分析生存资料“新”的方法

空格为了发表文章，想一个新的点子可能很有难度，但是套用一个新的方法，显然比前者简单得多。那么小编今天要给大家介绍的是一种比较“新”的方法，希望能够让大家暂时不用苦思冥想新点子，用以前的数据，用新方法看看有没有新的发现。

空格我们在学习生存分析的时候，老师经常会将“三大回归”拿来比较，让我们更好地理解什么样的资料属于生存资料。在这里再啰嗦一遍，因变量为连续型变量选用线性，因变量为二分类变量选用Logistic回归，因变量为二分类变量结合时间则选用生存分析方法。

空格在生存分析中，Kaplan-Meier(KM)曲线和Cox回归用来描述生存趋势以及识别有统计学意义的预后影响因素已经被广泛应用了。以上的所有分析中因变量为二分类的，除了删失，结局只有一个(比如，死亡)。

空格然而，在某些疾病的临床诊疗中，结局通常不只一个，而且结局之间相互竞争。例如，在造血干细胞移植(Hematopoietic Stem Cell Transplantation, HSCT)的研究中，最常见的两个失败结局是原发疾病的复发(RELapse of the original disease, REL)和移植相关所致死亡(Transplant Related Mortality, TRM)，两者独立并且存在着竞争关系。如果研究者想同时研究两个结局，上面提到的KM曲线以及Cox回归已经不再适用了，需要用到一种叫做竞争风险分析(Competing risk analysis)的方法，这种方法是通过计算每个结局的累积发病率函数进行分析的(Cumulative Incidence Function, CIF)。下面用一个简单的例子讲解这个方法，具体的软件操作实践待后续成熟以后再分享。

例子

空格有一份数据，35例急性白血病患者进行HSCT手术，研究者想比较急性髓细胞性白血病(Acute Myelocytic Leukemia, AML)和急性淋巴细胞白血病(Acute Lymphoblastic Leukemia, ALL)两组患者之间REL和TRM两种生存结局的情况。

空格首先利用一个由Gray提出的检验，专门用于比较各个结局之间的CIF。下图中1代表着TRM，2代表着REL。由P值可以得到，AML与ALL患者发生REL的风险是存在统计学差异的(P=0.007785)，而发生TRM是无统计学差异的(P=0.253915)。

空格上面其实是Log-rank检验的拓展，所以我们也可以做出跟KM曲线对应的图。根据下图我们可以验证上面的Gray检验结果，在结局REL中两条曲线分别代表着AML和ALL两组，距离比较远，得到有统计学差异的结果是符合实际的。值得注意的是，这里的纵坐标是结局的发生率，总的来说，ALL患者HSCT术后发生REL的风险是比较高的。

空格对于生存分析很多研究者想得到的可能是，具体时间点的生存率，这个竞争风险模型也不例外，绝对可以满足我们的需要。通过分析，我们可以得到上图对应的每一个点的数据，通过下面的标准误可以算出95%CI。

空格看到这里，大家可能容易发现上述都是Log-rank检验的拓展，那么有没有针对Cox回归的研究多结局的拓展呢，答案是肯定的。原理跟上面讲的一样，只不过根据研究结局的个数对应给出几个方程，每个方程的解释跟Cox一致，同样给出HR，只不过在理论上考虑了多个结局之间的独立以及竞争属性。

这一期到此结束，欲知后事如何，且听下回分解！

请批评指正！

---