生存分析
- 提出者
- Edward L. Kaplan and Paul Meier
- 年份
- 1958
- 类型
- Method
- 类别
- time-event-modeling
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
生存分析是用于建模从定义起点到感兴趣事件发生(疾病、康复、死亡、设备故障)之间时间的一系列统计方法。Kaplan和Meier的非参数估计量(1958)以及David Cox的比例风险模型(1972)共同使得对删失数据(事件时间未知的个体,因为他们退出研究或在随访时仍未发生事件)的分析成为可能。该方法在肿瘤学、心脏病学、传染病研究、工程可靠性以及任何关注事件发生时间的领域都不可或缺。
方法背后的直觉
许多研究随访个体,直到他们经历某个结果(疾病诊断、死亡)或研究结束。有些个体经历结果(事件),而另一些个体在研究结束时未发生结果(删失)。标准统计方法会忽略删失数据或做出强假设,从而导致结果偏倚。生存分析考虑了删失和随访时间,从而能够正确比较组间的事件发生率。生存函数S(t) = 在时间t未发生事件的概率。风险函数h(t) = 在时间t事件发生的瞬时速率。风险比(HR)比较组间的事件发生率:HR = 1(无差异),HR < 1(风险降低),HR > 1(风险增加)。该框架使研究人员能够在数据不完整的情况下识别治疗效果、预后因素和风险分层。
历史学
Kaplan和Meier于1958年引入了他们的非参数生存估计量,通过正确处理删失数据,彻底改变了临床试验分析。David Cox的比例风险模型(1972)将其扩展到多变量设置,成为协变量调整的标准方法。偏似然法使得在不指定基线风险函数的情况下进行高效计算成为可能。现代发展包括用于信息性删失的逆概率加权(Robins,1993)、加速失效时间模型(Kalbfleisch & Prentice,1980)以及用于多种事件类型无法进行单一分析的情况的竞争风险分析(Fine & Gray,1999)。
何时使用
当感兴趣的结果是事件发生时间且数据包含删失时,使用生存分析。肿瘤学:比较不同治疗方案(标准随机试验)之间的总生存期和无病生存期。心脏病学:分析队列研究中从基线风险因素到首次主要不良心血管事件(心肌梗死、中风)的时间。传染病:从感染到康复或进展的时间。医疗植入物:设备故障或更换时间。工业工程:设备故障时间(可靠性分析)。任何具有交错入组和/或提前退出的纵向研究都可以使用生存方法。如果不存在删失(所有参与者都随访到研究完成),则更简单的方法(t检验、逻辑回归)就足够了,尽管生存分析仍然有效。
局限与注意事项
- 比例风险假设:Cox模型假设治疗效果(风险比)随时间保持不变;违反此假设需要替代方法(加速失效时间模型、时变系数、分层)。
- 长期随访数据稀疏:随着参与者被删失,生存估计变得不稳定;置信区间变宽,限制了对晚期事件预测的推断。
- 行政删失:如果删失与预后相关(信息性删失),标准方法会产生偏倚;需要联合建模或逆概率加权。
- 假设在给定协变量的情况下条件独立性;未测量的混杂因素威胁因果推断,尤其是在观察性研究中。
- 事件计数少会降低Cox系数的功效和稳定性;通常每个协变量需要≥10个事件才能进行稳定估计。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 正确处理删失数据而无偏倚:利用删失个体的信息(随访时间)而不是丢弃它们。
- 灵活估计单变量(Kaplan-Meier)和多变量(Cox)关联;基线协变量在不假设线性效应的情况下进行调整。
- 风险比直观:单一指标比较事件发生率,易于临床医生理解并在出版物中传达。
- 可检测非比例风险:假设诊断提醒研究人员治疗效果随时间变化的情况;替代模型(AFT、分层、时变系数)可解决违规问题。
- 风险分层:预测生存曲线使临床医生能够根据基线特征量化预后并个性化治疗决策。
应用
- 肿瘤学试验:比较不同化疗方案、免疫疗法或手术方法之间的总生存期和无病生存期;建立标准治疗实践。
- 心血管研究:建模从基线风险因素(高血压、糖尿病、吸烟)到首次主要不良心血管事件的时间;开发风险预测算法。
- 传染病:分析从诊断到病毒抑制(HIV)、治疗完成(结核病)或临床改善(COVID-19)的时间;比较治疗效果。
- 医疗设备和植入物:起搏器、人工关节、支架的可靠性测试;预测设备故障并估计更换间隔。
- 职业流行病学:从职业暴露(石棉、二氧化硅粉尘)到疾病诊断的时间;量化危害并建立暴露限值。
使用方式
使用方式
通过定义以下各项来实施生存分析:(1) 研究开始日期(例如,诊断、治疗开始、研究入组),(2) 感兴趣的事件(例如,死亡、疾病复发),以及 (3) 删失指示符(事件是否发生或被删失)。前瞻性地随访参与者,从基线到事件发生或随访结束。记录两个关键变量:事件发生时间(从开始到事件发生或最后一次接触的天/月/年)和事件状态(1 = 事件发生,0 = 删失)。收集基线特征(年龄、治疗组、生物标志物)作为协变量。确保事件定义明确操作化并在所有参与者中一致确定。
对于描述性生存分析:使用Kaplan-Meier方法。在每个事件时间t_i,计算S(t_i) = S(t_{i-1}) × [1 − (d_i / n_i)],其中d_i是在t_i时发生的事件数,n_i是处于风险中的人数(尚未发生事件或被删失)。按组绘制累积生存曲线;使用对数秩检验(log-rank test)(在生存率相等的零假设下,观察到的事件与预期事件的χ²检验)进行比较。对于单变量/多变量关联:使用Cox比例风险回归。风险函数h(t|X) = h₀(t) × exp(β₁X₁ + β₂X₂ + ...),其中h₀(t)是基线风险,β系数量化协变量效应。通过偏似然法估计系数;计算风险比(HR)= exp(β)及95%置信区间。检验比例风险假设:Schoenfeld残差图和时变系数检验(p > 0.05支持假设)。报告一致性指数(C-index):0.5 = 随机,0.7–0.8 = 良好区分度,>0.8 = 优秀。
Kaplan-Meier曲线绘制了随时间推移保持无事件的累积概率;早期发散的曲线表明存在显著的治疗或组效应。对数秩检验的p值检验生存曲线的相等性;p < 0.05表示生存率存在显著差异。对于Cox回归,风险比的解释为:如果某个预测变量的HR = 1.5,则表示在调整其他协变量后,每单位增加该预测变量,风险(事件发生率)增加50%。HR < 1表示风险降低(保护作用)。不包含1的置信区间表示统计学显著性。检查Schoenfeld残差(绘制系数随时间的变化)以验证比例风险假设;偏离表明协变量效应随时间变化(违反假设则建议拟合时变系数模型)。绘制累积风险或累积基线风险以可视化模型拟合。使用预测生存曲线(按暴露组或风险类别分层)来临床传达结果。
常见陷阱
- 将删失数据视为失败:错误地将删失时间编码为事件会使风险估计值向下偏倚,并使风险比趋向于1。
- 未能检查比例风险假设:绘制Schoenfeld残差图或检验时变系数;违反假设会使Cox模型解释失效。
- 省略删失指示符:必须明确编码事件状态(1 = 发生,0 = 删失);错误的编码会导致不正确的似然和估计。
- 在不调整的情况下比较随访时间不等的组:生存分析考虑了不同的随访时间,但简单比较事件计数会产生偏倚。
- 协变量过多导致过拟合:具有许多预测变量和少量事件的Cox回归会产生不稳定、不可靠的估计;使用惩罚回归(岭回归、Lasso)或降维。
- 使用中位随访时间作为省略生存分析的理由:中位随访时间描述了数据,但不能替代对个体随访时间的正确分析。
常见问题
风险比为0.6意味着什么,它与相对风险有何不同?
风险比(HR)为0.6意味着在任何给定时间,调整协变量后,瞬时事件发生率(风险)是参考组的60%——相当于风险降低40%。HR来自生存/Cox分析。相对风险(RR)来自队列或试验数据:RR = [暴露组发病率] / [未暴露组发病率]。当事件罕见(<10%)时,HR近似RR,但对于常见结果,它们会发散。HR专门比较考虑了删失和随访时间的事件发生率;RR不需要生存方法。始终报告您使用的度量。
什么是比例风险假设,如果它被违反了怎么办?
比例风险假设意味着治疗效果(风险比)随时间保持不变。通过绘制Schoenfeld残差与时间的关系图来检验它;趋势表明存在违反。或者,拟合时变系数模型:在协变量和时间函数(例如,对数时间)之间包含交互项。如果假设被违反,选项包括:(1) 按问题变量分层分析(分离基线风险),(2) 使用加速失效时间(AFT)模型,或 (3) 分别报告特定时间点(例如,1年、5年生存期)的治疗效果。始终检查并报告此假设。
我应该如何解释Kaplan-Meier分析中的对数秩检验p值?
对数秩检验比较了各组中观察到的事件数与在零假设(生存曲线相等)下预期的事件数。p < 0.05表示各组之间生存率存在统计学显著差异。与所有p值一样,它检验的是点零假设;大的p值并不能证明生存率相等,只能说明没有足够的证据拒绝相等。还应报告中位生存时间以及关键时间点(1年、5年)的生存概率、置信区间以及Kaplan-Meier图上每个时间间隔的风险人数。
我应该如何处理多个结果(例如,疾病复发和死亡)?
当可能出现多个不同事件时,使用竞争风险分析。如果您在忽略死亡的情况下使用Cox回归模拟疾病复发,则会使估计值产生偏倚,因为死亡会删失复发随访。Fine-Gray亚分布风险模型分离了每个事件的边际概率。计算每种事件类型的累积发生率函数(CIF)(而不是1减去其他事件的发生率);使用Gray检验进行比较。这种方法在肿瘤学(复发与非癌症死亡)和心脏病学(心肌梗死与中风)中至关重要。
相关方法
参考文献
Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.
打开 DOI 文献已复制。Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220.
打开 DOI 文献已复制。