكية، الأداة اللامعلمية الأكثر انتشاراً وشهرة في تحليل بيانات البقاء غير المكتملة. يهدف هذا المقدر إلى حساب دالة البقاء التجريبية خطوة بخطوة عند كل نقطة زمنية تشهد وقوع حدث متميز، مع ضبط دقيق ومستمر لعدد الأفراد المعرضين للخطر.

لصياغة المقدر رياضياً، لنفترض وجود عينة بحجم $n$، مرتبة تصاعدياً حسب أوقات الأحداث الملاحظة الفريدة: $t_{(1)} < t_{(2)} < dots < t_{(k)}$. عند كل زمن حدث متميز $t_{(j)}$، نحدد متغيرين أساسيين: $d_j$ ويمثل عدد الأفراد الذين وقع لهم الحدث فعلياً عند اللحظة $t_{(j)}$، و$n_j$ ويمثل عدد الأفراد المعرضين للخطر (Risk Set) قبيل اللحظة $t_{(j)}$ مباشرة (أي أولئك الذين ظلوا على قيد الحياة ولم يتعرضوا للحدث أو للرقابة حتى تلك اللحظة). تُصاغ معادلة كابلان-ماير كحاصل ضرب احتمالات البقاء الشرطية المتتابعة:

$$\hat{S}(t) = \prod_{j: t_{(j)} le t} \left(1 – \frac{d_j}{n_j}\right) = \prod_{j: t_{(j)} le t} \left(\frac{n_j – d_j}{n_j}\right)$$

تتجلى عبقرية هذه المعادلة في طريقة معالجتها لحالات الرقابة؛ فالأفراد الذين يخضعون للرقابة بين الزمنين $t_{(j)}$ و$t_{(j+1)}$ يظلون مدرجين بالكامل في مجموعة الخطر $n_j$ لحساب الاحتمال عند $t_{(j)}$، لكن يتم إنقاصهم تلقائياً من مجموعة الخطر التالية $n_{j+1}$ دون اعتبارهم وفيات أو إخفاقات. ينتج عن هذه العملية منحنى بياني يأخذ شكل “دالة درجية” (Step Function) تنحدر للأسفل فقط عند اللحظات الزمنية التي تشهد وقوع أحداث فعلية، بينما تدل الإشارات الرأسية أو النقاط (Tick Marks) على المنحنى على مواقع حدوث الرقابة، مع بقاء قيمة دالة البقاء ثابتة أفقياً خلال الفترات التي تشهد حالات رقابة فقط دون وقوع أحداث.

4.2 فترات الثقة وتباين مُقدِّر كابلان-ماير

لا يكتمل التقدير الإحصائي لمنحنى البقاء دون تحديد مدى دقته ومقدار عدم اليقين المحيط به من خلال حساب خطئه المعياري وإنشاء فترات الثقة (Confidence Intervals). نظراً لأن مقدر كابلان-ماير يمثل جداءً تتابعياً لنسب احتمالية، فإن حساب التباين يتطلب اللجوء إلى تقريب تايلور الرياضي عبر صيغة شهيرة تُعرف بـ صيغة غرينوود (Greenwood’s Formula):

$$\widehat{\text{Var}}{\hat{S}(t)} = [\hat{S}(t)]^2 \sum_{j: t_{(j)} le t} \frac{d_j}{n_j (n_j – d_j)}$$

ويُحسب الخطأ المعياري (Standard Error) بأخذ الجذر التربيعي للتباين المقدر: $\text{SE}{\hat{S}(t)} = \sqrt{\widehat{\text{Var}}{\hat{S}(t)}}$.

على الرغم من إمكانية بناء فترة ثقة تقليدية خطية بسيطة وفق المعادلة $\hat{S}(t) \pm z_{1-alpha/2} \text{SE}{\hat{S}(t)}$، إلا أن هذه الطريقة تعاني من عيب إحصائي بارز؛ إذ قد تنتج في الأطراف فترات ثقة تتجاوز الحدود المنطقية للاحتمال (أقل من صفر أو أكبر من 1)، خاصة في نهايات منحنى البقاء أو عندما تكون العينة صغيرة. لتجاوز هذه المعضلة، يوصي المنهجيون بتطبيق تحويلات رياضية، وأبرزها التحويل اللوغاريتمي المزدوج (Complementary Log-Log or Log-Minus-Log Transformation) للمتغير $\theta(t) = \ln(-\ln(\hat{S}(t)))$. يضمن هذا التحويل التوزيعي بقاء حدود الثقة الناتجة، بعد إعادة تحويلها عكسياً، محصورة بشكل صارم داخل النطاق الاحتمالي الصالح $[0, 1]$، مع توفير تغطية احتمالية أدق بكثير عند ذيول التوزيع وفي وجود نسب رقابة مرتفعة.

4.3 مُقدِّر نيلسون-آلين (Nelson-Aalen Estimator) كبديل تكميلي

يُمثل مُقدِّر نيلسون-آلين (Nelson-Aalen Estimator) الركيزة اللامعلمية المقابلة والمكملة لمقدر كابلان-ماير، حيث يركز على التقدير المباشر لدالة الخطر التراكمي $\hat{H}(t)$ دون المرور أولاً بحساب احتمالات البقاء الفردية. ابتكره واين نيلسون عام 1972 في سياق هندسة الموثوقية الصناعية، ثم عممه وعمقه رياضياً إود آلين عام 1978 باستخدام نظرية العمليات العشوائية وحساب المارتينغال (Martingale Theory).

تُصاغ معادلة نيلسون-آلين بجمع نسب الأحداث الملاحظة إلى الأفراد المعرضين للخطر عند كل نقطة زمنية تصاعدية:

$$\tilde{H}(t) = \sum_{j: t_{(j)} le t} \frac{d_j}{n_j}$$

ويُقدر تباين هذا المقدر ببساطة وفق الصيغة:

$$\widehat{\text{Var}}{\tilde{H}(t)} = \sum_{j: t_{(j)} le t} \frac{d_j}{n_j^2}$$

انطلاقاً من الرابط الرياضي الأسي $S(t) = exp(-H(t))$، يمكن اشتقاق مقدر بديل لدالة البقاء يُعرف بمُقدِّر فليمنغ-هارينغتون (Fleming-Harrington Estimator):

$$\tilde{S}(t) = \exp(-\tilde{H}(t)) = \prod_{j: t_{(j)} le t} \exp\left(-\frac{d_j}{n_j}\right)$$

أظهرت الدراسات الإحصائية المقارنة والمحاكاة الحاسوبية أن مقدر نيلسون-آلين وما ينبثق عنه من دالة بقاء يتمتع بخصائص تقاربية ممتازة وخصائص عينات صغيرة تتفوق في بعض الأحيان على مقدر كابلان-ماير الكلاسيكي؛ حيث يُظهر تحيزاً أقل في العينات المحدودة والبيانات شديدة الرقابة، ويشكل الأساس المعتمد لبناء العديد من الاختبارات التشخيصية المتقدمة وتحليل بواقي النماذج الانحدارية.

5. المقارنة بين مجموعات البقاء: الاختبارات الإحصائية الفرضية

5.1 اختبار رتبة السجلات (Log-Rank Test): النظرية والتطبيق

عند إجراء التجارب السريرية أو المقارنات الميدانية بين تدخلين علاجيين (مثل مقارنة فاعلية مضاد اكتئاب حديث مقابل دواء وهمي)، لا يكفي الوصف البياني لمنحنيات كابلان-ماير، بل يتعين استخدام اختبارات فرضية إحصائية لا معلمية صارمة. ويعد اختبار رتبة السجلات (Log-Rank Test)—المعروف أيضاً باختبار مانتل-كوكس (Mantel-Cox Test)—المعيار الذهبي والأكثر استخداماً لمقارنة منحنيات البقاء بين مجموعتين أو أكثر.

يقوم الأساس النظري لاختبار رتبة السجلات على فرضية العدم ($H_0$) التي تنص على عدم وجود أي اختلاف بين دوال البقاء للمجموعات المقارنة عبر كامل المدى الزمني ($S_1(t) = S_2(t)$ لكل $t$). لاختبار هذه الفرضية، يتم تقسيم المدى الزمني إلى جداول اقتران رباعية منفصلة ($2 \times 2$ Contingency Tables) عند كل زمن حدث متميز $t_{(j)}$. إذا كانت العينة مقسمة لمجموعتين، وعند اللحظة $t_{(j)}$ يقع عدد إجمالي من الأحداث $d_j = d_{1j} + d_{2j}$ من بين عدد معرض للخطر $n_j = n_{1j} + n_{2j}$، فإن القيمة المتوقعة لعدد الأحداث في المجموعة الأولى تحت فرضية العدم تُحسب وفق التوزيع فوق الهندسي (Hypergeometric Distribution):

$$E_{1j} = n_{1j} \left(\frac{d_j}{n_j}\right)$$

بتباين مقدر يساوي:

$$V_{1j} = \frac{n_{1j} n_{2j} d_j (n_j – d_j)}{n_j^2 (n_j – 1)}$$

تُجمع بعد ذلك الفروق بين التكرارات الملاحظة $O_{1j} = d_{1j}$ والتكرارات المتوقعة $E_{1j}$ عبر جميع نقاط الأحداث الزمنية لبناء إحصاء كاي تربيع (مع درجة حرية واحدة لمجموعتين):

$$\chi_{\text{Log-Rank}}^2 = \frac{\left(\sum_{j=1}^k (O_{1j} – E_{1j})\right)^2}{\sum_{j=1}^k V_{1j}}$$

يمنح هذا الاختبار وزناً متساوياً لجميع الأحداث على مدار فترة المتابعة، ويوفر أعلى قوة إحصائية واختبارية ممكنة عندما تكون فرضية المخاطر النسبية متحققة بين المجموعات عبر الزمن.

5.2 الاختبارات الموزونة: ويلكوكسون وبترون-بيتو وFleming-Harrington

على الرغم من القوة الكبيرة لاختبار رتبة السجلات القياسي، إلا أن افتراض وزنه المتساوي لجميع الأحداث قد لا يكون ملائماً في كافة السياقات السريرية والسلوكية. لذلك، طُوِّرت عائلة من الاختبارات الموزونة (Weighted Log-Rank Tests) التي تُدخل معامل وزن زمني $w_j$ في معادلة المقارنة:

$$Z = \frac{\sum_{j=1}^k w_j (O_{1j} – E_{1j})}{\sqrt{\sum_{j=1}^k w_j^2 V_{1j}}}$$

يبرز اختبار جيهان-ويلكوكسون (Gehan-Wilcoxon Test) عبر استخدام أوزان تتناسب طردياً مع عدد الأفراد المعرضين للخطر عند كل نقطة ($w_j = n_j$). وبما أن $n_j$ يكون كبيراً جداً في بدايات الدراسة ثم يتناقص تدريجياً بفعل الوفيات والرقابة، فإن هذا الاختبار يمنح وزناً هائلاً للفروق التي تحدث في الفترات الزمنية المبكرة. يعد هذا الاختبار مثالياً في الأبحاث النفسية التي تتوقع ظهور التأثير العلاجي فوراً وبشكل حاد في الأسابيع الأولى، مثل التدخلات الدوائية الإسعافية للحد من الأفكار الانتحارية الحادة.

يقدم تعديل بترون-بيتو (Peto-Prentice Test) بديلاً أكثر رصانة من الناحية المنهجية، حيث يستخدم كأوزان تقديراً لدالة البقاء الإجمالية المشتركة $w_j = \tilde{S}(t_{j-1})$. تكمن ميزة هذا التعديل في متانته الاستثنائية وعدم تأثره بأنماط الرقابة غير المتساوية أو الشديدة بين المجموعات، بخلاف اختبار جيهان الذي قد ينحاز في حال اختلاف معدلات التسرب.

تتوج عائلة فليمنغ-هارينغتون ($G^{\rho, \gamma}$ Fleming-Harrington Class) هذه المنظومة بمرونة فائقة؛ إذ تستخدم دالة أوزان تعتمد على معلمين: $w_j = [\hat{S}(t_{j-1})]^\rho [1 – \hat{S}(t_{j-1})]^\gamma$. عند ضبط المعلمات $(rho=0, gamma=0)$، نعود إلى اختبار رتبة السجلات التقليدي. وإذا تم اختيار $(rho=1, gamma=0)$، نحصل على وزن يركز على الفروق المبكرة. أما عند ضبط $(rho=0, gamma=1)$، فإن الاختبار يعطي وزناً ثقيلاً للأحداث المتأخرة، وهو ما يناسب دراسات العلاج النفسي الممتد أو التدخلات المناعية التي تتطلب وقتاً طويلاً قبل أن تبدأ آثارها الإيجابية في التبلور والظهور السريري.

5.3 الافتراضات الإحصائية ومحدودية الاختبارات غير المعلمية للمقارنة

تستند الاختبارات اللامعلمية لمقارنة منحنيات البقاء إلى مجموعة من الفرضيات الأساسية التي يتعين على الباحث التحقق من استيفائها. تشمل هذه الفرضيات: استقلالية الملاحظات بين المجموعات، والرقابة غير التثقيفية، وتكافؤ أنماط الرقابة والتتبع عبر المجموعات المقارنة. وتبرز محدودية بنيوية كبرى لهذه الاختبارات عند حدوث ظاهرة تقاطع منحنيات البقاء (Crossing Survival Curves).

تحدث ظاهرة تقاطع المنحنيات عندما يكون أحد التدخلات العلاجية مصحوباً بمخاطر مبكرة مرتفعة ولكن بفوائد فائقة ومستدامة على المدى الطويل، مقارنة بتدخل آخر ذي أمان مبكر ولكن بفاعلية ضعيفة لاحقاً. في هذه الحالة، تكون الفروق في البداية لصالح المجموعة الأولى ($O_{1j} – E_{1j} 0$). عند إجراء اختبار رتبة السجلات التجميعي، تلغي الفروق الإيجابية المتأخرة الفروق السلبية المبكرة، مما يؤدي إلى انهيار القوة الإحصائية للاختبار وصدور قيمة احتمالية غير دالة ($p > 0.05$) تعطي استنتاجاً زائفاً بعدم وجود فروق بين العلاجين، في حين أن الفروق بينهما جوهرية وديناميكية.

تتمثل المحدودية الكبرى الثانية في الطبيعة أحادية المتغير (Univariable Nature) لهذه الاختبارات؛ إذ تعجز تماماً عن ضبط أو إدراج المتغيرات المربكة (Confounding Factors) والمتغيرات المصاحبة المستمرة (مثل العمر، وشدة الأعراض عند خط الأساس، والاعتلال المشترك). لمقارنة أثر تدخّل علاجي مع عزل التأثيرات المتداخلة لتلك المتغيرات المتعددة، يصبح لزاماً الانتقال المنهجي من الاختبارات اللامعلمية البسيطة إلى رحاب نماذج الانحدار متعددة المتغيرات، وفي طليعتها نموذج كوكس للمخاطر النسبية.

6. نموذج المخاطر النسبية لكوكس (Cox Proportional Hazards Model)

6.1 البنية الرياضية وصياغة النموذج شبه البارامتري

يمثل نموذج المخاطر النسبية، الذي قدمه السير ديفيد كوكس في ورقته التاريخية عام 1972 المنشورة في دورية الجمعية الإحصائية الملكية، النقلة النوعية الأبرز في تاريخ تحليل البقاء الحديث. يوفر هذا النموذج إطاراً انحدارياً شبه بارامتري يسمح بفحص تأثير عدة متغيرات تفسيرية (مستمرة وفئوية) على معدل الخطر اللحظي في وقت واحد وبطريقة بالغة المرونة والأناقة الرياضية.

تُصاغ معادلة نموذج كوكس الأساسية على النحو التالي:

$$h(t mid \mathbf{X}) = h_0(t) \exp(boldsymbol{\beta}’ \mathbf{X}) = h_0(t) \exp(\beta_1 X_1 + \beta_2 X_2 + dots + \beta_p X_p)$$

تتفكك هذه الصيغة إلى مكونين وظيفيين رئيسيين:

  • دالة خط الأساس للخطر $h_0(t)$ (Baseline Hazard): وهي تمثل دالة الخطر لفرد تكون جميع متغيراته التفسيرية مساوية للصفر ($\mathbf{X} = \mathbf{0}$). تكمن البراعة المنهجية لنموذج كوكس في ترك هذه الدالة حرة تماماً وغير مقيدة بأي شكل توزيعي أو بارامتري؛ فقد تكون متزايدة، متناقصة، أو متموجة عشوائياً.
  • الدالة الأسية للمتنبئات $\exp(boldsymbol{\beta}’ \mathbf{X})$: وهي تمثل الجزء البارامترى التضاعفي الذي يربط بين المتغيرات المصاحبة والارتفاع أو الانخفاض النسبي في الخطر. يضمن استخدام الدالة الأسية بقاء دالة الخطر موجبة دائماً مهما كانت قيم المتغيرات والمعاملات.

تفسر معاملات الانحدار $\beta_k$ بأنها التغير اللوغاريتمي في معدل الخطر لكل زيادة بمقدار وحدة واحدة في المتغير التفسيري $X_k$ مع تثبيت بقية المتغيرات. وبتحويل المعامل أسياً نحصل على نسبة الخطر (Hazard Ratio – HR):

$$\text{HR} = \exp(\beta_k)$$

إذا كانت $\text{HR} = 1$ ($\beta = 0$)، فإن المتغير ليس له أي تأثير على الخطر. وإذا كانت $\text{HR} > 1$ ($\beta > 0$)، فإن زيادة المتغير ترتبط بزيادة معدل الخطر (عامل خطورة). أما إذا كانت $\text{HR} < 1$ ($\beta < 0$)، فإن المتغير يرتبط بانخفاض معدل الخطر (عامل حماية)، وتُحسب فترات الثقة لنسب الخطر عبر التحويل الأسي لطرفي فترة ثقة المعامل $\exp(\hat{\beta} \pm z_{1-alpha/2} \text{SE}(\hat{\beta}))$.

6.2 طريقة الإمكان الجزئي (Partial Likelihood Estimation)

واجه ديفيد كوكس تحدياً رياضياً معقداً عند محاولة تقدير معلمات الانحدار $boldsymbol{\beta}$ باستخدام دالة الإمكان الأعظم الكلاسيكية، نظراً لاحتواء النموذج على دالة خط الأساس $h_0(t)$ غير المحددة، مما يعني وجود عدد لانهائي من المعلمات المجهولة. ولحل هذه المعضلة الهيكلية، ابتكر كوكس مفهوم دالة الإمكان الجزئي (Partial Likelihood)، والتي تعتمد على فصل تقدير معاملات $boldsymbol{\beta}$ تماماً عن دالة خط الأساس.

تقوم فكرة الإمكان الجزئي على تقييم الاحتمال الشرطي بأن يكون الفرد $i$ بالتحديد هو من تعرض للحدث عند الزمن $t_i$، بالنظر إلى الخصائص التنبؤية لجميع الأفراد الذين كانوا معرضين للخطر في تلك اللحظة ذاتها ($R(t_i)$):

$$L_p(boldsymbol{\beta}) = \prod_{i=1}^{k} \frac{\exp(boldsymbol{\beta}’ \mathbf{X}_i)}{\sum_{j in R(t_i)} \exp(boldsymbol{\beta}’ \mathbf{X}_j)}$$

نلاحظ هنا الاختفاء الرياضي الكامل لدالة $h_0(t)$ باختصارها من البسط والمقام، مما يسمح بتقدير المتجه $boldsymbol{\beta}$ عن طريق تعظيم لوغاريتم دالة الإمكان الجزئي $\ln L_p(boldsymbol{\beta})$ باستخدام خوارزمية نيوتن-رافسون التكرارية، تماماً كما في نماذج الإمكان الأعظم المعتادة، مع تمتع المقدرات الناتجة بخواص التقارب، والاتساق، والتوزيع الطبيعي التقاربي والكفاءة العالية.

تثور صعوبة حسابية إضافية عند وجود أوقات أحداث متطابقة أو متشابكة (Tied Event Times)، أي عندما يختبر أكثر من فرد الحدث في نفس النقطة الزمنية المسجلة. وللتعامل مع هذه التشابكات، طور الإحصائيون عدة خوارزميات تقريبية، أبرزها:

  • تقريب بريسلو (Breslow Approximation): وهو الأبسط حسابياً والافتراضي في العديد من البرمجيات القديمة، لكنه يفقد دقته عند كثرة التشابكات.
  • تقريب إفرون (Efron Approximation): وهو أكثر تعقيداً ودقة وقرباً من الحل الرياضي الدقيق، ويعد الخيار الأفضل والموصى به في التحليلات الحديثة.
  • طريقة الإمكان الدقيق (Exact Method): وتعتمد على حساب كافة التباديل والتوافيق الممكنة لترتيب الأحداث المتزامنة، وتتطلب قدرات حسابية فائقة.

6.3 النمذجة المتقدمة وإدخال المتغيرات المصاحبة الثابتة

يتيح نموذج كوكس إمكانات متقدمة لبناء نماذج تفسيرية وتنبؤية قوية تضم مزيجاً من المتغيرات المصاحبة الديموغرافية (كالسن والجنس والتعليم)، والمتغيرات السريرية (كنوع التشخيص وشدة الاضطراب)، والمتغيرات النفسية والبيئية (كالدعم الاجتماعي ومرونة الأنا وأنماط التعلق). يتم ترميز المتغيرات الفئوية باستخدام المتغيرات الوهمية (Dummy Variables)، مع اختيار فئة مرجعية منطقية سريرياً لمقارنة نسب المخاطر بالنسبة إليها.

علاوة على ذلك، يتيح النموذج اختبار التفاعلات الإحصائية (Statistical Interactions or Effect Modification) لإدراك تعقيدات السلوك الإنساني؛ فمثلاً يمكن إدراج حد تفاعلي بين نوع العلاج النفسي ومستوى القلق الأولي ($X_1 \times X_2$). يُظهر هذا التحليل ما إذا كانت فاعلية العلاج في خفض خطر الانتكاسة تختلف باختلاف شدة القلق الأساسي لدى المريض، وهو ما يسهم في ترسيخ مبادئ “الطب النفسي الدقيق” والتدخلات العلاجية المشخصة.

لبناء النموذج الأمثل والمفاضلة بين النماذج المتنافسة، يعتمد الباحثون على مجموعة من المعايير الإحصائية الصارمة، تشمل: اختبار نسبة الإمكان (Likelihood Ratio Test) للمقارنة بين النماذج المتداخلة، ومعيار أكايكي للمعلومات (Akaike Information Criterion – AIC)، ومعيار بيز للمعلومات (Bayesian Information Criterion – BIC) اللذين يعاقبان النموذج على كثرة المعلمات لتجنب “فرط المطابقة” (Overfitting)، واختيار النموذج الأكثر كفاءة واقتصاداً من الناحية الإحصائية.

7. تقييم فرضية المخاطر النسبية وتشخيص النموذج

7.1 فحص فرضية ثبات نسب الخطر (Proportional Hazards Assumption)

يقوم نموذج كوكس على افتراض جوهري لا يقبل المساومة، يُعرف بـ فرضية المخاطر النسبية (Proportional Hazards Assumption – PH). يقضي هذا الافتراض بأن تأثير أي متغير مصاحب على معدل الخطر يظل ثابتاً ومستقراً بصورة نسبية عبر كامل المدى الزمني للدراسة؛ أي أن النسبة بين خطري أي فردين يتمتعان بقيم مختلفة للمتغير التنبئي لا تتغير مع مرور الزمن، وأن منحنيات الخطر اللوغاريتمية للمجموعات تسير بشكل متوازٍ تماماً دون أي تقارب، تباعد، أو تقاطع.

يتوفر للباحثين ترسانة من الأساليب البيانية والاختبارات الإحصائية للتحقق من سلامة هذه الفرضية:

  • المخططات البيانية: يُستخدم رسم مخطط “اللوغاريتم السالب للوغاريتم البقاء” $ln(-ln(S(t)))$ مقابل $ln(t)$؛ فإذا كانت فرضية المخاطر النسبية متحققة للمتغير الفئوي، يجب أن تظهر المنحنيات خطوطاً متوازية تفصل بينها مسافة ثابتة عبر الزمن.
  • بواقي شوينفيلد واختبارها الإحصائي (Schoenfeld Residuals Test): يمثل الأسلوب الأكثر دقة ورسمية واختباراً من الناحية الرياضية. تُحسب بواقي شوينفيلد لكل متغير عند كل زمن حدث ملاحظ كفارق بين القيمة الملاحظة للمتغير والقيمة المتوقعة له مرجحة بمخاطر الأفراد في مجموعة الخطر. تحت فرضية المخاطر النسبية، يجب ألا ترتبط هذه البواقي نهائياً بالزمن (ميل خط الانحدار يساوي صفراً).

يوفر اختبار ارتباط بواقي شوينفيلد مع الزمن (أو مع لوغاريتم الزمن)، والذي اقترحه غرامبش وثينو (Grambsch and Therneau)، قيمة احتمالية ($p$-value) دقيقة لكل متغير على حدة وللنموذج الكلي؛ حيث يشير الحصول على قيمة دالة إحصائياً ($p < 0.05$) إلى انتهاك صريح لفرضية المخاطر النسبية وضرورة اتخاذ إجراءات معالجة منهجية وفورية.

7.2 أنواع البواقي الإحصائية في تحليل البقاء

تختلف البواقي في تحليل البقاء جذرياً عن بواقي الانحدار الخطي التقليدي ($y – \hat{y}$) بسبب وجود الرقابة والتعقيد الزمني، وتتوزع إلى عدة أنواع يخدم كل منها غرضاً تشخيصياً محدداً، كما هو موضح في الجدول والتحليل التالي:

نوع البواقي الأساس الرياضي والمفهوم الوظيفة التشخيصية الأساسية
بواقي كوكس-سنيل
(Cox-Snell)		 $r_{CS,i} = \hat{H}_i(t_i) = -\ln(\hat{S}_i(t_i))$
تعتمد على دالة الخطر التراكمي المقدرة لكل فرد.		 تقييم جودة الملاءمة العامة (Overall Goodness of Fit) للنموذج المقدر عبر مقارنتها بتوزيع أسي بمعلمة $lambda=1$.
بواقي المارتينغال
(Martingale)		 $r_{M,i} = \delta_i – r_{CS,i}$
حيث $\delta_i$ مؤشر الحدث (1 أو 0). وتتراوح بين $(-\infty, 1]$.		 تحديد الشكل الوظيفي الخطي للمتغيرات المستمرة ورصد الحاجة لتحويلات غير خطية (كالتربيع أو اللوغاريتم).
بواقي الانحراف
(Deviance)		 تحويل مقنن ومتماثل لبواقي المارتينغال يتقارب مع التوزيع الطبيعي المعياري $N(0, 1)$. الكشف الدقيق عن القيم الشاذة المتطرفة (Outliers) والملاحظات التي لا تتوافق مع افتراضات النموذج.
بواقي شوينفيلد
(Schoenfeld)		 تُحسب لكل متغير عند أوقات الأحداث حصراً كفارق بين القيمة الملاحظة والمتوقعة. الاختبار التشخيصي الرئيسي للتحقق من فرضية المخاطر النسبية وثبات المعاملات عبر الزمن.

يتيح الاستخدام التكاملي لهذه المنظومة من البواقي بناء نموذج انحداري متين يخلو من التشوهات الإحصائية، ويضمن أن التقديرات المعلمية تعكس بدقة الديناميات السريرية للبيانات الخاضعة للتحليل دون تأثيرات مفرطة للقيم الشاذة أو الأشكال الوظيفية المشوهة.

7.3 حلول واستراتيجيات التعامل مع انتهاك فرضية المخاطر النسبية

عندما تُظهر الفحوصات التشخيصية انتهاكاً صريحاً لفرضية المخاطر النسبية لمتغير أو أكثر في النموذج، يمتنع الباحث عن تفسير نسب الخطر كقيم ثابتة موحدة، ويتعين عليه اللجوء إلى استراتيجيات منهجية علاجية متقدمة، تشمل:

1. التحليل الطبقي بنموذج كوكس (Stratified Cox Model): يُعد الخيار الأمثل عندما يكون المتغير المنتهِك للفرضية متغيراً فئوياً غير أساسي في الفرضيات البحثية المركزية بل متغيراً ضابطاً ومربكاً (مثل الجنس، أو المركز الطبي في الدراسات متعددة المراكز). في هذا النموذج، يُسمح لكل طبقة $s$ بامتلاك دالة خط أساس حرة وخاصة بها $h_{0s}(t)$، بينما تظل معاملات الانحدار للمتغيرات الأخرى المشتركة موحدة عبر كافة الطبقات، مما يزيل تأثير انتهاك الفرضية بالكامل دون فقدان القدرة على ضبط المتغير.

2. إدراج المتغيرات التابعة للزمن (Time-dependent Covariates) وتفاعلاتها مع الزمن: يُعاد صياغة النموذج ليشمل حداً تفاعلياً صريحاً بين المتغير المنتهِك $X$ ودالة رياضية محددة للزمن $g(t)$ (مثل $X \times t$ أو $X \times \ln(t)$):

$$h(t mid \mathbf{X}) = h_0(t) \exp(\beta_1 X + \gamma [X \times g(t)])$$

يسمح هذا التعديل لنسبة الخطر بأن تكون دالة ديناميكية تتغير باستمرار مع الزمن وفق الصيغة $\text{HR}(t) = \exp(\beta_1 + \gamma g(t))$، وهو ما يوفر تفسيراً سريرياً فائق العمق لتلاشي أو تزايد أثر التدخل العلاجي مع الوقت.

3. تقسيم محور الزمن (Time-splitting or Episode Splitting): يتم فيه تقطيع المدى الزمني الكلي للمتابعة إلى فترات زمنية متميزة ومنطقية سريرياً (مثلاً: من 0 إلى 6 أشهر، ومن 6 إلى 24 شهراً)، ثم تقدير نسبة خطر منفصلة ومستقلة لكل فترة زمنية على حدة بواسطة نموذج كوكس ذي الفترات المجزأة، مما يوفر نسب مخاطر سهلة التفسير لكل مرحلة علاجية محددة.

8. نموذج آلين الجمعي (Aalen’s Additive Model) والبدائل المتقدمة

8.1 الأساس النظري للنموذج الجمعي وتأثيرات المتغيرات المتغيرة زمنياً

على الرغم من الهيمنة الواسعة لنموذج كوكس التضاعفي (Multiplicative Model)، إلا أنه يفرض هيكلاً رياضياً يقوم على مضاعفة دالة الخطر الأساسية بنسب محددة. وفي أواخر ثمانينيات القرن الماضي، طرح الإحصائي النرويجي إود آلين النموذج الجمعي (Aalen’s Additive Model) كبديل فلسفي ومنهجي ورياضي ثوري يتجاوز قيود التضاعف وفرضية المخاطر النسبية كلياً.

يصيغ نموذج آلين دالة الخطر كحاصل جمع خطي لتأثيرات المتغيرات التفسيرية، مع السماح لجميع المعاملات بأن تكون دوالاً متغيرة وحرة عبر الزمن دون أي قيود معلمية مسبقة:

$$h(t mid \mathbf{X}) = \alpha_0(t) + \alpha_1(t) X_1 + \alpha_2(t) X_2 + dots + \alpha_p(t) X_p$$

في هذه البنية، تمثل $\alpha_0(t)$ دالة الخطر الأساسية الجمعية عندما تكون المتغيرات مساوية للصفر، بينما تمثل $\alpha_k(t)$ الأثر اللحظي المطلق للمتغير $X_k$ على زيادة أو نقصان معدل الخطر عند اللحظة الزمنية الدقيقة $t$.

يكمن الفارق الجوهري بين النموذجين في طبيعة القياس؛ فبينما يقيس نموذج كوكس “المخاطر النسبية” (Relative Risk)، يقيس نموذج آلين “فارق الخطر المطلق والمباشر” (Absolute Risk Difference or Excess Risk). يتميز هذا النموذج بقدرته الفطرية والتلقائية على استيعاب التأثيرات المتغيرة زمنياً (Time-varying Effects) دون الحاجة لفرض دوال تفاعل معقدة، مما يجعله قادراً على التقاط التحولات الدقيقة في اتجاه وحجم التأثير العلاجي على امتداد مسار المرض.

8.2 التقدير الإحصائي والتحليل البياني في نموذج آلين

نظراً لصعوبة التقدير النقطي للمعاملات اللحظية المباشرة $\alpha_k(t)$ بسبب تذبذبها العشوائي الحاد، يعتمد التقدير الإحصائي في نموذج آلين على تقدير دوال المعاملات التراكمية (Cumulative Coefficient Functions):

$$A_k(t) = \int_{0}^{t} \alpha_k(u) , du$$

تُقدر هذه المعاملات التراكمية رياضياً بأسلوب أنيق يعتمد على امتداد غير بارامتري لطريقة المربعات الصغرى الموزونة العادية (Weighted Least Squares) ومصفوفات التكامل العشوائي لعمليات العد عند كل نقطة زمنية تشهد وقوع حدث:

$$\hat{\mathbf{A}}(t) = \sum_{t_{(j)} le t} (\mathbf{X}_j’ \mathbf{X}_j)^{-1} \mathbf{X}_j’ \mathbf{Y}_j$$

حيث تمثل $\mathbf{X}_j$ مصفوفة تصميم المتغيرات المصاحبة للأفراد في مجموعة الخطر عند اللحظة $t_{(j)}$، ويمثل $\mathbf{Y}_j$ متجه مؤشرات وقوع الحدث.

يتحول التحليل الإحصائي في نموذج آلين إلى تجربة بيانية بصرية فائقة الإفصاح؛ حيث يُرسم المنحنى التراكمي المقدر $\hat{A}_k(t)$ مع فترات ثقته المحيطة مقابل الزمن. ويُفسر ميل المنحنى (Slope) عند أي فترة زمنية بأنه يعبر مباشرة عن حجم واتجاه التأثير اللحظي للمتغير $\alpha_k(t)$:

  • ميل موجب صاعد ($\text{Slope} > 0$): يدل على أن المتغير يرفع من خطر وقوع الحدث خلال تلك الفترة الزمنية المحددة.
  • ميل سالب هابط ($\text{Slope} < 0$): يدل على أن المتغير يخفض معدل الخطر ويعمل كعامل وقائي.
  • مسار أفقي مستوٍ ($\text{Slope} = 0$): يشير إلى تلاشي تأثير المتغير وانعدام فاعليته تماماً في تلك المرحلة.

كما يوفر النموذج اختبارات فرضية لا معلمية كلية (Global Nonparametric Hypothesis Tests) تشبه اختبارات كولموغروف-سميرنوف لاختبار دلالة أثر المعامل عبر كامل فترة المتابعة أو ما إذا كان أثره ثابتاً أم متغيراً زمنياً.

8.3 حالات الاستخدام والمفاضلة بين نموذج كوكس ونموذج آلين

تتجلى القوة المتفردة لنموذج آلين في الحالات البحثية التي تنهار فيها افتراضات نموذج كوكس، أو عندما تتغير طبيعة التدخل السلوكي والنفسي دينامياً مع الوقت. وتتضمن أبرز سيناريوهات التفوق المنهجي لنموذج آلين:

  • التأثيرات العلاجية المتلاشية أو المؤقتة: كما في حالات إزالة السموم والتدخلات النفسية المكثفة قصيرة الأمد، حيث تظهر المخططات البيانية لآلين ميلاً هابطاً حاداً في الأسابيع الأولى (حماية قوية)، يتبعه خط أفقي تماماً يشير إلى انعدام أي تأثير وقائي لاحق للتدخل الأولي.
  • التأثيرات المتأخرة أو العكسية: عندما يبدأ العلاج بآثار جانبية ترفع الخطر لفترة وجيزة ثم تنقلب إلى حماية مستدامة، وهو ما يظهره منحنى آلين بصعود مبكر يعقبه انحدار طويل، في حين يعجز نموذج كوكس عن إبراز هذا التباين المرحلي الحرج ويعطي نسبة خطر مضللة تقترب من الواحد الصحيح.
  • تقدير المخاطر المطلقة المباشرة للصحة العامة: يحتاج صناع القرار الإكلينيكي في الطب النفسي لمعرفة عدد الحالات الإضافية التي ستتعرض للانتكاسة لكل 1000 مريض (Absolute Risk Difference)، وهو ما يوفره نموذج آلين بدقة مباشرة تعجز عنها نماذج النسب التضاعفية.

لذلك، يوصي المنهجيون المعاصرون بالجمع التكاملي بين النموذجين في بروتوكولات التحليل القوية؛ بحيث يُستخدم نموذج آلين كأداة استكشافية وتشخيصية بصرية متقدمة للتحقق من أشكال التأثيرات الزمنية، تمهيداً لبناء نماذج شبه بارامترية أو بارامترية مطابقة لطبيعة الظاهرة السلوكية المدروسة.

9. النماذج البارامترية لتحليل البقاء: وايبول، الأسي، واللوجستي المعمم

9.1 التوزيع الأسي وتوزيع وايبول (Weibull Distribution)

تعتمد النماذج البارامترية لتحليل البقاء على افتراض أن زمن البقاء يتبع توزيعاً بيانياً معلوماً يُصاغ بدوال رياضية محددة المعلمات. ويعد التوزيع الأسي (Exponential Distribution) أبسط هذه النماذج وأكثرها تقييداً؛ إذ يفترض أن دالة الخطر ثابتة تماماً عبر الزمن: $h(t) = lambda$ (حيث $lambda > 0$). تترتب على هذا الفرض دالة بقاء أسية بسيطة $S(t) = exp(-lambda t)$، وتتجسد فيه خاصية “انعدام الذاكرة” (Memoryless Property)، والتي تعني أن احتمالية بقاء الفرد في الفترة القادمة تعتمد فقط على طول تلك الفترة ولا تتأثر مطلقاً بعمره الحالي أو المدة التي قضاها بالفعل في الدراسة. ونظراً لمثالية هذا الفرض، نادراً ما يتطابق التوزيع الأسي مع الظواهر السلوكية والنفسية المعقدة.

يمثل توزيع وايبول (Weibull Distribution) الامتداد والتعميم الأكثر مرونة وشهرة للتوزيع الأسي، حيث يقدم دالة خطر تعتمد على معلمتين رياضيتين:

$$h(t) = \lambda p (\lambda t)^{p-1}$$

حيث تمثل $lambda > 0$ معلمة المقياس (Scale Parameter)، بينما تمثل $p > 0$ معلمة الشكل (Shape Parameter). تمنح معلمة الشكل $p$ توزيع وايبول مرونة هائلة في نمذجة المخاطر الرتيبة بمختلف اتجاهاتها:

  • إذا كانت $p = 1$: ينحل توزيع وايبول ليصبح التوزيع الأسي البسيط ذو الخطر الثابت.
  • إذا كانت $p > 1$: تكون دالة الخطر متزايدة رتيباً مع الزمن، وهو ما يجسد عمليات التدهور المعرفي والشيخوخة وتراكم الضغوط النفسية.
  • إذا كانت $p < 1$: تكون دالة الخطر متناقصة رتيباً مع الزمن، وهو ما يمثل التكيف النفسي وتراجع أعراض الصدمة الحادة بعد الحوادث الكبرى بمرور الوقت.

تتجلى الأهمية الإحصائية لتوزيع وايبول في كونه التوزيع الاحتمالي الوحيد الذي يتمتع بخاصية فريدة ومزدوجة؛ إذ يمكن صياغته وتفسيره في آن واحد كنموذج مخاطر نسبية (Proportional Hazards – PH) وكنموذج لوقت البقاء المتسارع (Accelerated Failure Time – AFT).

9.2 نماذج وقت البقاء المتسارع (AFT Models): التفسير والخصائص

تقدم نماذج وقت البقاء المتسارع (Accelerated Failure Time Models – AFT) إطاراً فلسفياً ورياضياً بديلاً وجذاباً للغاية لنمذجة بيانات البقاء، حيث تركز مباشرة على نمذجة زمن البقاء اللوغاريتمي كمتغير تابع خطي بدلاً من نمذجة معدلات الخطر اللحظية. تُصاغ البنية الرياضية العامة لنموذج AFT بالمعادلة الخطية التالية:

$$\ln(T) = \mu + boldsymbol{\beta}’ \mathbf{X} + \sigma \epsilon$$

حيث تمثل $\mu$ حد التقاطع، و$boldsymbol{\beta}$ متجه معاملات الانحدار، و$\sigma$ معلمة القياس والمقياس للخطأ، بينما يمثل $epsilon$ متغير الخطأ العشوائي الذي يحدد توزيعه المفترض نوع النموذج البارامتري بالكامل.

يتميز تفسير معاملات نماذج AFT بالوضوح والجاذبية الإكلينيكية، حيث لا نتعامل مع نسب مخاطر مجردة، بل مع معاملات تسارع وتباطؤ الوقت (Time Acceleration Factors – AF أو Time Ratios – TR):

$$\text{TR} = \exp(\beta_k)$$

يعبر معامل $\text{TR}$ عن النسبة التي يتضاعف بها زمن البقاء المتوقع لكل زيادة بوحدة واحدة في المتغير التفسيري. فإذا كانت $\text{TR} = 1.40$ لتدخل علاجي نفسي معين، فهذا يعني حرفياً أن العلاج يطيل ويسرع زمن البقاء المتوقع خالياً من الانتكاسة بنسبة 40% (تمديد فترة التعافي) مقارنة بالمجموعة الضابطة. وإذا كانت $\text{TR} = 0.70$، فهذا يعني أن المتغير ينقص ويسرع من استهلاك زمن البقاء بنسبة 30% نحو حدوث الحدث بسرعة أكبر.

تتعدد التوزيعات الشائعة لأخطاء نماذج AFT وفقاً لطبيعة الظاهرة:

  • التوزيع اللوغاريتمي الطبيعي (Log-normal): يفترض أن لوغاريتم زمن البقاء يتبع توزيعاً طبيعياً معتاداً ($epsilon sim N(0, 1)$)، وتتسم دالة خطره بالصعود إلى قمة مبكرة ثم الانحدار التدريجي البطيء نحو الصفر مع تقدم الزمن.
  • التوزيع اللوجستي اللوغاريتمي (Log-logistic): يتميز بصيغته الرياضية المغلقة والسهلة للبقاء والخطر، ويسمح بنمذجة المخاطر غير الرتيبة وحيدة القمة، ويشبه التوزيع اللوغاريتمي الطبيعي لكنه يمتلك ذيولاً أثقل (Heavier Tails).
  • توزيع غاما المعمم (Generalized Gamma): وهو توزيع فائق المرونة يضم توزيع وايبول، والتوزيع الأسي، والتوزيع اللوغاريتمي الطبيعي كحالات خاصة ضمن بنيته المعلمية الشاملة.

9.3 معايير المفاضلة بين النماذج البارامترية وشبه البارامترية

تتطلب المفاضلة المنهجية بين النماذج البارامترية المختلفة من جهة، وبينها وبين نموذج كوكس شبه البارامتري من جهة أخرى، مراعاة موازين دقيقة بين الكفاءة الإحصائية والمرونة التوزيعية. فالنماذج البارامترية توفر كفاءة إحصائية أعلى، وفترات ثقة أضيق للمعلمات، وقدرة فائقة على الاستقراء والتنبؤ المباشر بأوقات البقاء الفردية ومحاكاة السيناريوهات السريرية وتحديد فترات البقاء المئينية بدقة متناهية، بشرط أن يكون التوزيع المفترض صحيحاً ومتوافقاً مع البيانات الحقيقية.

للمفاضلة الموضوعية بين التوزيعات البارامترية المتنافسة، تُستخدم مجموعة من الإجراءات الإحصائية الصارمة:

  • اختبار نسبة الإمكان (Likelihood Ratio Test): يُستخدم حصراً للمقارنة بين النماذج البارامترية المتداخلة (Nested Models)؛ مثل اختبار ما إذا كان توزيع غاما المعمم الأوسع يمثل تحسيناً دالاً إحصائياً مقارنة بنموذج وايبول أو النموذج الأسي الأبسط.
  • معايير المعلومات (AIC وBIC): تُستخدم للمقارنة بين النماذج غير المتداخلة (Non-nested Models)؛ مثل المفاضلة بين نموذج وايبول، والنموذج اللوغاريتمي الطبيعي، ونموذج كوكس شبه البارامتري، حيث يُعد النموذج الذي يحقق أدنى قيمة لمعيار AIC هو النموذج الأفضل الذي يحقق التوازن الأمثل بين جودة الملاءمة والاقتصاد في المعلمات.
  • المخططات المتبقية وملاءمة التوزيع: من خلال رسم دالة البقاء اللامعلمية لكابلان-ماير ومطابقتها بصرياً مع منحنيات البقاء المقدرة من النماذج البارامترية المختلفة لتقييم مدى قدرة النموذج النظري على تتبع مسار البيانات الواقعية بدقة وأمانة إحصائية.

10. تحليل الأحداث المتكررة والمخاطر المتنافسة في البحوث المعقدة

10.1 تحليل المخاطر المتنافسة (Competing Risks Analysis)

في العديد من الدراسات السريرية والوبائية الواقعية، قد يتعرض الأفراد لأحداث متباينة تحول دون وقوع الحدث الأساسي المستهدف بالدراسة أو تغير كلياً من احتمالية حدوثه؛ وهو ما يُعرف إحصائياً بـ المخاطر المتنافسة (Competing Risks). ففي دراسة تهدف إلى قياس الزمن حتى الانتكاسة باكتئاب حاد لدى كبار السن، فإن حدوث الوفاة بسبب سكتة قلبية يمثل حدثاً متنافساً مانعاً؛ فالشخص المتوفى لم يعد بإمكانه فيزيائياً اختبار نوبة الاكتئاب لاحقاً.

تتمثل المشكلة المنهجية الكبرى في أن تطبيق مُقدِّر كابلان-ماير التقليدي في وجود مخاطر متنافسة—عن طريق معاملة الحدث المتنافس (الوفاة) كحالة رقابة يمنى عادية—ينتهك بصورة فاضحة افتراض الرقابة المستقلة غير التثقيفية. يؤدي هذا الخلل إلى وقوع المقدر في تحيز تفاؤلي هائل ومبالغة رياضية مشوهة ترفع من الاحتمالية التراكمية للحدث المستهدف بما يتجاوز الواقع بكثير.

لحل هذه المعضلة وتصحيح التقديرات الاحتمالية، يُستخدم مفهوم دالة الحدوث التراكمي (Cumulative Incidence Function – CIF) لنمذجة الاحتمال الحقيقي الهامشي لكل سبب على حدة:

$$\text{CIF}_k(t) = P(T le t, D = k) = \int_{0}^{t} h_k(u) S(u^-) , du$$

حيث تمثل $h_k(t)$ دالة الخطر الخاصة بالسبب $k$ (Cause-Specific Hazard)، بينما تمثل $S(t^-)$ احتمالية البقاء الإجمالية الخالية من “جميع” أنواع الأحداث حتى اللحظة السابقة مباشرة للزمن $t$. نلاحظ هنا أن $\text{CIF}_k(t)$ تأخذ بالاعتبار التناقص المستمر في مجموعة المعرضين للخطر الناجم عن حدوث كافة الأسباب الأخرى مجتمعة.

على المستوى الانحداري، يتوفر منهجان رئيسيان للتعامل مع المتغيرات المصاحبة:

  • نموذج الخطر الخاص بالسبب (Cause-Specific Cox Model): يركز على دراسة العوامل التنبؤية المؤثرة في المعدل اللحظي لوقوع الحدث $k$ بين الأفراد الخالين من جميع الأحداث حتى تلك اللحظة، وتُعامل الأحداث المتنافسة كرقابة عادية، وهو النموذج الأنسب للإجابة عن الأسئلة السببية والبيولوجية.
  • نموذج فاين وغراي (Fine-Gray Subdistribution Hazard Model): يركز مباشرة على نمذجة تأثير المتغيرات على دالة الحدوث التراكمي $\text{CIF}_k(t)$، حيث يبقي الأفراد الذين تعرضوا للحدث المتنافس ضمن مجموعة الخطر بمرور الوقت مع تعديل أوزانهم الاحتمالية، ويعد هذا النموذج المعيار الذهبي للتنبؤ السريري الفردي وتقدير المخاطر المطلقة للمرضى في البيئات التطبيقية.

10.2 نمذجة الأحداث المتكررة (Recurrent Events Modeling)

تتميز العديد من الاضطرابات النفسية والسلوكية بطبيعتها الدورية والمزمنة؛ حيث لا يقتصر المريض على اختبار الحدث لمرة واحدة فحسب، بل يختبر سلسلة متتالية من الأحداث المتكررة عبر مسار حياته، مثل نوبات الهلع المتكررة، ونوبات الهوس والاكتئاب في الاضطراب ثنائي القطب، ومحاولات الانتحار غير المميتة، وحلقات الإفراط في تناول الطعام. يتطلب هذا النمط المعقد نماذج تتجاوز فرضية الحدث الفردي المنهي للمتابعة وتستوعب الارتباط الداخلي العميق بين الأحداث المتكررة للشخص الواحد.

تتوزع النماذج الإحصائية للأحداث المتكررة على عدة أطر هيكلية رئيسية:

  • نموذج أندرسون-غيل (Andersen-Gill Model – AG): يمثل الامتداد المباشر لنموذج كوكس، ويفترض أن أحداث الفرد الواحد تتبع عملية بواسون غير متجانسة ومتطابقة التوزيع، حيث تظل دالة خط الأساس للخطر ثابتة بعد كل حدث، مع تصحيح الأخطاء المعيارية للمعاملات باستخدام المقدرات الحصينة المتجمعة (Robust Clustered Sandwich Estimators) للسيطرة على الارتباط الداخلي بين ملاحظات نفس المريض.
  • نماذج الترتيب المشروط (Conditional Models – Prentice, Williams, and Peterson – PWP): تفترض هذه النماذج أن الفرد لا يمكنه التعرض للحدث رقم $(k)$ إلا بعد أن يكون قد اختبر الحدث رقم $(k-1)$ بالفعل. وتسمح بدوال خط أساس مختلفة ومستقلة لكل حدث متتابع في الترتيب، مع إمكانية استخدام زمن البداية الإجمالي (PWP-Total Time) أو زمن الفجوة المنقضي منذ الحدث السابق مباشرة (PWP-Gap Time).
  • نماذج الضعف المشترك (Shared Frailty Models): وهي امتداد للنماذج ذات التأثيرات العشوائية (Random Effects Models)، حيث يُدرج في النموذج متغير عشوائي غير ملاحظ $w_i > 0$ يمثل “الهشاشة الكامنة” أو الاستعداد البيولوجي/الجيني الخاص بالفرد $i$. تضاعف هذه الهشاشة من دالة الخطر الخاصة بالمريض عبر كافة أحداثه المتكررة $h_0(t) w_i \exp(boldsymbol{\beta}’ \mathbf{X})$، وتتوزع الهشاشة عادة وفق توزيع غاما (Gamma) أو التوزيع اللوغاريتمي الطبيعي، مما يتيح عزل وتقدير التباين الكامن بين الأفراد وتفسير التشابه الداخلي في استجاباتهم عبر الزمن.

10.3 تطبيقات النماذج متعددة الحالات (Multi-State Models)

تمثل النماذج متعددة الحالات (Multi-State Models) الإطار الرياضي والإحصائي الأشمل والأكثر تطوراً لوصف ومحاكاة وتتبع المسارات المرضية المزمنة والمعقدة. في هذا الإطار، يُنظر إلى التاريخ المرضي للشخص كعملية عشوائية زمنية ينتقل فيها الفرد عبر سلسلة من “الحالات” (States) المنفصلة نوعياً، والتي تعبر عن مراحل التعافي، والانتكاس، والاستقرار، والتدهور، والوفاة.

تتنوع بنية هذه النماذج بحسب تعقيد المرض؛ بدءاً من أبسط أشكالها وهو نموذج المرض والوفاة (Illness-Death Model) الذي يضم ثلاث حالات (سليم $to$ مريض $to$ متوفى، مع إمكانية الانتقال المباشر من سليم إلى متوفى)، ووصولاً إلى نماذج شبكية متعددة المسارات تتيح الانتقال العكسي والمتكرر (مثل: تشخيص مبدئي $\rightleftharpoons$ هدأة علاجية مستقرة $\rightleftharpoons$ انتكاسة حادة $to$ انتحار/وفاة).

تقوم النمذجة الإحصائية على تقدير معدلات الانتقال اللحظية (Transition Hazards) بين الحالات المختلفة $\alpha_{rs}(t)$، والتي تمثل معدل الخطر اللحظي للانتقال من الحالة $r$ إلى الحالة $s$ عند اللحظة $t$ كدالة في المتغيرات المصاحبة للمريض:

$$\alpha_{rs}(t mid \mathbf{X}) = \lim_{\Delta t to 0} \frac{P(S(t + \Delta t) = s mid S(t) = r, \mathbf{X})}{\Delta t}$$

انطلاقاً من هذه المعدلات الانتقالية، وباستخدام نظرية العمليات العشوائية ومصفوفات الانتقال ومقدرات ألين-يوهانسن (Aalen-Johansen Estimators)، يمكن حساب احتمالات وجود المريض في أي حالة مرضية معينة عند أي نقطة زمنية مستقبلية، فضلاً عن تقدير متوسط زمن البقاء المتوقع داخل كل حالة (Sojourn Time). توفر هذه النماذج لأطباء النفس والباحثين السلوكيين فهماً غير مسبوق للديناميات المعقدة للاضطرابات النفسية طويلة الأمد وتأثير التدخلات العلاجية في إبطاء الانتقال نحو الحالات المتدهورة أو تسريع العودة نحو حالات التعافي والاستقرار الوظيفي.

11. تطبيقات تحليل البقاء في العلوم النفسية والسلوكية والطب النفسي

11.1 دراسات الانتكاسة والتعافي من الإدمان والاضطرابات المزاجية

تعتبر دراسة مسارات الانتكاسة والتعافي من أكثر الحقول النفسية استفادة من أدوات تحليل البقاء. ففي أبحاث اضطرابات تعاطي المواد المخدرة (Substance Use Disorders)، يمثل قياس الزمن المنقضي حتى حدوث أول تعاطٍ (Lapse) أو العودة للتعاطي المنتظم الإدماني (Relapse) بعد إنهاء برامج التأهيل المعيار الإكلينيكي الحاسم لتقييم نجاح البروتوكولات العلاجية السلوكية والدوائية.

يسمح توظيف منحنيات كابلان-ماير ونماذج كوكس برسم المسار الزمني التفصيلي لمخاطر الانتكاسة؛ حيث أظهرت التطبيقات الميدانية أن خطر الانتكاسة لا يكون موزعاً بالتساوي عبر الزمن، بل يتركز بكثافة قصوى في الشهور الثلاثة الأولى التي تعقب مغادرة المصحات التأهيلية، ثم يتناقص تدريجياً وبصورة ملحوظة بعد تجاوز حاجز العام الأول من التعافي المستمر. ويسهم تحليل البقاء متعدد المتغيرات في كشف التفاعلات المعقدة بين العوامل البيولوجية (مثل شدة الاعتماد الجسدي) والعوامل النفسية المعرفية (كالكفاءة الذاتية المدركة، ومهارات ضبط الانفعال، والاستجابة للمثيرات الشرطية البيئية المحفزة للتعاطي).

وفي مجال الاضطرابات المزاجية، وخاصة الاكتئاب الجسيم (Major Depressive Disorder) والاضطراب ثنائي القطب (Bipolar Disorder)، يُستخدم تحليل البقاء لتقييم فاعلية العلاج المعرفي السلوكي (CBT) والعلاجات الدوائية الوقائية في تمديد الفترات الخالية من النوبات المزاجية (Remission Duration). وقد أثبتت الدراسات التتبعية المستندة لنماذج كوكس ونماذج الأحداث المتكررة أن دمج العلاج النفسي مع العلاج الدوائي يحقق خفضاً جوهرياً في نسب خطر الانتكاسة ($\text{HR} \approx 0.60$) مقارنة بالعلاج الدوائي المنفرد، مع إظهار أثر الدعم النفسي المستمر في حماية المرضى من تكرار النوبات على المدى البعيد.

11.2 معدلات التسرب من العلاج النفسي والالتزام الدوائي

يمثل التسرب غير المخطط للمرضى (Treatment Drop-out) من جلسات العلاج النفسي وتجارب التدخلات السلوكية تحدياً إكلينيكياً ومنهجياً بالغ الأثر؛ إذ يقوض من فاعلية الرعاية الصحية ويهدر الموارد العلاجية. يوفر تحليل البقاء إطاراً متقدماً لتتبع الديناميات الزمنية لتسرب المرضى والتعامل الدقيق مع التمييز الحاسم بين إنهاء العلاج بنجاح نتيجة التحسن السريري (وهو حدث متنافس أو رقابة) والانسحاب المبكر الناجم عن الإحباط أو عدم الرضا.

عند نمذجة زمن الانسحاب من العلاج النفسي، يُظهر تحليل دالة الخطر أن احتمالية التسرب تبلغ ذروتها غالباً بين الجلسة الثانية والرابعة؛ وهي الفترة الحرجة التي تبدأ فيها متطلبات العلاج والمواجهة المعرفية في الظهور قبل أن تتبلور ثمار التحسن العيادي. وبإدخال المتغيرات المصاحبة في نماذج الانحدار، كشفت الأبحاث النفسية أن قوة التحالف العلاجي (Therapeutic Alliance) المقاسة في الجلسة الأولى تمثل أقوى متنبئ وقائي يخفض من معدل خطر التسرب بنسب تتجاوز 40% لكل زيادة بدرجة معيارية في مقياس الرابطة العلاجية.

كما يمتد التطبيق إلى دراسات الالتزام بتناول الأدوية النفسية (Medication Adherence)، مثل مضادات الذهان ومثبتات المزاج، حيث يُعرَّف الحدث بأنه التوقف الذاتي عن تناول الدواء لفترة تتجاوز أسبوعين متتاليين. يتيح تحليل البقاء تحديد التأثيرات الزمنية المتباينة للآثار الجانبية الدوائية (كزيادة الوزن والخمول الحركي) والوصمة الاجتماعية المرتبطة بالمرض، وتحديد النوافذ الزمنية الأكثر حرجاً التي تتطلب تدخلاً نفسياً مكثفاً لتعزيز دافعية الالتزام الدوائي ومنع التدهور السريري اللاحق.

11.3 علم الأوبئة النفسية وزمن ظهور الاضطرابات العقلية (Age-at-Onset)

في علم الأوبئة النفسية (Psychiatric Epidemiology)، يحتل تحليل “العمر عند ظهور أول نوبة للمرض” (Age-at-Onset) مكانة مركزية لفهم المسببات التطورية والمسارات النمائية للاضطرابات العقلية. وتواجه هذه الدراسات الوبائية تحديات هيكلية تشمل الرقابة اليمنى الواسعة (للأفراد الذين لم يطوروا المرض حتى وقت المسح) والاقتطاع الأيسر الحاد المرتبط بآليات المعاينة والمسوح الميدانية الوطنية.

يمكّن توظيف تقنيات تحليل البقاء المصححة للاقتطاع الأيسر الباحثين من تقدير منحنيات الخطر التراكمي الحقيقية عبر دورة الحياة (Lifetime Cumulative Risk Curves) لاضطرابات القلق، والفصام، واضطرابات الشخصية دون الوقوع في تحيزات المعاينة الاسترجاعية. وقد كشفت هذه النماذج أن اضطرابات القلق والرهاب الاجتماعي تمتلك ذروات مبكرة جداً لظهور الخطر تبدأ في مرحلة الطفولة المتأخرة والمراهقة المبكرة (بين سن 10 و15 عاماً)، بينما تتركز النوافذ الزمنية الحرجة لظهور الاضطرابات الذهانية ونوبات الفصام الأولى في مرحلة الشباب المبكر (بين سن 18 و25 عاماً).

علاوة على ذلك، يتيح إدراج المتغيرات المصاحبة الجينية والبيئية في نماذج كوكس ونماذج الضعف (Frailty Models) استكشاف التفاعل المعقد بين “الاستعداد الوراثي” (Genetic Vulnerability) والتعرض لـ “الصدمات الحياتية المبكرة” (Early Life Adversity)؛ حيث تظهر التحليلات أن وجود مؤشرات جينية مرتفعة مقترنة بخبرات الإساءة في الطفولة يسرع بصورة دراماتيكية من توقيت ظهور الاضطرابات المزاجية والذهانية، محولاً منحنى الخطر نحو فئات عمرية أصغر بكثير مقارنة بالأفراد الذين نشأوا في بيئات آمنة وداعمة.

12. الآفاق المستقبلية: التكامل مع التعلم الآلي والبرمجيات الإحصائية

12.1 غابات البقاء العشوائية والتعلم العميق للبقاء (Machine Learning for Survival)

يشهد ميدان تحليل البقاء في الحقبة الراهنة ثورة تكنولوجية ومعرفية هائلة يقودها الاندماج العميق مع خوارزميات التعلم الآلي والذكاء الاصطناعي، مما مكن الباحثين من تجاوز القيود الهيكلية للنماذج الإحصائية التقليدية والتعامل الكفؤ مع البيانات فائقة التعقيد، وغير الخطية، وعالية الأبعاد (High-Dimensional Data) كبيانات الجينوم، والمؤشرات الحيوية العصبية، وسجلات المراقبة السلوكية الرقمية اللحظية.

تبرز غابات البقاء العشوائية (Random Survival Forests – RSF)، التي طورها إيشواران وزملاؤه عام 2008، كواحدة من أقوى المنهجيات التجميعية اللامعلمية. تعتمد RSF على بناء مئات من أشجار البقاء المستقلة، حيث يتم تقسيم العقد الشجرية باستخدام معايير رتبة السجلات لتعظيم التباين في البقاء بين الفروع. تكمن القوة الهائلة لغابات البقاء في قدرتها التلقائية والفطرية على اكتشاف وتضمين التفاعلات المعقدة متعددة الأبعاد بين مئات المتغيرات المستقلة دون الحاجة لفرض شروط خطية أو استيفاء فرضية المخاطر النسبية، مع توفير مقاييس دقيقة لأهمية المتغيرات التنبؤية (Variable Importance – VIMP).

وفي مسار موازٍ، حقق التعلم العميق للبقاء (Deep Learning for Survival) قفزات نوعية من خلال شبكات عصبية اصطناعية رائدة مثل DeepSurv؛ وهو نموذج شبكة عصبية عميقة غير خطية توسع وتعمم نموذج كوكس عبر استخدام طبقات عصبية خفية لتعلم التمثيلات المعقدة للمتغيرات المصاحبة قبل تغذيتها في دالة الإمكان الجزئي لكوكس. كما ظهرت نماذج توليدية متقدمة مثل DeepHit التي تعتمد على الشبكات العصبية العميقة لنمذجة التوزيع الاحتمالي المشترك لبيانات البقاء في وجود مخاطر متنافسة متعددة دون فرض أي قيود توزيعية أو نسبية مسبقة، مما يفتح آفاقاً تنبؤية غير مسبوقة في الرعاية الصحية الشخصية والتشخيص النفسي الدقيق.

12.2 التطبيق العملي والبرمجيات الإحصائية (R وPython وSPSS)

تتوفر أدوات ونماذج تحليل البقاء عبر منظومة واسعة من البيئات البرمجية الإحصائية المتقدمة، وتتباين هذه البيئات في مرونتها الحسابية وقدراتها الرسومية بما يلائم احتياجات مختلف الباحثين:

  • لغة R الإحصائية: تمثل المعيار الذهبي والبيئة الأكثر تطوراً وغزارة لتحليل البقاء عالمياً. تضم حزمة survival الأساسية التي صممها تيري ثيرنو كافة الوظائف المرجعية لبناء نماذج كابلان-ماير، ونماذج كوكس، والتحليل الطبقي، والبواقي التشخيصية. وتكملها حزمة survminer المبنية على ggplot2 لإنتاج مخططات ورسوم بيانية فائقة الجمال والجاهزية للنشر الأكاديمي، بينما تتيح حزم مثل timereg تطبيق نماذج آلين الجمعية، وتوفر حزمتا randomForestSRC وcmprsk حلولاً متقدمة للغابات العشوائية والمخاطر المتنافسة.
  • لغة Python: برزت كخيار قوي يدمج تحليل البقاء في مسارات التعلم الآلي وهندسة البيانات الضخمة بفضل مكتبة lifelines المتكاملة، والتي تقدم واجهة برمجية أنيقة وسهلة الاستخدام لتقدير نماذج كابلان-ماير، ونيلسون-آلين، وكوكس، ونماذج AFT البارامترية بالكامل. وتوفر مكتبة scikit-survival تكاملاً متقدماً يدمج نماذج البقاء مع بيئة scikit-learn المعيارية، مما يتيح استخدام خوارزميات الانحدار المعاقب (Lasso and Ridge Survival)، وآلات المتجهات الداعمة للبقاء (Survival SVM)، والغابات العشوائية.
  • حزمة IBM SPSS Statistics: تمثل الخيار المفضل للعديد من الباحثين الإكلينيكيين والأطباء النفسيين بفضل واجهتها الرسومية المباشرة. تتيح قوائم SPSS إجراء تحليلات كابلان-ماير، واختبارات رتبة السجلات، ونماذج كوكس للمتغيرات الثابتة والممتدة زمنياً بسهولة، إلا أنها تظل محدودة القدرات فيما يتعلق بالنماذج المتقدمة كالمخاطر المتنافسة، ونماذج الأحداث المتكررة المعقدة، والتعلم الآلي للبقاء، مما يستلزم في كثير من الأحيان الانتقال لبيئتي R أو Python.

12.3 أفضل الممارسات المنهجية لإعداد تقارير تحليل البقاء وفق المعايير الأكاديمية

لضمان الرصانة العلمية، والشفافية المنهجية، وقابلية إعادة الإنتاج (Reproducibility) للدراسات المنشورة في المجلات العلمية المحكمة، وضعت الجمعيات الأكاديمية الدولية (مثل جمعية علم النفس الأمريكية APA ومبادرة بيان STROBE للدراسات الوبائية التتبعية) مجموعة من الإرشادات الصارمة لإعداد تقارير تحليل البقاء:

  • التوصيف الشفاف لآلية المتابعة والرقابة: يجب تحديد النقطة الزمنية المرجعية لخط الأساس بدقة، وتعريف الحدث بوضوح لا يقبل اللبس، وتحديد المدى الزمني التتبعي بدقة مع ذكر وسيط زمن المتابعة (Median Follow-up Time)، وتقديم تقرير كمي مفصل يوضح نسب وحالات الرقابة موزعة بحسب أسبابها (انتهاء الدراسة، التسرب، الوفاة بأسباب أخرى).
  • عرض تقديرات البقاء وفترات الثقة: عند عرض جداول ومنحنيات كابلان-ماير، يتعين إدراج جداول “الأعداد المعرضة للخطر” (Number at Risk Table) أسفل المحور الزمني للمنحنى عند فترات منتظمة، مع ذكر الوسيط الزمني للبقاء المقدر مقروناً بفترة ثقة 95%، وتجنب الاكتفاء بذكر المتوسطات الحسابية المضللة.
  • الشفافية في تقييم ونمذجة انحدار كوكس: يجب على الباحثين تقديم تقرير صريح وواضح عن كيفية التحقق من فرضية المخاطر النسبية (مع إدراج نتائج اختبار بواقي شوينفيلد وقيمها الاحتمالية)، وتفصيل أسلوب التعامل مع الأحداث المتشابكة، وعرض قيم نسب المخاطر (HR) مرفقة بفترات الثقة 95% بدقة رقمية، والإفصاح الكامل عن بواقي جودة ملاءمة النموذج وتشخيص القيم الشاذة، مع إتاحة الشيفرات البرمجية والبيانات المجهولة الهوية لضمان التحقق العلمي المستقل.

خاتمة

ختاماً لهذه الجولة الشاملة في رحاب تحليل البقاء، يتجلى لنا بوضوح أن هذا الفرع الإحصائي المتقدم يمثل ضرورة منهجية لا غنى عنها لكل باحث يسعى لفهم ديناميات الظواهر النفسية، السلوكية، والطبية عبر الزمن بأقصى درجات الدقة والموضوعية. إن قدرة تحليل البقاء الفريدة على استيعاب وتطويع بيانات الرقابة والاقتطاع، ودمج المتغيرات المصاحبة المتعددة عبر النماذج شبه البارامترية والبارامترية والجمعية، تجعل منه جسراً متيناً يربط بين التصميم المنهجي الرصين والقرارات الإكلينيكية المستنيرة.

ومع تسارع وتيرة الابتكار التقني واندماج أساليب البقاء مع خوارزميات التعلم الآلي والبيانات الضخمة، ينفتح أفق واعد أمام العلوم السلوكية لتطوير نماذج تنبؤية فائقة الدقة تراعي الخصوصية الفردية للمرضى وتوفر فهماً عميقاً لمسارات التعافي والانتكاسة. إن التسلح بالأسس النظرية والتطبيقية الصارمة لتحليل البقاء هو السبيل الأمثل للارتقاء بجودة الأبحاث المنشورة وضمان مساهمتها الفعالة في تطوير الممارسة الإكلينيكية وتحسين جودة حياة الأفراد والمجتمعات.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 26). جولة في تحليل البقاء. عرب سايكلوجي. https://arabpsychology.com/statistics/tour-of-survival-analysis/
looti, Mohammed. “جولة في تحليل البقاء.” عرب سايكلوجي, 26 أغسطس 2026, https://arabpsychology.com/statistics/tour-of-survival-analysis/.
looti, Mohammed. “جولة في تحليل البقاء.” عرب سايكلوجي. أغسطس 26, 2026. https://arabpsychology.com/statistics/tour-of-survival-analysis/.