Kaplan-Meier生存分析在临床研究中的规范应用与解读

引言Introduction

Kaplan-Meier分析是临床预后研究的核心方法之一，但很多人容易在时间变量、结局变量、删失数据和曲线解读 上出错。对医学生、医生和科研人员来说，真正的难点不是“会点软件”，而是能否把数据整理对、把结果解释准。

1. Kaplan-Meier分析到底解决什么问题

1.1 先明确什么是生存结局

Kaplan-Meier分析用于估计事件发生前的生存概率 。这里的“事件”不一定是死亡，也可以是复发、进展、失访前的特定终点，前提是研究设计中已预先定义。

它回答的是：在不同时间点，仍然未发生事件的人还有多少。

在临床研究中，常见结局包括：

• 总生存期，事件通常定义为死亡。
• 无进展生存期，事件通常定义为进展或死亡。
• 无病生存期，事件通常定义为复发、转移或死亡。

1.2 为什么Kaplan-Meier比简单比例更适合随访研究

如果只统计“最终死亡人数/总人数”，会忽略随访时间差异。比如两组患者都死亡10人，但一组平均随访12个月，另一组平均随访48个月，临床含义完全不同。

Kaplan-Meier方法的优势在于，它把时间维度纳入分析。
它可以处理：

• 随访时间不一致。
• 中途失访。
• 研究结束时仍未发生事件的病例。

这也是它在肿瘤学、心血管、移植、慢病管理中被广泛使用的原因。

2. 规范应用Kaplan-Meier分析前，先把数据整理对

2.1 时间变量和状态变量必须分开

做Kaplan-Meier分析时，最基本的数据结构只有两类变量。

第一类是时间变量 。
它表示从起始时点到终点事件或最后随访的时间间隔。单位要统一，常见为月或天。

第二类是状态变量 。
它表示是否发生事件。通常采用二分类编码。比如：

• 1，发生事件。
• 0，删失或未发生事件。

注意，编码规则必须在全文和表格中保持一致。
这是很多初学者最常见的错误之一。

2.2 删失数据不能随意删除

删失是生存分析中的正常现象，不是“脏数据”。常见删失包括：

• 随访结束时未发生事件。
• 中途失访。
• 因其他原因退出研究。

在Kaplan-Meier分析中，删失个体会贡献其已观察到的随访时间，但不会被计为事件。

删失不是失败，它是生存分析必须保留的信息。

2.3 先做变量赋值，再进入统计软件

在实际数据整理中，分类变量要先完成赋值。比如：

• 性别，男=1，女=2。
• 吸烟，吸烟=1，不吸烟=0。
• 分期，I期=1，II期=2，III期=3，IV期=4。

连续变量则保留原始数值。比如年龄、随访月数等。

如果研究对象包含多个时间点或多种结局，还要先明确：

1. 起始点。
2. 终止点。
3. 事件定义。
4. 删失规则。

这四项不清楚，后面的曲线和P值都没有可靠基础。

3. Kaplan-Meier曲线是怎么计算出来的

3.1 核心思想是分段相乘

Kaplan-Meier法又称乘积极限法。它的基本思想很简单：
把每个时间点的生存概率逐段相乘，得到累计生存率。

在每个事件时间点，需要计算：

• 期初人数。
• 当期事件数。
• 当期删失数。
• 当期生存概率。

其直观表达是：
累计生存率 = 前一时点累计生存率 × 当期生存概率。

这就是KM曲线呈阶梯状下降的原因。

3.2 一个规范的数据处理顺序

在临床研究中，建议按以下步骤处理：

1. 将生存时间从小到大排序。
2. 区分事件和删失。
3. 计算每个时间点的事件数和删失数。
4. 计算期初风险集人数。
5. 计算各时点生存概率。
6. 得出累计生存率。
7. 绘制Kaplan-Meier曲线。

如果某一时间点既有事件又有删失，通常先记录事件，再记录删失，具体以统计软件规则为准。

软件只是执行工具，真正决定结果的是前面的数据定义。

3.3 曲线阶梯越陡，不一定只是“生存差”

KM曲线下降快，说明事件发生更早或更多。但解读时不能只看形态，还要结合：

• 样本量。
• 事件数。
• 随访长度。
• 是否存在大量删失。

如果后期风险集人数很少，曲线末端的波动会更大。
因此，不能仅凭曲线末端的一个下跌就下结论。

4. Kaplan-Meier结果应该怎么看，才不容易误读

4.1 先看中位生存时间

中位生存时间是KM结果中最常用的指标之一。它指的是累计生存率下降到0.5时对应的时间点 。

它的临床意义很明确：

• 50%的研究对象已发生事件。
• 50%仍未发生事件。

如果曲线始终没有降到0.5，则中位生存时间可能无法估计，或需要报告“未达到”。

中位生存时间不是平均生存时间。
两者不能混用。

4.2 再看指定时间点生存率

临床论文中常常报告1年、3年、5年生存率。
KM法的优点之一，就是可以直接从曲线或生存表中提取这些节点的生存概率。

解读时要注意：

• 时间节点必须预先设定。
• 各组比较时应使用同一时间点。
• 若随访不足，远期生存率的稳定性会下降。

4.3 曲线比较不能只看“上下位置”

两组KM曲线谁在上面，通常提示生存更好。但正式结论必须依赖统计检验。

常用方法是Log-rank检验 。
它比较的是两组总体生存函数是否存在差异，适合组间事件风险随时间相对平稳的情况。

曲线分开，不等于差异一定显著。
P值显著，也不代表临床差异一定大。
还要结合HR、置信区间和绝对生存差异一起看。

5. Log-rank检验和临床意义怎么一起解读

5.1 Log-rank检验适合回答“有没有差别”

Log-rank检验的原假设是：各组生存曲线无差异。
如果P值小于0.05，提示差异具有统计学意义。

但临床写作中不能只写“P<0.05”。
还应补充：

• 哪一组生存更好。
• 差异持续发生在早期还是晚期。
• 是否存在临床可解释的背景因素。

5.2 结果报告要包含哪些内容

一篇规范的Kaplan-Meier结果，通常至少写清：

• 研究对象数量。
• 事件定义。
• 各组中位生存时间。
• 指定时间点生存率。
• Log-rank检验结果。
• 曲线差异的方向。

例如可按这种结构表达：

• A组中位生存时间为X个月。
• B组中位生存时间为Y个月。
• 两组生存曲线差异具有统计学意义，Log-rank检验P值为0.XXX。

如果只给一张曲线图而不解释统计结果，读者很难判断结论的可信度。

5.3 不要把KM分析当成多因素分析

KM分析只能做单因素分组比较 。
它不能同时调整年龄、性别、分期、治疗方式等混杂因素。

如果研究目标是评估独立预后因素，就需要进一步做Cox回归。
KM适合描述和比较，Cox适合校正和推断。
这是两者最重要的分工。

6. 临床研究中最常见的几个错误

6.1 把状态变量编码反了

有些软件默认“1=事件”，有些研究者却把“1=存活”。
这样会直接导致曲线含义颠倒。

输出前必须核对事件编码。

6.2 把删失当成事件

删失病例不应计入事件数。
如果把失访、研究结束未发病的人算作事件，生存率会被系统性低估。

6.3 忽略随访起点不一致

如果不同病例的起始时间定义不一致，比如有的从诊断开始算，有的从治疗开始算，KM结果就不可比。

起点必须统一。
这一点在肿瘤、术后、生存队列中尤其重要。

6.4 只报P值，不报时间指标

临床读者更关心“活多久”和“差多少”。
所以结果里应尽量同时报告：

• 中位生存时间。
• 1年、3年、5年生存率。
• 组间P值。

P值告诉你是否不同，生存率告诉你差多少。

7. 从研究到写作，如何让Kaplan-Meier分析更规范

7.1 方法学写作要写清楚的内容

在论文方法部分，建议明确说明：

• 生存终点定义。
• 时间起点和终点。
• 删失标准。
• Kaplan-Meier法用于估计生存曲线。
• Log-rank检验用于组间比较。

这样做的好处是，审稿人和读者可以快速判断研究设计是否严谨。

7.2 结果图和表的呈现建议

一张好的KM图应该包含：

• 时间轴。
• 生存率轴。
• 各组曲线。
• 风险人数表。
• 统计检验结果。

如果有条件，最好同步提供表格，列出：

• 各时间点生存率。
• 中位生存时间。
• 置信区间。

图负责直观，表负责精确。
两者结合，文章可信度更高。

7.3 让分析结果更容易转化为科研结论

KM分析真正的价值，不只是画出一条线，而是帮助研究者识别：

• 哪类患者预后更差。
• 哪个治疗策略更有优势。
• 哪些变量值得进入后续多因素模型。

如果你希望把这一步做得更稳妥，解螺旋品牌 提供的临床研究方法学内容和数据分析支持，可以帮助你把数据整理、KM曲线绘制和结果解读串成完整流程，减少因编码、删失和报告格式错误带来的返工。

总结Conclusion

Kaplan-Meier分析是临床生存研究中最基础，也最容易被误用的方法之一。它的关键不在于软件操作，而在于定义清楚事件、正确处理删失、规范计算生存概率，并用Log-rank检验完成组间比较 。
如果你正在做肿瘤、预后或随访研究，建议先把时间变量、状态变量和删失规则写清楚，再进入统计分析。这样得到的曲线、P值和中位生存时间，才真正可解释、可发表、可复现。想把KM分析做得更规范、更高效，可以进一步结合解螺旋品牌 的临床研究方法学资源，提升从数据整理到论文输出的整体质量。