我有以下生存数据
library(survival)
data(pbc)
#model to be plotted and analyzed, convert time to years
fit <- survfit(Surv(time/365.25, status) ~ edema, data = pbc)
#visualize overall survival Kaplan-Meier curve
plot(fit)
以下是生成的Kaplan-Meier图的结果
我正在以这种方式进一步计算1年,2年,3年的存活率:
> summary(fit,times=c(1,2,3))
Call: survfit(formula = Surv(time/365.25, status) ~ edema, data = pbc)
232 observations deleted due to missingness
edema=0
time n.risk n.event survival std.err lower 95% CI upper 95% CI
1 126 12 0.913 0.0240 0.867 0.961
2 112 12 0.825 0.0325 0.764 0.891
3 80 26 0.627 0.0420 0.550 0.714
edema=0.5
time n.risk n.event survival std.err lower 95% CI upper 95% CI
1 22 7 0.759 0.0795 0.618 0.932
2 17 5 0.586 0.0915 0.432 0.796
3 11 4 0.448 0.0923 0.299 0.671
edema=1
time n.risk n.event survival std.err lower 95% CI upper 95% CI
1 8 11 0.421 0.1133 0.2485 0.713
2 5 3 0.263 0.1010 0.1240 0.558
3 3 2 0.158 0.0837 0.0559 0.446
如您所见,结果输出显示不同edema
级别之间的95%置信区间,但没有实际p值。无论置信区间是否重叠,我仍然可以很好地了解这些时间点的生存是否显着不同,但我希望得到精确的p值。我怎么能这样做?
答案 0 :(得分:4)
您的问题是水肿的不同类别的x年生存率不同。
例如,如果您对3年生存率感兴趣;你只需要关注曲线的那一部分(前3年的跟进),如图所示。 3年后仍然存活的患者的随访时间设定为3年(即该分析中的最大随访时间):pbc$time[pbc$time > 3*365.25] <- 3*365.25
。
使用包中生存的coxph
计算对数排名测试&#39; (对于此数据集,您已在分析中使用的相同包)将为您提供P值,该值表示三组之间的三年生存率是否不同(在此示例中非常重要)。您还可以使用相同的模型为水肿与原因特异性生存关联生成P值和风险比。
答案 1 :(得分:0)
我认为以下代码可以满足您的需求:
library(survival)
data(pbc)
#model to be plotted and analyzed, convert time to years
fit <- survfit(Surv(time/365.25, status) ~ edema, data = pbc)
#visualize overall survival Kaplan-Meier curve
plot(fit)
threeYr <- summary(fit,times=3)
#difference in survival at 3 years between edema=0 and edemo=1 (for example) is
threeYr$surv[1] - threeYr$surv[3]
#the standard error of this is
diffSE <- sqrt(threeYr$std.err[3]^2 + threeYr$std.err[1]^2)
#a 95% CI for the diff is
threeYr$surv[1] - threeYr$surv[3] - 1.96 *diffSE
threeYr$surv[1] - threeYr$surv[3] + 1.96 *diffSE
#a z-test test statistic is
zStat <- (threeYr$surv[1] - threeYr$surv[3])/diffSE
#and a two-sided p-value testing that the diff. is 0 is
2*pnorm(abs(zStat), lower.tail=FALSE)
或者,可以通过基于估计的概率估计风险比或比值比来进行比较,并根据对数风险比或对数比值比例进行推论/检验。总的来说,我希望这样做的效果更好(就测试规模和置信区间而言),因为在这些量表上的法线近似比在风险差异量表上的法线近似更好。