临床预测模型：KM曲线

kexue

生存分析是一种统计方法，用于预测事件（如死亡、疾病复发等）的发生时间。Kaplan-Meier曲线（KM曲线）是生存分析中常用的一种工具，用于估计在一段时间内的生存率.
一、KM曲线的主要步骤和特点包括：
1）时间排序：首先将所有参与者按照发生事件的时间排序。
2）计算生存率：对于每一个独特的时间点，计算生存率。生存率是指从研究开始到特定时间点，尚未发生特定事件的参与者比例。
3）绘制曲线：以时间为横轴，生存率为纵轴绘制曲线。每当发生事件时，曲线向下跳跃，大小与该时间点发生事件的比例成正比。
4）处理删失数据：对于那些在研究结束前未发生事件的参与者（右侧删失），他们将被纳入到最后一个已知时间点的生存率计算中，但在此之后不再影响生存率的计算。
二、如何绘制KM曲线
1)基本代码

1. library("survival")   
   
2. library("survminer")   
   
3. surv_fit <- survfit(Surv(time/365, status) ~ 1, data = lung)   # 计算生存曲线  这里用的lung数据集是R里自带的
   
4. surv_fit_sex <- survfit(Surv(time/365, status) ~ sex, data = lung)  # 根据性别分层，计算生存曲线
   
5. ggsurvplot(surv_fit_sex)    # 制作Kaplan_Meier曲线， 这里是最简单的KM曲线

复制代码

生成的图片如下：



下面介绍的是如何让KM曲线更美观
2）

1. ggsurvplot(surv_fit_sex,
   
2.            pval = T,      #显示P值
   
3.            conf.int = TRUE,    #显示置信区间
   
4.            conf.int.style='ribbon',   #置信区间风格
   
5.            linetype = "strata",    #根据性别分组
   
6.            surv.median.line = "hv",  #显示中位生存期
   
7.            ggtheme = theme_classic(), #设置ggplot2主题
   
8.            legend.labs=c('F','M'),  #改变图例标签
   
9.            legend.title='Sex',     #图例标题
   
10.            legend = c(0.80,0.88),   #指定图例位置
    
11.            palette = c("steelblue", "orange3"))  #指定KM曲线颜色

复制代码

3）增加风险表格

1. ggsurvplot(surv_fit_sex,
   
2.            pval = TRUE,      #显示P值
   
3.            conf.int = TRUE,    #显示置信区间
   
4.            risk.table = TRUE,   #加风险表格
   
5.            linetype = "strata",    #根据性别分组
   
6.            legend.title = "Sex",   #图例标题
   
7.            surv.median.line = "hv",   #显示中位生存期
   
8.            ggtheme = theme_minimal(),   #设置图片主题
   
9.            palette = c("steelblue", "orange3"))  #指定KM曲线颜色

复制代码

展示了在每个时间点上的风险人数（Number at risk）。这表示在该时间点还未发生事件（如死亡或失访）的受试者数量。
4）显示了每个时间点未发生事件而退出研究的受试者数量

1. ggsurvplot(surv_fit_sex,
   
2.            xlab='Time',     #设置X轴名
   
3.            pval = T,   #显示P值
   
4.            pval.size=5,   #P值字体大小
   
5.            pval.coord=c(1,1),  #P值位置
   
6.            pval.method =T,  #显示P值检验方法
   
7.            pval.method.coord=c(2.5, 75),  #检验方法位置
   
8.            conf.int = TRUE,  #显示置信区间
   
9.            conf.int.style='ribbon',  #设置置信区间风格
   
10.            linetype = "strata",  #根据性别设置曲线类型
    
11.            ggtheme = theme_classic(),   #设置图片主题
    
12.            legend.labs=c('F','M'),   #图例标签名字
    
13.            legend.title='Sex',  #图例名字
    
14.            legend = c(0.80,0.88),   #指定图例位置
    
15.            fontsize=3.5,    #风险表字体大小
    
16.            ncensor.plot=T,   #展示随访过程中不同时间点死亡和删失情况
    
17.            risk.table = 'abs_pct' ,  #在下面添加风险表展示绝对数和百分比
    
18.            risk.table.col='strata',  #根据数据分组为风险表添加颜色
    
19.            tables.height=0.25,   #下面2个表高度占比
    
20.            palette = c("steelblue", "orange3"),
    
21.            fun='pct')  ##survival probability in percentage./生存率
    
22. #fun='cumhaz',##plots the cumulative hazard function (f(y) = -log(y)),#累计风险
    
23. #fun='event', #plots cumulative events (f(y) = 1-y), ##累计死亡人数

复制代码

三、KM曲线的优点：
1）直观：KM曲线非常直观地展示了随时间变化的生存率。
2）不需要假设生存时间分布：KM方法不需要对数据的生存时间分布做出任何假设，使其适用于各种类型的生存时间数据。
3）处理删失数据：KM方法能够处理右侧删失数据，这在临床试验和生存分析中非常常见。
KM曲线在医学研究、生物统计学以及其他需要生存或事件时间分析的领域中非常有用。它们提供了一种简单而直观的方法来展示和比较不同组的生存情况。

来源：木天sy 木天琳neuron