高级会员更新于 2026-05-07

生存分析在护理预后研究中的应用

1. 一句话告诉你这是什么

生存分析同时考虑”事件是否发生”和”距离事件发生的时间”两个维度。在护理研究中用于分析什么因素影响患者出现特定结局（如死亡、跌倒、再入院）的时间——比如衰弱程度如何影响老年人首次跌倒的时间。

2. 什么时候用，什么时候别用

适合用

研究结局是事件发生时间（time-to-event），同时有人发生了事件、有人未发生（删失）
预后建模，想知道哪些因素增加或降低了事件的瞬时风险（HR）
想比较两组或多组的生存曲线差异（如干预组 vs 对照组的无再入院生存时间）

不适合用

只关心”是否发生”而不关心”何时发生”（应用 Logistic 回归）
删失率过高（ $\ge 50\%$ ）且删失与结局机制相关
风险比例假设不成立（Cox 回归的前提）

3. 数据准备清单

时间变量（从起始时间到事件/删失的时间间隔）
事件状态（0 = 删失，1 = 事件发生）
至少一个分组变量或连续预测变量
删失机制已评估（是否能假定为非信息删失）
样本量充足（Cox 回归要求每变量的事件数 $\ge 10$ ）

4. 方法直觉

Kaplan-Meier 曲线是生存分析的名片：一条随时间下降的阶梯曲线，曲线越陡说明事件发生越快。

Cox 比例风险回归则是生存分析的”主力模型”，用危险比（HR）量化每个预测因子对事件风险的效应：

$h(t | X) = h_0(t) \times \exp(\beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_k X_k)$

$h_0(t)$ 是基线风险函数（不需要指定具体形状）， $\exp(\beta)$ 就是 HR——HR = 1.5 意味着”面向的瞬时风险是参照的 1.5 倍”。

点击展开：比例风险假设的检验

Cox 回归的前提是 HR 不随时间变化。检验方法：

Schoenfeld 残差图：y 轴为残差，x 轴为时间，拟合线应为水平
cox.zph() 检验： $p > 0.05$ 说明假设成立
若假设不成立：考虑分层 Cox 模型或加入时间交互项

护理研究中常见的违反情况：干预效应随时间衰减（早期效果大，后期减弱），此时可用时间依赖 Cox 回归或 landmark 分析。

5. R 代码（复制即可跑）

library(survival)
library(survminer)

# 模拟护理预后数据
set.seed(2026)
n <- 300
df <- data.frame(
  id      = 1:n,
  age     = rnorm(n, 70, 10),                             # 年龄
  frail   = sample(0:1, n, replace = TRUE, prob = c(0.6, 0.4)), # 衰弱 0/1
  time    = rexp(n, rate = 0.02),                         # 随访时间
  event   = rbinom(n, 1, 0.3)                             # 事件 0/1
)

# Kaplan-Meier 曲线（按衰弱分组）
fit_km <- survfit(Surv(time, event) ~ frail, data = df)
ggsurvplot(fit_km, data = df, pval = TRUE,
           risk.table = TRUE, palette = c("#3B7A9E", "#C15F3C"),
           xlab = "随访时间（月）", ylab = "生存概率")

# Cox 回归
fit_cox <- coxph(Surv(time, event) ~ age + frail, data = df)
summary(fit_cox)
cox.zph(fit_cox)                                           # ⬅ 检验比例风险假设

6. 结果怎么读

项目	值（示例）	含义
KM 中位生存	干预组 48 月 vs 对照组 32 月	干预组的事件发生时间中位数延长了 16 月
log-rank $p$	$0.003$	两条 KM 曲线显著不同
年龄 HR	$1.03^{**}$	年龄每增 1 岁，事件风险增 3%
衰弱 HR	$2.15^{***}$	衰弱患者的事件风险是非衰弱者的 2.15 倍

$^{**} p < 0.01, ^{***} p < 0.001$

7. 论文里怎么写

中文： 采用 Kaplan-Meier 法和 Cox 比例风险回归分析衰弱对老年患者首次跌倒时间的影响。log-rank 检验显示衰弱组的中位无跌倒时间显著短于非衰弱组（28 月 vs 52 月， $p = 0.003$ ）。多因素 Cox 回归显示，衰弱是首次跌倒的独立预测因素（HR = 2.15, 95% CI [1.52, 3.04], $p < 0.001$ ），年龄增加也显著提升了跌倒风险（HR = 1.03, 95% CI [1.01, 1.05], $p = 0.002$ ）。

English: Kaplan-Meier analysis and Cox proportional hazards regression were used to examine the effect of frailty on time to first fall in older adults. The log-rank test revealed that the median fall-free time was significantly shorter in the frail group compared to the non-frail group (28 months vs 52 months, $p = 0.003$ ). Multivariable Cox regression identified frailty as an independent predictor of first fall (HR = 2.15, 95% CI [1.52, 3.04], $p < 0.001$ ), and older age was also associated with increased fall risk (HR = 1.03, 95% CI [1.01, 1.05], $p = 0.002$ ).

8. 三个最常见的坑

删失处理不当。 “患者失访了”和”患者到研究结束都没发生事件”都是删失，但它们的含义不同——前者可能是非信息删失，后者是行政删失。在论文中要明确报告删失率和删失原因。
忽略比例风险假设。 如果干预的效应在短期内很强但随着时间衰减，Cox 回归的固定 HR 会低估或误估效应——必须做 cox.zph() 检验。
只看 KM 曲线，不做多因素分析。 KM 曲线是单因素比较，不能控制混杂——把”衰弱组生存差”归因于衰弱本身，但衰弱组可能年龄更大、合并症更多。