scientific-survival-clinical

name	scientific-survival-clinical
description	生存解析と臨床統計のスキル。Kaplan-Meier 曲線、Cox 比例ハザードモデル、Log-rank 検定、 検出力分析、NNT/NNH 算出を行う際に使用。 Scientific Skills Exp-03, 06 で確立したパターン。

Scientific Survival & Clinical Statistics

臨床試験データの統計解析パイプラインスキル。生存時間解析、検出力分析、 安全性解析の標準ワークフローを提供する。

When to Use

• 生存時間解析（Kaplan-Meier, Cox PH）を行いたいとき
• 臨床試験のサンプルサイズ・検出力を計算したいとき
• 有害事象の安全性解析（RR, OR, NNT, NNH）を行いたいとき
• ベイズ逐次更新による試験モニタリング

Quick Start

標準パイプライン

1. 検出力分析・サンプルサイズ算出

from statsmodels.stats.power import TTestIndPower
import numpy as np

def power_analysis(effect_size, alpha=0.05, power=0.80, ratio=1.0):
    """
    2 群間 t 検定の検出力分析。
    必要サンプルサイズまたは達成検出力を算出する。
    """
    analysis = TTestIndPower()

    # サンプルサイズ算出
    n = analysis.solve_power(effect_size=effect_size, alpha=alpha,
                              power=power, ratio=ratio, alternative="two-sided")

    # 検出力カーブ
    n_range = np.arange(10, 500, 10)
    powers = [analysis.solve_power(effect_size=effect_size, nobs1=n1,
                                    alpha=alpha, ratio=ratio)
              for n1 in n_range]

    return {
        "required_n_per_group": int(np.ceil(n)),
        "effect_size": effect_size,
        "alpha": alpha,
        "target_power": power,
        "power_curve": {"n": n_range.tolist(), "power": powers},
    }

2. Kaplan-Meier + Log-rank 検定

import matplotlib.pyplot as plt

def kaplan_meier_analysis(df, time_col, event_col, group_col,
                           figsize=(10, 7)):
    """
    Kaplan-Meier 生存曲線と Log-rank 検定を実行する。
    """
    from lifelines import KaplanMeierFitter
    from lifelines.statistics import logrank_test

    fig, ax = plt.subplots(figsize=figsize)
    groups = sorted(df[group_col].unique())
    results = {}

    kmf = KaplanMeierFitter()
    for group in groups:
        mask = df[group_col] == group
        kmf.fit(df.loc[mask, time_col],
                event_observed=df.loc[mask, event_col],
                label=str(group))
        kmf.plot_survival_function(ax=ax, ci_show=True)
        results[group] = {
            "median_survival": kmf.median_survival_time_,
            "n": mask.sum(),
        }

    # Log-rank 検定
    if len(groups) == 2:
        g1 = df[df[group_col] == groups[0]]
        g2 = df[df[group_col] == groups[1]]
        lr = logrank_test(
            g1[time_col], g2[time_col],
            event_observed_A=g1[event_col],
            event_observed_B=g2[event_col]
        )
        results["logrank_p"] = lr.p_value
        ax.text(0.65, 0.85, f"Log-rank p = {lr.p_value:.4f}",
               transform=ax.transAxes, fontsize=11,
               bbox=dict(boxstyle="round,pad=0.3", facecolor="wheat"))

    ax.set_xlabel("Time", fontsize=)
    ax.set_ylabel(, fontsize=)
    ax.set_title(, fontsize=, fontweight=)
    ax.set_ylim(, )
    plt.tight_layout()
    plt.savefig(, dpi=, bbox_inches=)
    plt.close()
     results

3. Cox 比例ハザードモデル

def cox_proportional_hazard(df, time_col, event_col, covariates):
    """
    Cox 比例ハザードモデルを学習し、ハザード比を算出する。
    """
    from lifelines import CoxPHFitter

    cph = CoxPHFitter()
    cox_df = df[[time_col, event_col] + covariates].dropna()
    cph.fit(cox_df, duration_col=time_col, event_col=event_col)

    # ハザード比
    summary = cph.summary
    summary.to_csv("results/cox_ph_results.csv")

    # Forest plot 形式の可視化
    fig, ax = plt.subplots(figsize=(10, max(4, len(covariates) * 0.8)))
    cph.plot(ax=ax)
    ax.set_title("Cox PH: Hazard Ratios", fontweight="bold")
    ax.axvline(x=0, color="gray", linestyle="--")
    plt.tight_layout()
    plt.savefig("figures/cox_ph_forest.png", dpi=300, bbox_inches="tight")
    plt.close()

    return cph, summary

4. 安全性解析（RR, OR, NNT, NNH）

def safety_analysis(n_event_treatment, n_total_treatment,
                    n_event_control, n_total_control, event_name="AE"):
    """有害事象の安全性指標を算出する。"""
    p_t = n_event_treatment / n_total_treatment
    p_c = n_event_control / n_total_control

    # 相対リスク
    rr = p_t / p_c if p_c > 0 else np.inf

    # オッズ比
    odds_t = p_t / (1 - p_t) if p_t < 1 else np.inf
    odds_c = p_c / (1 - p_c) if p_c < 1 else np.inf
    odds_ratio = odds_t / odds_c if odds_c > 0 else np.inf

    # NNT / NNH
    ard = abs(p_t - p_c)
    nnt_nnh = 1 / ard if ard > 0 else np.inf
    metric = "NNH" if p_t > p_c else "NNT"

    return {
        "Event": event_name,
        "Rate_Treatment": f"{p_t:.3f}",
        "Rate_Control": f"{p_c:.3f}",
        "Relative_Risk": f"{rr:.3f}",
        "Odds_Ratio": f"{odds_ratio:.3f}",
        "ARD": ,
        metric: ,
    }

5. ベイズ逐次更新（Exp-06 パターン）

from scipy.stats import beta as beta_dist

def bayesian_sequential_update(successes_list, trials_list,
                                prior_alpha=1, prior_beta=1,
                                figsize=(12, 6)):
    """
    Beta-Binomial 共役モデルによる逐次ベイズ更新の可視化。
    successes_list / trials_list: 各中間解析時点の累積値
    """
    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=figsize)
    x = np.linspace(0, 1, 500)

    alpha, beta = prior_alpha, prior_beta

    for i, (s, n) in enumerate(zip(successes_list, trials_list)):
        alpha_post = alpha + s
        beta_post = beta + (n - s)

        posterior = beta_dist(alpha_post, beta_post)
        ax1.plot(x, posterior.pdf(x), linewidth=2,
                label=f"Interim {i+1} (n={n})")

        alpha, beta = alpha_post, beta_post

    ax1.set_xlabel("Response Rate")
    ax1.set_ylabel("Density")
    ax1.set_title("Bayesian Sequential Update", fontweight="bold")
    ax1.legend()

    # 信用区間の推移
    ci_lower = [beta_dist(prior_alpha + s, prior_beta + n - s).ppf(0.025)
                for s, n in zip(successes_list, trials_list)]
    ci_upper = [beta_dist(prior_alpha + s, prior_beta + n - s).ppf(0.975)
                for s, n in zip(successes_list, trials_list)]
    means = [beta_dist(prior_alpha + s, prior_beta + n - s).mean()
             for s, n  (successes_list, trials_list)]

    ax2.fill_between((, (means) + ), ci_lower, ci_upper,
                    alpha=, color=)
    ax2.plot((, (means) + ), means, , linewidth=)
    ax2.set_xlabel()
    ax2.set_ylabel()
    ax2.set_title(, fontweight=)

    plt.tight_layout()
    plt.savefig(, dpi=, bbox_inches=)
    plt.close()

References

Output Files

ファイル	形式
results/cox_ph_results.csv	CSV
results/safety_analysis.csv	CSV
figures/kaplan_meier.png	PNG
figures/cox_ph_forest.png	PNG
figures/bayesian_update.png	PNG

利用可能ツール

ToolUniverse SMCP 経由で利用可能な外部ツール。

カテゴリ	主要ツール	用途
ClinicalTrials	search_clinical_trials	臨床試験検索
ClinicalTrials	clinical_trials_get_details	試験詳細取得
FAERS	FAERS_count_reactions_by_drug_event	有害事象データ
GDC	GDC_search_cases	TCGA 臨床データ
PubMed	PubMed_search_articles	臨床文献検索

参照スキル

スキル	連携
scientific-causal-inference	← 傾向スコア・因果推論
scientific-meta-analysis	← 統合解析・エビデンス統合
scientific-statistical-testing	← 仮説検定・多重比較
scientific-clinical-trials-analytics	← ClinicalTrials.gov 試験データ
scientific-pharmacovigilance	→ AE データの安全性解析
scientific-clinical-decision-support	→ 生存解析結果の臨床応用

参照実験

• Exp-03: Kaplan-Meier + Cox PH（がん生存解析）
• Exp-06: Phase III RCT 統計解析（検出力、頻度論+ベイズ、安全性）