最近有同学问师兄,「最近我要做生存分析,可是不太会,也不太懂,师兄能不能教教我?」好吧,今天开一贴,讲讲这个。
有同样问题的同学可以一起来看看,毕竟在临床科研上,这方面知识还是很受用的。有什么想跟师兄讨论的,可以加师兄微信号:shixiongcoming。加我时,注意注明申请理由,如果申请理由是你名字的话,就会被师兄忽略掉。准备好了吗?让我们开始征程。
一、生存分析基本概念
1、事件(Event)
指研究中规定的生存研究的终点,在研究开始之前就已经制定好。根据研究性质的不同,事件可以是患者的死亡、疾病的复发、仪器的故障,也可以是下岗工人的再就业等等。
2、生存时间(Survival time)
指从某一起点到事件发生所经过的时间。生存是一个广义的概念,不仅仅指医学中的存活,也可以是机器出故障前的正常运行时间,或者下岗工人再就业前的待业时间等等。有的时候甚至不是通用意义上的时间,比如汽车在出故障前的行驶里程,也可以作为生存时间来考虑。
3、删失(Sensoring)
指由于所关心的事件没有被观测到或者无法观测到,以至于生存时间无法记录的情况。常由两种情况导致:(1)失访;(2)在研究终止时,所关心的事件还未发生。
4、生存函数(Survival distribution function)
又叫累积生存率,表达式为 S(t)= P(T>t), 其中 T 为生存时间,该函数的意义是生存时间大于时间点 t 的概率。t = 0 时 S(t)= 1,随着 t 的增加 S(t)递减(严格的说是不增),1-S(t)为累积分布函数,表示生存时间 T 不超过 t 的概率。
二、生存分析的方法
1、生存分析的主要目的是估计生存函数,常用的方法有 Kaplan-Meier 法和寿命表法。对于分组数据,在不考虑其他混杂因素的情况下,可以用这两种方法对生存函数进行组间比较。
2、如果考虑其他影响生存时间分布的因素,可以使用 Cox 回归模型(也叫比例风险模型),利用数学模型拟合生存分布与影响因子之间的关系,评价影响因子对生存函数分布的影响程度。这里的前提是影响因素的作用不随时间改变,如果不满足这个条件,则应使用含有时间依存协变量的 Cox 回归模型。
三、举例说明
下面用一个例子来说明 SPSS 中 Cox 回归模型的操作方法。
例题:研究胰腺癌术中放疗对患者生存时间的影响
收集了下面所示的数据:
操作步骤:
SPSS 变量视图:
菜单选择:
点击进入 Cox 主对话框,如下,将 time 选入「时间」框,将代表删失的 censor 变量选入「状态」框,其余分析变量选入「协变量」框,其余默认就行。
点击「状态」框下方的「定义事件」,将事件发生的标志设为值 0,即 0 代表事件发生。
在主对话框中点击「分类」按钮,进入如下的对话框,将所有分类变量选入右边框中。
在主对话框中点击「绘图」按钮,进入如下的对话框,选择绘图的类型,这里只选择「生存函数」。由于我们关心的主要变量是 trt(是否放疗),所以将 trt 选入「单线」框中,绘制生存曲线。
在主对话框中点击「选项」按钮,进入如下的对话框,设置如下,输出 RR 的 95% 置信区间。回到主界面,点击「确定」输出结果。
结果输出:
这是案例处理摘要,有一个删失数据。
这是分类变量的编码方式。
这是对拟合模型的检验,原假设是「所有影响因素的偏回归系数均为 0」,这里可以看出 P = 0.032<0.05 拒绝原假设,认为有偏回归系数不为零的因素,值得进一步分析。
这是多元回归结果,第二列 B 为偏回归系数,最后三列为 OR 值及其置信区间。由 P 值可以看出,在 0.5 的显著水平下,只有 trt 有统计学差异,OR 为 2.265。
这是协变量的平均值。
这是总体的生存函数,即累积生存率函数。
这是在控制了其他变量后,有无放疗组的生存函数对比,可以看出,术中放疗患者的生存情况优于不放疗的患者。
联系客服