[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20t%C3%ADch%20s%E1%BB%91ng%20s%C3%B3t{\"limit\":5}":3,"_public_topic_byId_phân tích sống sót":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":17,"englishTitle":18,"synonyms":19,"definition":23,"discipline":24,"references":25,"faqs":60,"createUser":70,"publishUser":74,"keywords":78,"keywordCount":75,"enrichTopicLink":79,"status":80,"createTime":81,"updateTime":82,"publishTime":83,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":84,"relateTopics":85},"phân tích sống sót","Phân tích sống sót: Khái niệm, mô hình và ứng dụng","Phân tích sống sót là phân ngành thống kê chuyên mô hình hóa thời gian đến biến cố với dữ liệu kiểm duyệt, ứng dụng rộng rãi trong y sinh và kinh tế.","\u003Cp>Phân tích sống sót là một phân ngành quan trọng của thống kê toán học chuyên nghiên cứu và mô hình hóa khoảng thời gian từ một mốc xác định cho đến khi một sự kiện quan tâm xảy ra, đồng thời xử lý đặc tính dữ liệu bị kiểm duyệt do quá trình theo dõi không trọn vẹn. Phương pháp này đóng vai trò nền tảng trong nghiên cứu y sinh học, dịch tễ học lâm sàng, kỹ thuật độ tin cậy công nghiệp, kinh tế lượng và khoa học xã hội. Mục từ này phân tích toàn diện các nền tảng giải tích của hàm sống sót và hàm rủi ro, phương pháp ước lượng phi tham số Kaplan-Meier, mô hình hồi quy bán tham số rủi ro tỷ lệ Cox, mô hình nguy cơ cạnh tranh Fine-Gray, các bước tiến mở rộng sang học máy và các cạm bẫy phương pháp luận cần kiểm soát.\u003C\u002Fp>\n\n\u003Ch2>Bản chất toán học và các khái niệm nền tảng\u003C\u002Fh2>\n\n\u003Cp>Điểm khác biệt cốt lõi giữa phân tích sống sót và các kỹ thuật hồi quy cổ điển là sự hiện diện bắt buộc của biến thời gian liên tục không âm kết hợp với hiện tượng dữ liệu bị kiểm duyệt (censoring). Giả sử thời gian từ thời điểm bắt đầu quan sát cho đến khi xuất hiện biến cố của một cá thể là biến ngẫu nhiên liên tục \u003Cscript type=\"math\u002Ftex\">T \\ge 0\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch3>Hiện tượng dữ liệu bị kiểm duyệt\u003C\u002Fh3>\n\n\u003Cp>Dữ liệu kiểm duyệt phát sinh khi thông tin về thời điểm xảy ra sự kiện của đối tượng quan sát chỉ được ghi nhận một phần:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Kiểm duyệt phải (Right censoring):\u003C\u002Fstrong> Dạng kiểm duyệt phổ biến nhất trong thực tế, xuất hiện khi thời gian nghiên cứu kết thúc trước khi cá thể gặp biến cố, hoặc đối tượng mất liên lạc trong quá trình theo dõi. Ta chỉ biết rằng thời gian sống sót thực tế lớn hơn thời gian quan sát ghi nhận.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Kiểm duyệt trái (Left censoring):\u003C\u002Fstrong> Xuất hiện khi biến cố đã xảy ra tại một thời điểm không xác định trước khi đối tượng bước vào quy trình theo dõi.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Kiểm duyệt khoảng (Interval censoring):\u003C\u002Fstrong> Biến cố được ghi nhận là đã diễn ra trong một khoảng thời gian xác định giữa hai lần thăm khám liên tiếp, nhưng mốc thời gian chính xác không được biết.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>Hầu hết các kỹ thuật ước lượng chuẩn yêu cầu giả định kiểm duyệt không mang tính cung cấp thông tin (non-informative censoring), nghĩa là xác suất một cá thể bị kiểm duyệt tại thời điểm bất kỳ không phụ thuộc vào nguy cơ tiềm ẩn gặp biến cố của chính cá thể đó.\u003C\u002Fp>\n\n\u003Ch3>Các hàm toán học cốt lõi\u003C\u002Fh3>\n\n\u003Cp>Phân phối xác suất của biến thời gian sống sót \u003Cscript type=\"math\u002Ftex\">T\u003C\u002Fscript> được mô tả hoàn chỉnh thông qua ba hàm giải tích liên hệ mật thiết với nhau:\u003C\u002Fp>\n\n\u003Cp>\u003Cstrong>1. Hàm phân phối tích lũy và hàm sống sót:\u003C\u002Fstrong> Gọi \u003Cscript type=\"math\u002Ftex\">f(t)\u003C\u002Fscript> là hàm mật độ xác suất của thời gian sống sót. Hàm phân phối tích lũy \u003Cscript type=\"math\u002Ftex\">F(t)\u003C\u002Fscript> đo lường xác suất biến cố xảy ra trước hoặc tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">F(t) = P(T \\le t) = \\int_0^t f(u) du\u003C\u002Fscript>\n\n\u003Cp>Hàm sống sót (survival function), ký hiệu là \u003Cscript type=\"math\u002Ftex\">S(t)\u003C\u002Fscript>, biểu diễn xác suất một cá thể duy trì trạng thái sống sót vượt qua mốc thời gian \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">S(t) = P(T > t) = 1 - F(t) = \\int_t^\\infty f(u) du\u003C\u002Fscript>\n\n\u003Cp>Hàm sống sót có các tính chất giải tích căn bản: là hàm đơn điệu giảm trên miền thời gian không âm, thỏa mãn \u003Cscript type=\"math\u002Ftex\">S(0) = 1\u003C\u002Fscript> và giới hạn \u003Cscript type=\"math\u002Ftex\">\\lim_{t \\to \\infty} S(t) = 0\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Cp>\u003Cstrong>2. Hàm tỷ lệ rủi ro (Hazard function):\u003C\u002Fstrong> Ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\lambda(t)\u003C\u002Fscript>, hàm tỷ lệ rủi ro đo lường cường độ hoặc tốc độ xảy ra biến cố tức thời trên mỗi đơn vị thời gian tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>, với điều kiện cá thể đã sống sót tới thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\lambda(t) = \\lim_{\\Delta t \\to 0} \\frac{P(t \\le T \u003C t + \\Delta t \\mid T \\ge t)}{\\Delta t} = \\frac{f(t)}{S(t)} = -\\frac{d \\ln S(t)}{dt}\u003C\u002Fscript>\n\n\u003Cp>\u003Cstrong>3. Hàm rủi ro tích lũy (Cumulative hazard function):\u003C\u002Fstrong> Ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\Lambda(t)\u003C\u002Fscript>, biểu diễn tổng lượng rủi ro tích lũy từ thời điểm bắt đầu quan sát tới thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\Lambda(t) = \\int_0^t \\lambda(u) du = -\\ln S(t)\u003C\u002Fscript>\n\n\u003Cp>Từ mối quan hệ vi tích phân này, hàm sống sót có thể biểu diễn tường minh qua hàm rủi ro tích lũy:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">S(t) = \\exp(-\\Lambda(t)) = \\exp\\left(-\\int_0^t \\lambda(u) du\\right)\u003C\u002Fscript>\n\n\u003Ch2>Phương pháp ước lượng phi tham số\u003C\u002Fh2>\n\n\u003Cp>Khi quy luật phân phối xác suất nền của thời gian sống sót không được biết trước, các phương pháp phi tham số (non-parametric methods) được ưu tiên sử dụng để ước lượng hàm sống sót trực tiếp từ dữ liệu mẫu có kiểm duyệt.\u003C\u002Fp>\n\n\u003Ch3>Ước lượng giới hạn tích Kaplan-Meier\u003C\u002Fh3>\n\n\u003Cp>Được đề xuất bởi Kaplan và Meier (1958), ước lượng giới hạn tích (product-limit estimator) là phương pháp chuẩn mực bậc nhất trong phân tích sống sót. Giả sử trong tập dữ liệu mẫu có các mốc thời gian xảy ra biến cố phân biệt được sắp xếp theo thứ tự tăng dần là \u003Cscript type=\"math\u002Ftex\">t_1 \u003C t_2 \u003C \\dots \u003C t_k\u003C\u002Fscript>. Tại mỗi thời điểm \u003Cscript type=\"math\u002Ftex\">t_i\u003C\u002Fscript>, gọi \u003Cscript type=\"math\u002Ftex\">d_i\u003C\u002Fscript> là số lượng cá thể gặp biến cố và \u003Cscript type=\"math\u002Ftex\">n_i\u003C\u002Fscript> là số lượng cá thể còn nguy cơ (risk set) ngay trước mốc \u003Cscript type=\"math\u002Ftex\">t_i\u003C\u002Fscript>. Công thức ước lượng Kaplan-Meier cho hàm sống sót tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript> được tính theo tích dồn xác suất có điều kiện:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{S}(t) = \\prod_{t_i \\le t} \\left(1 - \\frac{d_i}{n_i}\\right)\u003C\u002Fscript>\n\n\u003Cp>Đường cong Kaplan-Meier là một hàm bậc thang giảm gián đoạn tại các thời điểm xảy ra biến cố. Các đối tượng bị kiểm duyệt giữa hai mốc biến cố liên tiếp không làm thay đổi trực tiếp giá trị của hàm sống sót, nhưng làm giảm số lượng cá thể thuộc tập nguy cơ \u003Cscript type=\"math\u002Ftex\">n_i\u003C\u002Fscript> ở các mốc thời gian tiếp sau.\u003C\u002Fp>\n\n\u003Cp>Phương sai của ước lượng Kaplan-Meier được tính xấp xỉ thông qua công thức Greenwood:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\widehat{\\text{Var}}(\\hat{S}(t)) = [\\hat{S}(t)]^2 \\sum_{t_i \\le t} \\frac{d_i}{n_i (n_i - d_i)}\u003C\u002Fscript>\n\n\u003Cp>Từ phương sai này, khoảng tin cậy tiệm cận của xác suất sống sót tại từng mốc thời gian được thiết lập dựa trên phân phối chuẩn.\u003C\u002Fp>\n\n\u003Ch3>Kiểm định Log-Rank\u003C\u002Fh3>\n\n\u003Cp>Để so sánh hàm sống sót giữa hai hay nhiều nhóm độc lập (ví dụ nhóm can thiệp và nhóm đối chứng), kiểm định log-rank là công cụ phi tham số phổ biến nhất. Kiểm định này kiểm tra giả thuyết vô hiệu cho rằng các đường cong sống sót của các nhóm là đồng nhất trên toàn bộ thời gian theo dõi.\u003C\u002Fp>\n\n\u003Cp>Tại mỗi thời điểm biến cố \u003Cscript type=\"math\u002Ftex\">t_i\u003C\u002Fscript>, kiểm định thiết lập bảng ngẫu nhiên phân chia số ca biến cố thực tế quan sát được và số ca biến cố kỳ vọng theo giả thuyết vô hiệu dựa trên tỷ lệ tập nguy cơ của từng nhóm. Thống kê kiểm định có phân phối xấp xỉ Chi bình phương khi cỡ mẫu đủ lớn.\u003C\u002Fp>\n\n\u003Ch2>Mô hình hồi quy bán tham số rủi ro tỷ lệ Cox\u003C\u002Fh2>\n\n\u003Cp>Trong nghiên cứu thực nghiệm, các nhà khoa học thường cần đánh giá đồng thời tác động của nhiều biến giải thích (hiệp biến định lượng hoặc định tính) lên thời gian sống sót. Mô hình rủi ro tỷ lệ do Cox (1972) đề xuất là bước đột phá kết hợp giữa cấu trúc bán tham số linh hoạt và khả năng ước lượng hiệu quả.\u003C\u002Fp>\n\n\u003Ch3>Cấu trúc mô hình\u003C\u002Fh3>\n\n\u003Cp>Mô hình Cox giả định rằng hàm tỷ lệ rủi ro của một cá thể mang vector hiệp biến \u003Cscript type=\"math\u002Ftex\">X = (X_1, X_2, \\dots, X_p)^T\u003C\u002Fscript> tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript> có dạng tích phân tách biệt giữa thành phần thời gian và thành phần hiệp biến:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\lambda(t \\mid X) = \\lambda_0(t) \\exp(\\beta^T X) = \\lambda_0(t) \\exp\\left(\\sum_{j=1}^p \\beta_j X_j\\right)\u003C\u002Fscript>\n\n\u003Cp>Trong cấu trúc này:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\lambda_0(t)\u003C\u002Fscript> là hàm rủi ro nền (baseline hazard), đại diện cho mức rủi ro tức thời của cá thể khi toàn bộ các biến hiệp biến nhận giá trị 0. Thành phần này hoàn toàn phi tham số, không đòi hỏi bất kỳ giả định nào về dạng phân phối toán học của thời gian.\u003C\u002Fli>\n\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta = (\\beta_1, \\beta_2, \\dots, \\beta_p)^T\u003C\u002Fscript> là vector hệ số hồi quy tham số cần ước lượng.\u003C\u002Fli>\n\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\exp(\\beta^T X)\u003C\u002Fscript> là hàm số mũ đảm bảo tỷ lệ rủi ro luôn nhận giá trị dương.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>Ý nghĩa của tỷ số nguy cơ (Hazard Ratio)\u003C\u002Fh3>\n\n\u003Cp>Xét hai cá thể có vector hiệp biến lần lượt là \u003Cscript type=\"math\u002Ftex\">X^*\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript>. Tỷ số nguy cơ (Hazard Ratio, ký hiệu là HR) giữa hai cá thể này được xác định bởi:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">HR = \\frac{\\lambda(t \\mid X^*)}{\\lambda(t \\mid X)} = \\frac{\\lambda_0(t) \\exp(\\beta^T X^*)}{\\lambda_0(t) \\exp(\\beta^T X)} = \\exp(\\beta^T (X^* - X))\u003C\u002Fscript>\n\n\u003Cp>Đặc điểm nổi bật của mô hình Cox là thành phần hàm rủi ro nền \u003Cscript type=\"math\u002Ftex\">\\lambda_0(t)\u003C\u002Fscript> bị triệt tiêu hoàn toàn khi lập tỷ số. Do đó, tỷ số nguy cơ là một đại lượng không đổi theo thời gian. Nếu biến hiệp biến \u003Cscript type=\"math\u002Ftex\">X_j\u003C\u002Fscript> tăng thêm 1 đơn vị trong khi các biến khác giữ nguyên, tỷ số nguy cơ thay đổi theo hệ số \u003Cscript type=\"math\u002Ftex\">\\exp(\\beta_j)\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_j > 0 \\implies \\exp(\\beta_j) > 1\u003C\u002Fscript>: Biến hiệp biến làm gia tăng nguy cơ biến cố (yếu tố nguy cơ).\u003C\u002Fli>\n\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_j \u003C 0 \\implies \\exp(\\beta_j) \u003C 1\u003C\u002Fscript>: Biến hiệp biến làm suy giảm nguy cơ biến cố (yếu tố bảo vệ).\u003C\u002Fli>\n\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_j = 0 \\implies \\exp(\\beta_j) = 1\u003C\u002Fscript>: Biến hiệp biến không có tác động đến tỷ lệ rủi ro.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>Ước lượng hợp lý từng phần (Partial Likelihood)\u003C\u002Fh3>\n\n\u003Cp>Cox (1972) đã phát triển phương pháp ước lượng hợp lý từng phần (partial likelihood) cho phép ước lượng vector hệ số \u003Cscript type=\"math\u002Ftex\">\\beta\u003C\u002Fscript> mà không cần quan tâm đến dạng hàm của \u003Cscript type=\"math\u002Ftex\">\\lambda_0(t)\u003C\u002Fscript>. Hàm hợp lý từng phần dựa trên thông tin về thứ tự xảy ra các biến cố:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">L(\\beta) = \\prod_{i=1}^k \\frac{\\exp(\\beta^T X_i)}{\\sum_{j \\in R(t_i)} \\exp(\\beta^T X_j)}\u003C\u002Fscript>\n\n\u003Cp>với \u003Cscript type=\"math\u002Ftex\">R(t_i)\u003C\u002Fscript> là tập hợp các cá thể còn nguy cơ ngay trước thời điểm xảy ra biến cố \u003Cscript type=\"math\u002Ftex\">t_i\u003C\u002Fscript>, và \u003Cscript type=\"math\u002Ftex\">X_i\u003C\u002Fscript> là vector hiệp biến của cá thể gặp biến cố tại mốc thời gian đó.\u003C\u002Fp>\n\n\u003Ch2>Phân tích nguy cơ cạnh tranh (Competing Risks)\u003C\u002Fh2>\n\n\u003Cp>Trong nhiều nghiên cứu lâm sàng và dịch tễ học, đối tượng quan sát có thể gặp phải nhiều loại biến cố loại trừ lẫn nhau, trong đó sự xuất hiện của một loại biến cố sẽ ngăn chặn hoàn toàn hoặc làm thay đổi căn bản khả năng xảy ra của biến cố quan tâm chính (ví dụ: tử vong do bệnh tim mạch đóng vai trò là nguy cơ cạnh tranh đối với nghiên cứu về tử vong do ung thư).\u003C\u002Fp>\n\n\u003Cp>Nếu coi các biến cố cạnh tranh đơn thuần là dữ liệu kiểm duyệt phải, ước lượng Kaplan-Meier truyền thống sẽ vi phạm giả định kiểm duyệt độc lập và dẫn đến việc thổi phồng quá mức xác suất tích lũy của biến cố quan tâm. Để khắc phục triệt để sai số này, hàm tỷ lệ mắc tích lũy (Cumulative Incidence Function - CIF) và mô hình rủi ro phân phối phụ của Fine và Gray (1999) được áp dụng.\u003C\u002Fp>\n\n\u003Cp>Mô hình Fine-Gray thiết lập hồi quy trực tiếp trên hàm rủi ro phân phối phụ \u003Cscript type=\"math\u002Ftex\">\\gamma_1(t \\mid X)\u003C\u002Fscript> của biến cố quan tâm (loại 1):\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\gamma_1(t \\mid X) = \\gamma_{0}(t) \\exp(\\beta^T X)\u003C\u002Fscript>\n\n\u003Cp>với \u003Cscript type=\"math\u002Ftex\">\\gamma_{0}(t)\u003C\u002Fscript> là hàm rủi ro phân phối phụ nền. Mô hình này duy trì các cá thể đã gặp biến cố cạnh tranh trong tập nguy cơ hiệu chỉnh, đảm bảo ước lượng chính xác xác suất tích lũy thực tế của biến cố trong quần thể quan sát.\u003C\u002Fp>\n\n\u003Ch2>Mở rộng phương pháp với học máy\u003C\u002Fh2>\n\n\u003Cp>Sự phát triển mạnh mẽ của khoa học dữ liệu và y học cá thể hóa đã thúc đẩy tích hợp các thuật toán học máy hiện đại vào phân tích dữ liệu sống sót có kiểm duyệt:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Rừng sống sót ngẫu nhiên (Random Survival Forests - RSF):\u003C\u002Fstrong> Được phát triển bởi Ishwaran và cs. (2008), RSF là phương pháp học máy tập hợp mở rộng thuật toán rừng ngẫu nhiên cho dữ liệu kiểm duyệt phải. Bằng việc sử dụng quy tắc phân tách nút dựa trên thống kê log-rank và tổng hợp các ước lượng hàm rủi ro tích lũy Nelson-Aalen trên từng cây quyết định, RSF tự động nắm bắt các mối tương tác bậc cao phi tuyến tính giữa các biến mà không đòi hỏi giả định rủi ro tỷ lệ.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>DeepSurv:\u003C\u002Fstrong> Được giới thiệu bởi Katzman và cs. (2018), DeepSurv là mạng nơ-ron sâu nhiều tầng (deep feed-forward neural network) tối ưu hóa hàm mất mát dựa trên log-partial likelihood của Cox. DeepSurv cho phép mô hình hóa hiệu quả các quan hệ phi tuyến phức tạp giữa hệ thống biến lâm sàng và tỷ lệ rủi ro, hỗ trợ đắc lực cho việc cá nhân hóa phác đồ điều trị.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>Bảng tổng hợp dưới đây so sánh các phương pháp phân tích sống sót chủ yếu về mặt phương pháp luận và phạm vi áp dụng:\u003C\u002Fp>\n\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Phương pháp\u003C\u002Fth>\n\u003Cth>Bản chất mô hình\u003C\u002Fth>\n\u003Cth>Giả định phân phối rủi ro nền\u003C\u002Fth>\n\u003Cth>Xử lý tương tác phi tuyến\u003C\u002Fth>\n\u003Cth>Xử lý nguy cơ cạnh tranh\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Kaplan-Meier\u003C\u002Ftd>\n\u003Ctd>Phi tham số\u003C\u002Ftd>\n\u003Ctd>Không giả định\u003C\u002Ftd>\n\u003Ctd>Không áp dụng cho đa biến\u003C\u002Ftd>\n\u003Ctd>Dễ thổi phồng xác suất biến cố\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Hồi quy Cox\u003C\u002Ftd>\n\u003Ctd>Bán tham số\u003C\u002Ftd>\n\u003Ctd>Không giả định rủi ro nền\u003C\u002Ftd>\n\u003Ctd>Cần chỉ định thủ công\u003C\u002Ftd>\n\u003Ctd>Đòi hỏi mô hình rủi ro riêng biệt từng nguyên nhân\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Mô hình Fine-Gray\u003C\u002Ftd>\n\u003Ctd>Bán tham số\u003C\u002Ftd>\n\u003Ctd>Không giả định\u003C\u002Ftd>\n\u003Ctd>Cần chỉ định thủ công\u003C\u002Ftd>\n\u003Ctd>Tối ưu hóa trực tiếp trên hàm rủi ro phân phối phụ\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Random Survival Forests\u003C\u002Ftd>\n\u003Ctd>Học máy phi tham số\u003C\u002Ftd>\n\u003Ctd>Không giả định\u003C\u002Ftd>\n\u003Ctd>Tự động nắm bắt tương tác phức tạp\u003C\u002Ftd>\n\u003Ctd>Mở rộng được qua rừng ngẫu nhiên đa biến cố\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>DeepSurv\u003C\u002Ftd>\n\u003Ctd>Mạng nơ-ron sâu\u003C\u002Ftd>\n\u003Ctd>Không giả định rủi ro nền\u003C\u002Ftd>\n\u003Ctd>Mô hình hóa phi tuyến vượt trội\u003C\u002Ftd>\n\u003Ctd>Mở rộng được cho phân tích đa nhiệm\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Các cạm bẫy phương pháp luận và điều kiện kiểm soát\u003C\u002Fh2>\n\n\u003Cp>Để đảm bảo tính chuẩn xác và giá trị khoa học của kết quả phân tích sống sót, các nhà nghiên cứu cần nhận diện và kiểm soát chặt chẽ các sai lệch phương pháp luận phổ biến:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Vi phạm giả định rủi ro tỷ lệ:\u003C\u002Fstrong> Mô hình Cox đòi hỏi tỷ số nguy cơ giữa các nhóm không đổi theo thời gian. Cần kiểm tra định lượng giả định này bằng đồ thị và kiểm định thống kê phần dư Schoenfeld. Khi giả định bị vi phạm, nhà nghiên cứu phải chuyển sang sử dụng biến tương tác theo thời gian (time-varying covariates), phân tầng hồi quy (stratified Cox model) hoặc các mô hình thời gian thất bại tăng tốc (AFT).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Sai lệch bất tử (Immortal Time Bias):\u003C\u002Fstrong> Xuất hiện khi một khoảng thời gian theo dõi mà trong đó biến cố không thể xảy ra lại được gộp nhầm vào nhóm điều trị hoặc phơi nhiễm, dẫn đến việc đánh giá sai lệch hiệu quả can thiệp. Cần kiểm soát bằng cách sử dụng hiệp biến phụ thuộc thời gian (time-dependent covariates).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Kiểm duyệt mang thông tin (Informative Censoring):\u003C\u002Fstrong> Hiện tượng mất dấu theo dõi do tình trạng bệnh nhân chuyển biến nặng làm sai lệch ước lượng sống sót. Trong trường hợp này, các mô hình phân tích độ nhạy hoặc mô hình phương trình đồng thời cần được thiết lập để đánh giá mức độ ảnh hưởng của sai số kiểm duyệt.\u003C\u002Fli>\n\u003C\u002Ful>","Phân tích sống sót","survival analysis",[20,21,22],"Phân tích thời gian sống","Phân tích thời gian đến biến cố","Time-to-event analysis","Phân tích sống sót là phân ngành thống kê toán học nghiên cứu khoảng thời gian cho đến khi một sự kiện quan tâm xảy ra, đặc trưng bởi việc xử lý dữ liệu bị kiểm duyệt.","NATURAL_SCIENCES",[26,33,40,46,53],{"citationText":27,"title":28,"authors":29,"source":30,"year":31,"doi":32,"url":10},"Kaplan, E. L., & Meier, P. (1958). Nonparametric Estimation from Incomplete Observations. Journal of the American Statistical Association, 53(282), 457-481.","Nonparametric Estimation from Incomplete Observations","Kaplan, Meier","Journal of the American Statistical Association",1958,"10.1080\u002F01621459.1958.10501452",{"citationText":34,"title":35,"authors":36,"source":37,"year":38,"doi":39,"url":10},"Cox, D. R. (1972). Regression Models and Life-Tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187-220.","Regression Models and Life-Tables","Cox","Journal of the Royal Statistical Society: Series B (Methodological)",1972,"10.1111\u002Fj.2517-6161.1972.tb00899.x",{"citationText":41,"title":42,"authors":43,"source":30,"year":44,"doi":45,"url":10},"Fine, J. P., & Gray, R. J. (1999). A Proportional Hazards Model for the Subdistribution of a Competing Risk. Journal of the American Statistical Association, 94(446), 496-509.","A Proportional Hazards Model for the Subdistribution of a Competing Risk","Fine, Gray",1999,"10.1080\u002F01621459.1999.10474144",{"citationText":47,"title":48,"authors":49,"source":50,"year":51,"doi":52,"url":10},"Ishwaran, H., Kogalur, U. B., Blackstone, E. H., & Lauer, M. S. (2008). Random survival forests. The Annals of Applied Statistics, 2(3), 841-860.","Random survival forests","Ishwaran, Kogalur, Blackstone, Lauer","The Annals of Applied Statistics",2008,"10.1214\u002F08-aoas169",{"citationText":54,"title":55,"authors":56,"source":57,"year":58,"doi":59,"url":10},"Katzman, J. L., Shaham, U., Cloninger, A., Bates, J., Jiang, T., & Kluger, Y. (2018). DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC Medical Research Methodology, 18(1), 24.","DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network","Katzman, Shaham, Cloninger, Bates, Jiang, Kluger","BMC Medical Research Methodology",2018,"10.1186\u002Fs12874-018-0482-1",[61,64,67],{"question":62,"answer":63},"Phân tích sống sót khác gì so với hồi quy tuyến tính hay hồi quy logistic?","Khác với hồi quy thông thường, phân tích sống sót theo dõi đồng thời cả hai yếu tố là trạng thái xảy ra biến cố và khoảng thời gian chờ, đặc biệt xử lý được dữ liệu kiểm duyệt khi đối tượng chưa gặp biến cố tại thời điểm kết thúc nghiên cứu.",{"question":65,"answer":66},"Ước lượng Kaplan-Meier hoạt động như thế nào?","Kaplan-Meier là phương pháp phi tham số ước lượng xác suất sống sót tích lũy theo từng bước nhảy tại các mốc thời gian xảy ra biến cố, dựa trên tỷ lệ giữa số ca biến cố và số cá thể còn nguy cơ tại mốc thời gian đó.",{"question":68,"answer":69},"Mô hình rủi ro tỷ lệ Cox có ưu điểm gì nổi bật?","Mô hình Cox là mô hình bán tham số cho phép đánh giá tác động của nhiều hiệp biến lên tỷ lệ rủi ro mà không cần giả định quy luật phân phối cụ thể của thời gian sống sót nền.",{"id":71,"researcherId":10,"name":72,"imageUrl":73},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":75,"researcherId":10,"name":76,"imageUrl":77},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[13],false,"PUBLISHED","2025-12-01T09:43:02.592+00:00","2026-09-02T09:07:11.394+00:00","2026-09-02T09:07:11.387+00:00",0,[86,89,98,102,107,112,117,122,127,132],{"id":87,"title":88,"term":87,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phân tích hồi quy","Phân tích hồi quy là gì? Các nghiên cứu khoa học liên quan",{"id":90,"title":91,"term":90,"englishTitle":92,"definition":93,"discipline":24,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"dữ liệu thiếu","Dữ liệu thiếu là gì? Định nghĩa, Cấu trúc & Cơ chế chi tiết","Missing data","Dữ liệu thiếu là hiện tượng giá trị dữ liệu của một hoặc nhiều biến số không được ghi nhận hoặc lưu trữ đầy đủ trong tập dữ liệu nghiên cứu, gây sai lệch thống kê nếu không được xử lý bằng phương pháp phù hợp.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":99,"title":100,"term":99,"englishTitle":99,"definition":101,"discipline":24,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"proton","Proton là gì? Cấu trúc và ứng dụng của Proton","Proton là một hạt hạ nguyên tử bền vững thuộc nhóm baryon cấu tạo từ hai quark lên và một quark xuống, mang điện tích nguyên tố dương và có khối lượng nghỉ xấp xỉ 1.6726 x 10^-27 kg nằm trong hạt nhân nguyên tử.",{"id":103,"title":104,"term":103,"englishTitle":105,"definition":106,"discipline":24,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"nhiệt độ nóng chảy","Nhiệt độ nóng chảy là gì? Các nghiên cứu khoa học liên quan","nhiet do nong chay","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học tự nhiên, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":108,"title":109,"term":108,"englishTitle":110,"definition":111,"discipline":24,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"hằng số tốc độ","Hằng số tốc độ là gì? Các bài nghiên cứu khoa học liên quan","rate constant","Hằng số tốc độ (Reaction Rate Constant, ký hiệu k) là một hệ số tỷ lệ đặc trưng trong phương trình động học biểu thị tốc độ của phản ứng hóa học khi nồng độ của tất cả các chất phản ứng bằng đơn vị.",{"id":113,"title":114,"term":113,"englishTitle":115,"definition":116,"discipline":24,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"động vật linh trưởng","Động vật linh trưởng là gì? Tiến hóa Perelman, giải phẫu Fleagle và Estrada","primates","Động vật linh trưởng là một bộ thú có vú bậc cao đặc trưng bởi bàn tay ngón cái đối diện, thị giác lập thể 3D và vỏ não phát triển, tiến hóa qua các nhánh Mũi ướt và Mũi khô theo nghiên cứu Perelman-Fleagle.",{"id":118,"title":119,"term":118,"englishTitle":120,"definition":121,"discipline":24,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"đồng vị","Đồng vị là gì? Phân loại và ứng dụng trong khoa học hiện đại","isotope","Đồng vị là các biến thể của cùng một nguyên tố hóa học có cùng số proton trong hạt nhân nhưng khác nhau về số neutron, dẫn đến khối lượng nguyên tử khác nhau.",{"id":123,"title":124,"term":123,"englishTitle":125,"definition":126,"discipline":24,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"chu trình sinh địa hóa","Chu trình sinh địa hóa: Khái niệm, nguyên lý và ứng dụng","Biogeochemical cycle","Chu trình sinh địa hóa là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực natural sciences, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn.",{"id":128,"title":129,"term":128,"englishTitle":130,"definition":131,"discipline":24,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"ethylene","Ethylene là gì? Cấu trúc hóa học, vai trò sinh học và ứng dụng","Ethylene","Ethylene (ethene, công thức hóa học C2H4) là một hydrocarbon không no thuộc nhóm anken đơn giản nhất, tồn tại ở thể khí không màu, đồng thời là một phytohormone dạng khí điều hòa sự chín và rụng ở thực vật.",{"id":133,"title":134,"term":133,"englishTitle":135,"definition":136,"discipline":24,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"không khí ẩm","Không khí ẩm là gì? Các công bố khoa học về Không khí ẩm","moist air","Không khí ẩm là hỗn hợp nhiệt động học giữa không khí khô và hơi nước, có các thông số đặc trưng gồm độ ẩm tương đối, độ ẩm tuyệt đối và nhiệt độ điểm sương."]