数据分析：Kaplan-Meier 生存曲线
推荐文章： 【生物信息学】【生物信息学分析目录】(https://jb243.github.io/pages/836)
1. 本次死亡的患者人数
2. 审查数量
3. 到目前为止幸存的概率
4. R 代码
5. Python 代码
6. 分析指标
| 总时间（t） | 死亡患者人数 (d) | 至今存活的患者人数 (n) | 审查数量 | 在此期间的死亡概率 (d/n) | 此期间的生存概率 (1 - d/n) | 到现在为止还活着的概率（L） | |
|---|---|---|---|---|---|---|---|
| 6 | 1 | 23 | 23 0 | 0.0435 | 0.0435 0.9565 | 0.9565 0.9565 | 0.9565 |
| 12 | 12 1 | 22 | 22 0 | 0.0455 | 0.0455 0.9545 | 0.9545 0.9130 | |
| 21 | 21 1 | 21 | 21 0 | 0.0476 | 0.0476 0.9524 | 0.9524 0.8695 | 0.8695 |
| 27 | 27 1 | 20 | 0 | 0.0500 | 0.9500 | 0.8260 | |
| 32 | 32 1 | 19 | 19 0 | 0.0526 | 0.0526 0.9474 | 0.7826 | |
| 39 | 39 1 | 18 | 18 0 | 0.0556 | 0.0556 0.9444 | 0.7391 | |
| 43 | 43 2 | 17 | 17 1 | 0.1176 | 0.1176 0.8824 | 0.6522 | |
| 89 | 89 1 | 14 | 14 5 | 0.0714 | 0.0714 0.9286 | 0.9286 0.6056 | 0.6056 |
| 261 | 261 1 | 8 | 0 | 0.1250 | 0.8750 | 0.5299 | 0.5299 |
| 263 | 263 1 | 7 | 0 | 0.1429 | 0.1429 0.8571 | 0.4542 | |
| 270 | 270 1 | 6 | 1 | 0.1667 | 0.1667 0.8333 | 0.3785 | 0.3785 |
| 311 | 311 1 | 4 | 。 | 0.2500 | 0.7500 | 0.2839 | 0.2839 |
表 1. Kaplan-Meier 生存曲线示例
1.本次死亡人数（死亡人数）
⑴ 第一排23人，表示时间为0时，有23人还活着。
⑵ 第二排22人意味着时间为6时有22人还活着。
⑶ 有时显示存活患者人数（处于危险中的人数），有时不显示。
2. # 已审查
⑴ 审查是指因不再住院等原因没有进一步记录。
⑵ 假设被审查的患者与其他幸存者具有相同的生存概率。
⑶ 通常在图表上用⊕符号标记。
3.到目前为止幸存的概率
⑴ 存活到时间 12 的概率 = 0.9130 = 存活到时间 6 的概率 × 这段时间（6 ~ 12）存活的概率 = 0.9565 × 0.9545
⑵ 存活到时间 21 的概率 = 0.8695 = 存活到时间 12 的概率 × 这段时间（12 ~ 21）存活的概率 = 0.9130 × 0.9524
4. R代码
⑴ 与生存曲线相关的R代码（考虑# of censored）
受保护_0
⑵ 如果添加 p 值 : 注意，以下代码是假设的，与上表无关。
受保护_1
5. Python 代码
受保护_2
6.分析指标
⑴ 组间差异检验统计量
① 对数秩检验（Mantel–Cox 检验）
② Wilcoxon（Breslow）检验
③ Tarone-Ware 测试
⑵ 评估生存曲线本身的指标
① 一致性指数（C-index）
② Brier 综合评分（IBS）
③ 曲线下面积
④ 聚类比较指标（例如AMI）
输入： 2021.04.13 17:29
更新： 2024.03.11 21:42