生存分析实战：6种方法怎么选？

引言Introduction

生存分析是临床研究里最常见，也最容易用错的一类统计方法。很多人只会画KM曲线，却分不清生存率、累计生存概率、删失数据和Log-rank检验。如果方法选错，结果可能“看起来正确”，但结论不可信。

1. 先弄清楚：生存分析到底在分析什么

1.1 不是只看“活了多久”

生存分析研究的是 time to event ，也就是“事件发生的时间”。这里的事件不一定是死亡。
它可以是死亡、复发、进展、转移，也可以是下床活动、愈合、缓解等。

核心不是单纯的时间，而是“时间 + 结局”。 这也是生存分析和普通回归最大的区别。
在医学研究中，事件必须先定义，再收集时间。定义不同，统计结果就完全不同。

1.2 删失数据是生存分析的关键

临床随访里，不是每个患者都会观察到终点。常见情况有三类：

• 失访。
• 研究结束时仍未发生事件。
• 未发生你定义的事件，但出现了其他原因结局。

这些都属于删失。删失不是错误，而是生存分析必须处理的正常数据结构。
这也是为什么KM法、Log-rank检验和Cox回归会成为主流工具。

2. 6种方法怎么选，先看你的研究问题

2.1 Kaplan-Meier法，最适合做生存描述

如果你的目标是看某组患者的生存情况，或者比较两组预后，首先想到的通常是KM法。
它能绘制生存曲线，直观展示不同时间点的生存概率。

KM法最常见的用途有三类：

1. 描述单组生存情况。
2. 比较分组后的生存差异。
3. 报告中位生存时间和生存率。

在临床文章里，生存分析最常见的第一步就是KM法。
它适合样本量不大的研究，也适合做初步预后分析。

2.2 Log-rank检验，专门比较组间差异

如果你已经画出了KM曲线，下一步通常要判断两组曲线是否有统计学差异。
这时用的就是Log-rank检验。

它的特点是：

• 比较的是整个随访期间的生存差异。
• 对远期差异更敏感。
• 是KM分析的标准配套方法。

如果生存曲线没有明显交叉，Log-rank通常是首选。
如果曲线交叉明显，就要谨慎，因为它可能掩盖局部差异。

2.3 Cox回归，适合找独立预后因素

如果你不只是想“比较两组”，而是想找影响生存的因素，就要用Cox回归。
它是生存分析里的多因素模型，常用于筛选独立预后因素。

Cox回归最常报告的是HR，也就是风险比。

• HR > 1，说明风险更高。
• HR < 1，说明风险更低。
• HR = 1，说明无差异。

单因素Cox看的是粗略关联，多因素Cox看的是校正后的独立效应。
这点在论文写作里非常重要。

3. 另外3种方法，什么时候需要考虑

3.1 寿命表法，临床研究里很少用

寿命表法也是一种生存描述方法，但在实际临床研究中使用很少。
它更偏向分组汇总，灵活性不如KM法。

如果你做的是常规医学研究，通常不必优先考虑它。
大多数情况下，KM法比寿命表法更实用，也更容易发表。

3.2 竞争风险模型，适合“其他事件抢先发生”

当一个患者可能发生多个互相竞争的结局时，单纯KM法会高估目标事件概率。
比如研究某种肿瘤相关死亡，但患者可能先死于心血管事件。
这时就要考虑竞争风险模型。

它适用于：

• 多结局共存。
• 其他事件会阻止目标事件发生。
• 需要更真实的累积发生率估计。

如果结局类型不是单一事件，竞争风险模型往往比传统KM更合理。

3.3 two-stage或landmark法，适合曲线交叉或动态效应

当KM曲线交叉时，Log-rank和常规Cox可能不够理想。
这时可以考虑 two-stage 方法或 landmark 方法。

它们常用于：

• 暴露效应随时间变化。
• 早期和晚期效应方向不同。
• 生存曲线交叉明显。

这类方法更偏方法学研究，也更考验统计设计。
如果你的曲线交叉，别急着套Log-rank，先判断是不是动态效应。

4. 实战选择：6种方法怎么落地

4.1 先问自己3个问题

做生存分析前，先判断这3件事：

1. 你是要描述生存，还是比较组间差异。
2. 你的结局是不是单一事件。
3. 生存曲线有没有交叉，是否存在时间依赖效应。

这三个问题，基本决定了方法选择。
不是先选软件，而是先选问题。

4.2 常规临床文章的推荐顺序

如果是大多数临床研究，建议按这个顺序做：

• 第一步，KM法画曲线。
• 第二步，Log-rank检验比较差异。
• 第三步，单因素Cox筛选变量。
• 第四步，多因素Cox找独立因素。

这套流程最符合常规论文写作逻辑。
也最容易让审稿人理解。

4.3 什么情况下要升级方法

遇到下面情况，就不要只停留在KM和Log-rank：

• 曲线交叉。
• 结局有竞争风险。
• 事件时间分布明显不均。
• 想做时间依赖分析。

这时需要根据研究设计，选择更合适的统计框架。
方法不是越复杂越好，而是越匹配研究问题越好。

5. 结果报告时，最容易出错的地方

5.1 中位生存时间和中位随访时间不是一回事

这两个概念经常被混淆。
中位生存时间是看“事件发生到什么时间”。
中位随访时间是看“观察了多久”。

前者反映结局，后者反映观察长度。
写论文时必须区分，否则容易被审稿人指出。

5.2 生存率、累计生存概率也不是随便混用

生存率、生存概率、累计生存概率在具体语境中不能乱用。
在KM分析里，通常报告的是某时间点的生存概率或生存率。

建议统一表达，避免同一篇文章里概念混乱。
尤其是医学期刊，方法描述要准确。

5.3 HR的解释要结合模型类型

很多人只会写“HR显著升高”。
但必须区分：

• 单因素HR。
• 调整后的多因素HR。

前者是粗关联，后者才更接近独立效应。
如果没有校正混杂因素，结论不能直接写成“独立危险因素”。

6. 论文里怎么写，才符合规范

6.1 常见写法要规范

生存分析部分通常可以这样组织：

• 使用Kaplan-Meier法绘制生存曲线。
• 使用Log-rank检验比较组间差异。
• 使用Cox回归分析预后因素。

如果涉及更复杂设计，再补充竞争风险模型或其他方法。
方法描述越清楚，结果越容易被信任。

6.2 数据质量比方法更重要

再好的方法，也建立在正确的数据定义上。
终点定义不清、删失标记错误、随访时间计算错误，都会直接影响结果。

临床研究里最常见的问题包括：

• 终点定义前后不一致。
• 失访处理不规范。
• 随访日期记录有误。
• 事件编码错误。

这些问题一旦出现，后面所有生存分析都会受影响。
所以生存分析之前，必须先做好数据清洗。

6.3 高质量图表能显著提升可读性

生存曲线不是只要能画出来就行。
还要看是否清晰、是否标注删失点、是否有中位生存时间线、是否配色合理。

一张规范的生存曲线图，往往比大段文字更能说服审稿人。
这也是解螺旋在科研作图和分析支持中最强调的地方。

总结Conclusion

生存分析的本质，是在处理“时间 + 事件”的临床问题。
对于大多数医学研究，优先顺序通常是：KM法描述，Log-rank比较，Cox回归筛选预后因素。
如果出现曲线交叉、竞争风险或时间依赖效应，就需要升级到更合适的方法。

真正决定结果质量的，不只是统计模型，而是终点定义、删失处理和数据规范。
如果你希望把生存分析做得更稳、更快、更符合投稿要求，可以借助解螺旋的科研支持与分析服务，减少方法选择和结果解释上的偏差，提升论文效率与可信度。