比较特定时间点的生存率

时间:2016-06-09 00:06:47

标签: r survival-analysis

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

enter image description here

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?

2 个答案:

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。

KM curves for maximum follow-up of 3y

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。