生存分析（survival analysis）主要用來處理考慮發(fā)生時間的二分類結局變量，不僅考慮事件是否出現，而且考慮事件出現的時間長短，因此這類方法也稱為事件時間分析（time-to-event analysis）。

生存分析的資料常常分為終點事件（如死亡）和刪失（其他生存結局）兩類，

其特點有：

①?同時考慮兩個變量：生存時間和生存結局；

②?通常含有刪失數據；

③?生存時間的分布通常不服從正態(tài)分布。

什么是刪失數據（Censoring data）？

在研究結束的時候，研究對象發(fā)生了研究之外的其他事件或生存結局，無法明確從開始觀察到發(fā)生終點事件的生存時間，我們把這種類型的數據稱之為刪失數據。

刪失本質就是研究數據出現了缺失，我們無法根據所有觀察對象計算“死亡速度”，難以準確探討人群的平均生存時間，比較不同組人群的生存情況。

產生刪失的可能原因

①隨訪截止，終點事件仍然沒有發(fā)生；

② 中途失訪，無法明確觀察的研究對象是否發(fā)生了終點事件和具體的發(fā)生時間；

③?研究對象由于不配合等其他原因，中途退出研究，無法繼續(xù)進行隨訪；

④?研究對象死于其他事件，例如因其他疾病造成死亡。

以終點時間為肝癌死亡為例

生存期必須知道的幾個概念

總體生存期（overall survival, OS?）

任何原因導致的死亡，只關心是否死亡，不關心因為何種原因死亡。

疾病特異性生存期（disease?specific?survival,?DSS）

結局指標為由特定疾病導致的死亡，反映特定疾病的臨床獲益。但患者的死因經常并不容易明確。這時候開始關心死亡的原因是否是由特定疾病導致的。如果不是特定疾病導致的則不計入結局指標。在沒有DSS.time的數據中，可以用OS.time來替代。

無進展生存期（progression?free?survival,?PFS?）

疾病經過治療后沒有出現進一步惡化的生存期，結局指標是發(fā)生惡化或死亡。要求對發(fā)生惡化的標準進行明確的定義。

無病生存期（disease?free?survival, DFS）

從隨機化開始至疾病復發(fā)或由于疾病進展導致患者死亡的時間，不關心因為何種原因死亡。要求對發(fā)生復發(fā)的標準進行明確的定義。

一定要明確結局的定義

結局不僅僅指的是生命是生、是死的數據；還可以是研究者感興趣的陽性終點事件。

如研究某病治療后的復發(fā)情況，復發(fā)定為終點事件。在生存分析中，發(fā)生終點事件發(fā)生（復發(fā)）記為“1”，刪失記為“0”。

生存分析的主要方法

非參數法：Log rank檢驗等

一般腫瘤治療藥物臨床試驗會采用Log rank檢驗法。Log rank檢驗對晚期死亡事件權重較大，對數據分布的要求較低，主要用于比較兩組生存曲線是否存在差異，回答“是否有效”的問題，但無法衡量效果大小，P值作為試驗主要結局是否陽性的依據。

Wilcoxon檢驗也屬于非參數檢驗法，但對早期死亡事件權重更大。

半參數法：Cox回歸分析

考慮隨訪時間，用Cox回歸獲得HR，更直觀地測量治療效果。

Kaplan-Meier法

Kaplan-Meier法估計的生存率是一個累積的生存率，或者說是一個條件的生存率，前面的條件再乘以當前的生存率，通常用生存曲線描述生存過程。

生存曲線中，中位生存時間就是縱坐標=0.5（即生存率在50%的時候所對應的時間）。

中位生存時間不能簡單地理解為“死亡人數到了一半”，因為有些受試者中途失訪或隨訪結束也沒有發(fā)生結局。嚴格來說就是累積生存率=0.5的時候所對應的時間t。

有時候中位生存時間估計不出來，因為發(fā)生“死亡”的人數太少，這時就報道為某個時間點的生存率（如1年生存率、5年生存率等），或者報道平均生存時間（如果數據不是很偏態(tài)）。

不同的生存分析內容，選擇不同的分析策略

計算生存率、中位生存時間、用生存曲線描述生存過程：Kaplan-Meier法

生存時間分布的組間比較：log Rank

探討生存時間（生存速度）的影響因素：Cox回歸分析。