像這種就會選用Kalpan-Meier法，簡稱K-M法,，用于我們的資料是逐條出現(xiàn)的,，并且適用于小樣本，當樣本量太大時它計算比較麻煩,。我們講個實例,，39數(shù)據庫中，某醫(yī)院44例某病患者隨機化分組后,，一組為對照組,，一組為實驗組，實驗組采用某種干預措施,，對照組不采用任何干預措施,，觀察患者生存時間及結局。我們打開39數(shù)據庫講解：

從變量視圖中我們可以看到0=“出現(xiàn)結局”,，代表出現(xiàn)了結局事件,，所以0是目標重點事件。我們點擊分析-生存分析-Kalpan-Meier：

將“生存時間”放入時間框中,，將“生存情況”放入狀態(tài)框中,，將“組別”放入因子框中，點擊“定義事件”：

因為0是我們的目標重點事件,，因此在單值里面輸入0,，點擊繼續(xù)，回到上框,，點擊比較因子：

將檢驗統(tǒng)計下面的三個選項均勾選上,，點擊繼續(xù)，回到上框,，點擊保存：

勾選“生存分析”,，點擊繼續(xù)，回到上框,，點擊選項：

圖這里勾選“生存分析函數(shù)”,，它就會做出生存函數(shù)圖，點擊繼續(xù)，回到上框,，點擊確定，得出結果：

我們可以看到它做出了個生存分析表,，將每一個樣本都列出來了,，因此說樣本量不能太大，不然這里做不完,。

再看到均值和中位數(shù),，由于生存分析一般為偏態(tài)分布，因此我們只要看中位數(shù)項就行了,，我們可以看到治療組生存時間中位數(shù)是146,，對照組生存時間中位數(shù)是40。

在這里看到使用三種方法得出的P值均＜0.05,，因此說明治療組和對照組生存時間差異是有統(tǒng)計學意義的,。在這里三種方法，我們發(fā)表文章的時候只需要報道其中一種就行了,。下面就做了生存函數(shù)圖：

里面可以看到有+號的都是截尾數(shù)據,，以上就是K-M法的操作和解讀。

最后我們再講解一種比較復雜的方法,，叫Cox回歸模型,。我們剛剛前面講到的兩種方法，只是能反映能活多長時間,，只是能做出個生存函數(shù)圖,，都沒有分析有哪些因素能影響生存時間，因此引入了Cox回歸模型,。我們以實例進行講解,，40數(shù)據庫中，某研究者項研究肺癌四種亞型的生存時間有無差別,，收集了一些肺癌病例的數(shù)據,，用Cox回歸模型分析。我們打開40數(shù)據庫：

此處1=死亡,，0=失訪,，因此1是結局事件。此處我們要研究肺癌類型,、健康指數(shù),、確診時間、年齡和性別等因素對生存時間是否有影響,，我們看肺癌類型：

分為四種類型,，這四種類型是屬于多項無序的，因此此時需要設置啞變量（原理同Logistic 回歸分析Vol.1）。我們進行具體操作,，點分析-生存分析-Cox回歸：

將“生存時間”放入事件框,，將“生存狀態(tài)”放入狀態(tài)框，同時定義結局事件為1,，將五個影響變量均放入協(xié)變量框中,，由于剛剛提到了“肺癌類型”需要設置啞變量，因此點右上角“分類”：

將“肺癌類型”放入分類協(xié)變量框中,，默認以最后一個（鱗癌）作為對照參考即可,。點擊繼續(xù)，回到上框,，點擊圖：

勾選“生存分析”,，就會做出個生存函數(shù)圖，點擊繼續(xù),，回到上框,，點擊保存：

勾選“生存分析函數(shù)”，點擊繼續(xù),，回到上框,，點擊選項：

勾選“EXP（B）的置信區(qū)間”，即OR值,，點擊繼續(xù),，回到上框，點擊確定,，得出結果：

我們可以看到啞變量的設置是以鱗癌為參照的,。

此處我們可以看到-2對數(shù)似然，之前講到了越接近于0是越好的,。

此處我們就看到了建立的Cox回歸模型,，首先看到顯著性，我們可以發(fā)現(xiàn)確診時間,、性別和年齡是對生存時間沒有影響的,，而肺癌類型和健康指數(shù)是有影響的。也就是在這一題里面我們發(fā)現(xiàn)了兩個有意義的變量,，我們看后面的Exp（B）,，肺癌類型1是腺癌，其Exp（B）的解讀是患腺癌,，其死亡的風險是患鱗癌的4.187倍,，后面同理。健康指數(shù)Exp（B）解讀是,，健康指數(shù)上升一個級別,，死亡的風險下降至0.957倍,。后面還可以看到95%的置信區(qū)間。

我們還可以看到生存函數(shù)圖,。問題還沒有結束,，比如說剛剛的數(shù)據，假如有一個50歲的腺癌患者,，其健康指數(shù)是80,，那么他死亡的風險是鱗癌的4.187倍我們可以理解。如果過了五年后,，他的健康指數(shù)沒有變，還是80,，那他死亡的風險還是鱗癌的4.187倍嗎,？理論上就不會了是吧，因為健康指數(shù)理論上會隨著時間的增加發(fā)生的效率會變化,，也就是說時間會和我們其中的某一個影響因素發(fā)生交互作用的,，因此就會有一種新的Cox模型，叫時間依存變量Cox模型,，我們以實例進行講解,，41數(shù)據庫中，某研究者想研究肺癌的術后生存時間與手術時年齡大小有沒有關系,，收集了一些肺癌病例的數(shù)據,，我們打開41數(shù)據庫：

此處1=死亡，代表結局事件,，我們可以看到變量有生存時間,，也就年齡，年齡和時間可能會有交互作用,，我們進行操作,，點分析-生存分析-考克斯依時協(xié)變量：

此處我們需要設置交互作用的兩個變量，交互作用我們一般用乘號表示,，如上圖設置好后,，點右上角模型：

我們發(fā)現(xiàn)又出現(xiàn)了這個框,，而且產生了一個新的變量就是交互作用的變量,，我們如下圖進行設置：

由于年齡已經進行了交互作用分析,，因此建議協(xié)變量框中就不需要加入年齡了,，我們點擊保存：

發(fā)現(xiàn)時間依存變量保存里面是不給勾選的,，也就是不會出生存函數(shù)圖的,，我們點擊繼續(xù),，回到上框,，點擊選項：

依然是勾選這個OR值,，點擊繼續(xù)，回到上框,，點擊確定，得出結果：

我們可以看到性別是不影響的,，而和時間交互的年齡是對生存時間有影響的。我們可以看到雖然有影響,，但是OR值僅有1.049,，在流行病學來看，1-3為弱風險，3-6為中強度風險,，6以上才是高度風險,，這一題只是說年齡每增加一歲,，死亡的風險提高1.033-1.064倍，相差并不是很大,，但確實又是影響因素,，因為P＜0.05，但并不是一個非常重要的影響因素,。

時間依存變量Cox模型遺憾的是沒有圖形選項,，不能做出生存曲線圖，但其用于與隨時間變化有關的生存分析模型的評估與預測還是有獨到的作用的,。

結語