Co to jest model frakcji wyleczonych?
Model frakcji wyleczonych (cure model) to model analizy przeżycia, który dopuszcza, że część badanych nigdy nie doświadczy zdarzenia. Zwykłe modele zakładają, że przy dostatecznie długiej obserwacji zdarzenie spotka każdego. Najczęstsza wersja to model mieszaninowy: S(t) = π + (1 − π)Su(t), gdzie π to frakcja wyleczonych, a Su(t) to przeżycie osób niewyleczonych (tzw. latencja). Pomysł pochodzi od Berksona i Gage’a (1952), którzy opisali przeżycie po leczeniu nowotworu odsetkiem „wyleczonych”, narażonych tylko na zwykłą umieralność, i wskaźnikiem zgonów u reszty. Przegląd modeli regresyjnych tego typu podają Amico i Van Keilegom (2018).
Kiedy go użyć?
Sygnałem jest plateau krzywej Kaplana–Meiera: po pewnym czasie krzywa przestaje opadać, a w ogonie zostaje dużo obserwacji cenzurowanych. Samo plateau nie wystarcza – potrzebna jest obserwacja wyraźnie dłuższa niż typowy czas do zdarzenia i kliniczne uzasadnienie, że wyleczenie jest możliwe.
Zysk to rozdzielenie dwóch pytań. Część „incydencji” to regresja logistyczna dla tego, czy ktoś jest wyleczony. Część „latencji” to model czasu (np. Weibulla albo Coxa) tylko dla niewyleczonych. Model Coxa zlewa oba efekty w jeden HR, a przy plateau założenie proporcjonalnych hazardów zwykle nie jest spełnione.
Przykład
W symulowanej próbie 400 pacjentów krzywe KM od 6. do 10. roku stoją na 0.345 bez leczenia i 0.598 z leczeniem. Model mieszaninowy z latencją Weibulla dał frakcję wyleczonych 0.34, 95% CI [0.28, 0.41] bez leczenia i 0.60 z leczeniem (prawdziwe 0.35 i 0.60), OR wyleczenia = 2.89 [1.91, 4.38]. Cox dał jedno HR = 0.48.
Na rysunku
Rysunek korzysta z danych z przykładu (400 pacjentów, set.seed(7222)). Do tych samych danych dopasowano model frakcji wyleczonych z przykładu i, dla porównania, zwykły model Weibulla z leczeniem jako predyktorem; oba przedłużono do 20. roku.
set.seed(7222)).Co widać. Model frakcji wyleczonych idzie za schodkami KM i od około 6. roku biegnie poziomo, na wysokości frakcji wyleczonych: 0.341 bez leczenia i 0.599 z leczeniem. Zwykły model Weibulla zakłada, że zdarzenie w końcu spotka każdego, więc nie potrafi „zatrzymać” krzywej: mniej więcej od 2. do 6. roku leży nad schodkami, potem je przecina i opada dalej. W 10. roku przewiduje 0.225 i 0.509 bez zdarzenia, choć KM stoi na 0.345 i 0.598. Po wyjściu poza dane (najdłuższa obserwacja: 11.99 roku) różnica rośnie – w 20. roku Weibull daje 0.078 i 0.316, a model frakcji wyleczonych nadal 0.341 i 0.599.
Na co uważać. Część rysunku w szarym polu to czysta ekstrapolacja: oba modele mówią tam tylko to, co wynika z ich założeń. Dane symulowano z prawdziwą frakcją wyleczonych, więc tu model mieszaninowy musiał wygrać; w prawdziwym badaniu poziomy odcinek KM może też wynikać z małej liczby osób w ryzyku (w przykładzie 12 i 28 osób w 10. roku). Podaj więc pod rysunkiem liczbę osób w ryzyku i długość obserwacji.
Podpis do pracy:
Kod rysunku jest samowystarczalny. Rysunek na stronie powstał z tego samego kodu, w którym podmieniono tylko motyw (krój czcionki, siatka).
Kod R rysunku 1
# Rysunek 1. Plateau krzywej Kaplana–Meiera: model frakcji wyleczonych vs zwykły model Weibulla
set.seed(7222) # dane z przykładu w haśle
suppressPackageStartupMessages({library(survival); library(flexsurvcure)})
library(ggplot2)
kol <- c("model frakcji wyleczonych" = "#0072B2", "zwykły Weibull" = "#D55E00") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), legend.position = "bottom",
plot.title = element_text(face = "bold", size = rel(0.95)))
n <- 400
leczenie <- rbinom(n, 1, 0.5)
p_wyl <- plogis(-0.6 + 1.0 * leczenie) # frakcja wyleczonych: 35% / 60%
wyleczony <- rbinom(n, 1, p_wyl)
T_zd <- ifelse(wyleczony == 1, Inf, rweibull(n, shape = 1.5, scale = 2))
C <- runif(n, 3, 12) # cenzurowanie administracyjne
czas <- pmin(T_zd, C); zdarzenie <- as.numeric(T_zd <= C)
dane <- data.frame(czas, zdarzenie, leczenie)
cure <- flexsurvcure(Surv(czas, zdarzenie) ~ leczenie, data = dane,
dist = "weibull", link = "logistic", mixture = TRUE)
weib <- flexsurvreg(Surv(czas, zdarzenie) ~ leczenie, data = dane, dist = "weibull")
grupy <- data.frame(leczenie = 0:1)
etyk <- c("0" = "bez leczenia", "1" = "z leczeniem")
t_siatka <- seq(0, 20, by = 0.1)
przew <- function(model, nazwa) {
s <- summary(model, newdata = grupy, t = t_siatka, ci = FALSE, tidy = TRUE)
data.frame(czas = s$time, S = s$est, grupa = etyk[as.character(s$leczenie)], model = nazwa)
}
krzywe <- rbind(przew(cure, "model frakcji wyleczonych"), przew(weib, "zwykły Weibull"))
# Przeżycie z obu modeli w 10. roku (koniec danych) i w 20. roku (ekstrapolacja)
tab <- subset(krzywe, czas %in% c(10, 20))
tab <- reshape(tab, idvar = c("grupa", "czas"), timevar = "model", direction = "wide")
names(tab) <- sub("^S\\.", "", names(tab))
print(cbind(tab[, 1:2], round(tab[, 3:4], 3)), row.names = FALSE)
round(c(max_obserwacji = max(dane$czas)), 2)
km <- survfit(Surv(czas, zdarzenie) ~ leczenie, data = dane)
km_df <- do.call(rbind, lapply(1:2, function(g) {
f <- km[g]; data.frame(czas = c(0, f$time), S = c(1, f$surv), grupa = etyk[g])
}))
p1 <- ggplot() +
annotate("rect", xmin = max(dane$czas), xmax = 20, ymin = -Inf, ymax = Inf, fill = "grey90") +
annotate("text", x = 16, y = 0.97, label = "poza danymi", size = 3.5, colour = "grey30") +
geom_line(data = krzywe, aes(czas, S, colour = model, linetype = model), linewidth = 1.1) +
geom_step(data = km_df, aes(czas, S), colour = "black", linewidth = 0.4) +
facet_wrap(~ grupa) +
scale_colour_manual(NULL, values = kol) + scale_linetype_manual(NULL, values = c("solid", "22")) +
scale_x_continuous("Lata od rozpoczęcia leczenia", breaks = seq(0, 20, 4)) +
scale_y_continuous("Odsetek bez zdarzenia", limits = c(0, 1), labels = function(x) paste0(100 * x, "%")) +
labs(title = "Schodki: Kaplan–Meier; linie: dwa modele dopasowane do tych samych danych") + motyw
p1Wynik w R
czas grupa model frakcji wyleczonych zwykły Weibull
10 bez leczenia 0.341 0.225
20 bez leczenia 0.341 0.078
10 z leczeniem 0.599 0.509
20 z leczeniem 0.599 0.316
max_obserwacji
11.99 Jak opisać w pracy
Na co uważać
- Za krótka obserwacja. Plateau wynikające z braku osób w ryzyku to nie dowód wyleczenia.
- Ekstrapolacja. Frakcja wyleczonych dotyczy czasu poza okresem obserwacji; wynik zależy od założonego rozkładu latencji.
- Alternatywa bez założenia o wyleczeniu. Różnicę w ograniczonym okresie dobrze opisuje RMST.
Podstawy krzywych KM i modelu Coxa omawia wpis Kaplan–Meier i model Coxa krok po kroku.
Model frakcji wyleczonych w R
Kod symuluje próbę z frakcją wyleczonych zależną od leczenia i czasem Weibulla u niewyleczonych, pokazuje plateau krzywych Kaplana–Meiera i dopasowuje mieszaninowy model frakcji wyleczonych z pakietu flexsurvcure, a dla porównania model Coxa. Liczby w tekście pochodzą z tego kodu.
Plateau KM i model mieszaninowy
R
set.seed(7222)
suppressPackageStartupMessages({library(survival); library(flexsurvcure)})
n <- 400 # pacjenci (dane symulowane)
leczenie <- rbinom(n, 1, 0.5)
p_wyl <- plogis(-0.6 + 1.0 * leczenie) # frakcja wyleczonych: 35% bez leczenia, 60% z leczeniem
wyleczony <- rbinom(n, 1, p_wyl)
T_zd <- ifelse(wyleczony == 1, Inf, rweibull(n, shape = 1.5, scale = 2)) # czas u niewyleczonych
C <- runif(n, 3, 12) # cenzurowanie administracyjne
czas <- pmin(T_zd, C); zdarzenie <- as.numeric(T_zd <= C)
dane <- data.frame(czas, zdarzenie, leczenie)
km <- survfit(Surv(czas, zdarzenie) ~ leczenie, data = dane)
s <- summary(km, times = c(4, 6, 8, 10)) # plateau krzywej KM
data.frame(grupa = s$strata, t = s$time, S = round(s$surv, 3), ryzyko = s$n.risk)
# model mieszaninowy: logit(frakcja wyleczonych) ~ leczenie, Weibull dla niewyleczonych
cure <- flexsurvcure(Surv(czas, zdarzenie) ~ leczenie, data = dane,
dist = "weibull", link = "logistic", mixture = TRUE)
round(cure$res[, c("est", "L95%", "U95%")], 3) # theta = frakcja wyleczonych przy leczenie = 0
b <- cure$res.t[c("theta", "leczenie"), "est"] # skala logitu
round(c(wyl_0 = plogis(b[[1]]), wyl_1 = plogis(b[[1]] + b[[2]])), 3) # frakcja wyleczonych w grupach
round(exp(cure$res["leczenie", c("est", "L95%", "U95%")]), 3) # OR wyleczenia z 95% CI
round(exp(coef(coxph(Surv(czas, zdarzenie) ~ leczenie, data = dane))), 3) # HR z Coxa dla porównaniaWynik w R
grupa t S ryzyko
1 leczenie=0 4 0.378 63
2 leczenie=0 6 0.345 40
3 leczenie=0 8 0.345 30
4 leczenie=0 10 0.345 12
5 leczenie=1 4 0.638 117
6 leczenie=1 6 0.598 81
7 leczenie=1 8 0.598 54
8 leczenie=1 10 0.598 28
est L95% U95%
theta 0.341 0.276 0.413
shape 1.581 1.411 1.770
scale 2.084 1.895 2.293
leczenie 1.061 0.645 1.476
wyl_0 wyl_1
0.341 0.599
est L95% U95%
2.888 1.905 4.377
leczenie
0.482 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety survival, flexsurv i flexsurvcure; rysunek 1 – także pakiet ggplot2). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R (R package version 3.8-6) [Computer software]. https://CRAN.R-project.org/package=survival
- flexsurv (wersja 2.3.2): Jackson, C. (2016). flexsurv: A platform for parametric survival modeling in R. Journal of Statistical Software, 70(8), 1–33. https://doi.org/10.18637/jss.v070.i08
- flexsurvcure (wersja 1.3.3): Amdahl, J. (2025). flexsurvcure: Flexible parametric cure models (R package version 1.3.3) [Computer software]. https://doi.org/10.32614/CRAN.package.flexsurvcure
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze pytania
Kiedy użyć modelu frakcji wyleczonych?
Gdy z teorii klinicznej wynika, że część pacjentów może być wyleczona, a krzywa Kaplana–Meiera przy długiej obserwacji wyraźnie przechodzi w plateau, za którym wciąż jest sporo osób z cenzurowaniem.
Czym różni się od modelu Coxa?
Model Coxa daje jeden iloraz hazardów, który łączy dwa efekty: na odsetek wyleczonych i na tempo zdarzeń u niewyleczonych. Model mieszaninowy rozdziela je na część logistyczną (frakcja wyleczonych, OR) i część czasu do zdarzenia (latencja).
Jak dopasować model frakcji wyleczonych w R?
Parametrycznie: flexsurvcure(Surv(czas, zdarzenie) ~ x, dist = "weibull", mixture = TRUE) z pakietu flexsurvcure. Półparametrycznie, z modelem Coxa dla latencji: smcure() z pakietu smcure.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Kaplan–Meier i model Coxa krok po kroku
Krzywe Kaplana–Meiera, log-rank, RMST, model Coxa, proporcjonalność hazardów i ryzyka konkurujące w R – z tabelą APA i opisem do artykułu.
Czytaj →PoradnikOkres próbny i freemium – analiza przeżycia
Ilu użytkowników kiedyś kupi i jak szybko? Kaplan–Meier, model frakcji wyleczonych i test 7 vs 14 dni okresu próbnego – z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Amico, M., & Van Keilegom, I. (2018). Cure models in survival analysis. Annual Review of Statistics and Its Application, 5(1), 311–342. https://doi.org/10.1146/annurev-statistics-031017-100101 ● Otwarty dostęp: pełny tekst
- Berkson, J., & Gage, R. P. (1952). Survival curve for cancer patients following treatment. Journal of the American Statistical Association, 47(259), 501–515. https://doi.org/10.1080/01621459.1952.10501187
Cytowania BibTeX
@article{amico2018cure, author={Amico, Maïlis and Van Keilegom, Ingrid}, title={{Cure models in survival analysis}}, journal={Annual Review of Statistics and Its Application}, year={2018}, volume={5}, number={1}, pages={311--342}, doi={10.1146/annurev-statistics-031017-100101}}@article{berkson1952survival, author={Berkson, Joseph and Gage, Robert P.}, title={{Survival curve for cancer patients following treatment}}, journal={Journal of the American Statistical Association}, year={1952}, volume={47}, number={259}, pages={501--515}, doi={10.1080/01621459.1952.10501187}}