临床预测模型-中位随访和生存时间区别及R语言计算

原创

凑齐六个字吧

发布于 2025-01-19 23:36:52

14500

代码可运行

文章被收录于专栏：临床预测模型临床预测模型

运行总次数：0

代码可运行

在生存分析或随访性研究中，“中位随访时间（median follow-up time）” 和 “中位生存时间（median survival time）” 是两个容易混淆但含义和计算方法截然不同的指标。

一、中位随访时间

中位随访时间主要用来描述一项随访研究（如队列研究、临床试验）中，受试者整体被随访了多久。
在典型的纵向研究里，每个受试者都有一个“进入队列/试验”的起点，随后在某个时刻结束随访（可能是因为到达终点事件、主动退出、研究结束等）。
“中位随访时间”就是将所有受试者的实际随访时长进行排序，取中间值（50%分位数）。

与生存分析的关系

随访时间不仅受研究设计和停止时间影响，还与受试者何时入组、是否发生终点等因素相关。
它可以粗略反映研究对于所有受试者“平均”或“中位”的观察时长，若中位随访时间不足，研究对长期结局的把握就较弱。

计算方法

直接取所有受试者的随访时长中位数，如果没有（或很少）右删失（即大多数人在研究结束前都能观察到“完整的随访时间”），可以直接把受试者的随访时长做一个排序，取中位即可。
有删失时的“反向 Kaplan-Meier（Reverse KM）” 方法(基本上都是用这个的)，在临床研究中，部分受试者会在研究结束前失访或退出，导致右删失，这时单纯取中位值不够准确。可以用“反向 KM”的思路：把“失访/研究结束/死亡”这些时点当作“事件”，而“仍在随访”当作“删失”，对 “最后一次随访时间” 做 KM 分析后再找到中位数。

二、中位生存时间

中位生存时间是指从起始点（如确诊、入组、手术等）到某个终点事件（往往是死亡，但也可定义其他事件）发生所需的时间，当 50% 的受试者发生该事件时，对应的时间点即为“中位生存时间”。
在 Kaplan-Meier 生存曲线上，这通常是生存曲线下降到 50%（即生存率=0.5）时对应的时间。

与“随访时间”之区别

中位生存时间关心的是“多少时间后有一半的受试者发生了事件（如死亡）”。如果事件发生缓慢，有可能到研究结束都不到 50% 的人发生事件，那么就无法得到“中位生存时间”（曲线还没下降到 0.5）。
中位随访时间只是说“研究在时间轴上对大家观察了多久”，它并不一定跟 50% 发生事件相关；有时研究跟踪了很久，但受试者死亡率低，中位生存时间更长；也有可能研究持续时间较短，还没到达真正意义上的中位生存点。

计算方法

通常用 Kaplan-Meier 方法（KM 法）来进行生存分析，把所有受试者的生存时间（或无事件时间）作 KM 曲线，然后找出曲线下降至 0.5（50%）的时间点。
若曲线在研究结束时还没降到 0.5，则“中位生存时间”无法估计或称“尚未达到（not reached）”。

三、反向 Kaplan-Meier（Reverse KM）方法

反向KM是将原本的“删失”（如尚未发生死亡、或失访、或到研究截止时仍存活的个体）视为“事件”，从而在 KM曲线上表示“达到随访终点”的累积比例。常规的KM分析是以“感兴趣的事件（如死亡）”为终点，如果终点未发生则记为“删失（censoring）”；而当我们想求“中位随访时间”时，正好需要把“是否继续存活/随访到研究结束的人”当做“事件”，这样才能得到观测随访时长的分布中位数。

因此，所谓的 “反转事件定义（Reverse KM 或 Reverse censoring）” 就是将原本在常规生存分析里作为删失（alive, lost to follow-up）的个体反转成“事件”，从而让 KM 法去估计“随访时长”的分布，从而提取出中位随访时间。

分析步骤

1.导入

示例数据可以从百度云盘下载：TCGA_HNSC_practice.Rdata 链接: https://pan.baidu.com/s/1ICh4i9dyjtB3SuBefRxYRg 提取码: iitg

rm(list = ls())
library(stringr)
library(survival)
library(survminer)

proj <- "TCGA-HNSC"
load('TCGA_HNSC_practice.Rdata') # TCGA-HNSC数据

2.数据预处理

老演员了，其实在这里不需要进行预处理，这里的预处理跟后面的所有的分析都无关哈。

colnames(meta)
variables <- c("cluster", "gender", "neoadjuvant")
meta <- cbind(meta[,c(1:3)],
              meta[,c("cluster", "gender", "neoadjuvant")])

data <- meta
data <- na.omit(data)
dim(data)

# 如果是连续的代码，需要设置data
data$OS.time <- data$OS.time

# 对变量进行数值化(0,1)
data$cluster <- as.numeric(ifelse(data$cluster=="1","0","1"))
data$gender <- as.numeric(ifelse(data$gender=="FEMALE","0","1"))
data$neoadjuvant <- as.numeric(ifelse(data$neoadjuvant=="No","0","1"))

head(meta)
#                                ID OS  OS.time cluster gender neoadjuvant
# TCGA-CR-7374-01A TCGA-CR-7374-01A  0 1.000000       1 FEMALE          No
# TCGA-CV-A45V-01A TCGA-CV-A45V-01A  1 1.066667       1 FEMALE          No
# TCGA-CV-7102-01A TCGA-CV-7102-01A  1 1.866667       2 FEMALE          No
# TCGA-MT-A67D-01A TCGA-MT-A67D-01A  0 1.866667       1   MALE          No
# TCGA-P3-A6T4-01A TCGA-P3-A6T4-01A  1 2.066667       2   MALE          No
# TCGA-CV-7255-01A TCGA-CV-7255-01A  1 2.133333       2 FEMALE          No

3.中位生存时间

## 不分组
fittotal <- survfit(Surv(OS.time, as.numeric(OS)) ~ 1, data= meta)
fittotal
# Call: survfit(formula = Surv(OS.time, as.numeric(OS)) ~ 1, data = meta)
# 
#        n events median 0.95LCL 0.95UCL
# [1,] 493    212   55.7    46.5    69.4
# 提取三年（36个月）的生存率
summary_fit <- summary(fittotal, times = 36)  # 提取 36 个月时的数据
three_year_survival <- data.frame(summary_fit$time, summary_fit$surv)
# 查看结果
print(three_year_survival)
#   summary_fit.time summary_fit.surv
# 1               36        0.5860846
print(1-three_year_survival) # 这个相减是为了计算风险累积分数
#   summary_fit.time summary_fit.surv
# 1              -35        0.4139154

4.中位随访时间

## 不分组
# 计算中位随访时间—使用反生存分析法
# 反转事件定义(删失变为事件)
b <- meta
b$reverse_event <- 1 - as.numeric(b$OS)
# 构建反生存模型
rev_fit <- survfit(Surv(OS.time, b$reverse_event) ~ 1, data = b)
rev_fit
# Call: survfit(formula = Surv(OS.time, b$reverse_event) ~ 1, data = b)
# 
#        n events median 0.95LCL 0.95UCL
# [1,] 493    281   34.6    31.6    39.1

# 提取中位随访时间
median_follow_up <- summary(rev_fit)$table["median"]
print(median_follow_up)
# median 
#   34.6

参考资料

Survival Analysis Part I: Basic concepts and first analyses. Br J Cancer. 2003 Jul 21;89(2):232-8.
医学统计学, 孙振球。

注：若对内容有疑惑或者有发现明确错误的朋友，请联系后台(欢迎交流)。更多内容可关注公众号：生信方舟

- END -

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据挖掘

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据挖掘

#临床预测模型

登录后参与评论

0 条评论

热度