KM曲线绘制与临床预后：一文掌握核心技巧

引言Introduction

KM曲线是临床预后研究里最常见的图之一，但很多人只会“画图”，不会“读图”，更不会正确解释删失、分组和log-rank检验。如果你是医学生、医生或科研人员，掌握KM曲线绘制，才能把随访数据转化为可靠的预后证据。

1. KM曲线是什么，能回答什么问题

1.1 KM曲线的基本定义

Kaplan-Meier曲线，也叫KM生存曲线，用来描述时间与生存率之间的关系 。横坐标是随访时间，纵坐标是生存率，曲线每一次下跌，都对应一个事件发生。

它最核心的价值，不是“画得好看”，而是能把临床结局按时间展开。比如总体生存期OS、疾病特异生存期DSS、无进展生存期PFS，KM曲线都可以处理。

一句话理解，KM曲线就是用来回答“某一组患者在不同时间点还能活多久，或者还能保持无事件多久”。

1.2 KM曲线适合哪些临床场景

KM曲线特别适合预后型研究。常见应用包括：

• 比较两组或多组患者的生存差异。
• 估计任一时刻的生存率。
• 反推某一人群的大致生存时间分布。
• 评估高低风险组是否真正分离。

在肿瘤研究中，它常用于比较不同基因表达组、不同分期组、不同治疗组的生存差异。如果组间曲线分离明显，通常提示预后差异较大。

1.3 KM曲线和删失数据

KM曲线的优势之一，是能处理删失数据。删失通常指患者在研究结束前失访，或随访时尚未发生事件。

图中常见的“加号”就是删失点。它不是错误数据，而是生存分析必须保留的信息。删失处理得当，KM曲线才能尽可能接近真实世界的随访情况。

2. KM曲线的核心统计逻辑

2.1 生存率是怎么估计的

KM方法的思想是分段计算。假定每个时间点的事件发生相互独立，某一时刻的生存概率记为p，则总生存率可写成：

S(tk) = p1 × p2 × … × pk

也就是说，某个时间点之前的生存率，等于前面每一段生存概率的连乘。这个方法的优点是直观，且能处理不等随访长度。

在实际研究中，不需要手工计算，R、SPSS、GraphPad等软件都能自动完成。但理解公式很重要。因为只有理解“每次下降代表什么”，你才知道图是否可信。

2.2 log-rank检验的意义

KM曲线通常会配合log-rank检验。它的作用是比较不同组的生存曲线是否存在统计学差异。

• 原假设：两组生存曲线无差异。
• 备择假设：两组生存曲线存在差异。

如果P值小于0.05，通常认为组间差异有统计学意义。但要注意，P值显著不等于临床意义一定强，还要结合曲线分离程度和置信区间一起判断。

2.3 读图时最容易忽略的细节

很多人只盯着P值和AUC，却忽略了KM图本身的信息。实际上，读图至少要看四点：

1. 曲线是否从100%起始。
2. 曲线下降是否平缓。
3. 删失点是否分布合理。
4. 组间是否存在持续分离，还是只在某个时间段交叉。

如果曲线频繁交叉，说明风险可能随时间变化，单纯用KM图下结论要更谨慎。

3. KM曲线绘制的标准流程

3.1 先准备好正确的数据

KM曲线最关键的是数据格式。一般需要两列核心变量：

• 生存时间，常见如days、months、years。
• 生存结局，通常用0/1编码表示删失和事件。

此外，还要有分组变量，例如性别、治疗方案、基因高低表达组、分层风险组等。没有清晰的时间、结局和分组变量，KM曲线就无法成立。

如果数据来源是临床队列，要先确认终点定义是否统一。比如死亡、复发、进展、肿瘤相关死亡，这些不能混用。

3.2 用R进行KM分析的基本思路

在R中，KM分析常用survival包完成。典型流程包括：

1. 导入数据。
2. 构建生存对象。
3. 用survfit拟合KM曲线。
4. 用plot或ggplot2绘图。
5. 用survdiff做log-rank检验。

如果是黑色素瘤数据集这类案例，通常会先指定生存时间和结局变量，再按性别或其他分组因素进行比较。这个流程看似简单，但每一步都要保证变量编码正确。

3.3 画图时建议统一的规范

为了让图更适合论文发表，建议保留以下元素：

• 标注横轴和纵轴名称。
• 显示删失点。
• 增加95%置信区间。
• 放置风险表。
• 标明P值和组别名称。

这些元素不是装饰，而是提高图的可读性和可信度。一张好的KM图，应该让审稿人一眼看懂研究设计和结果。

4. 如何正确解读KM曲线结果

4.1 看曲线分离，而不是只看终点

临床研究中，KM曲线常用于判断分层是否有效。真正有价值的结果，往往是两组曲线是否长期分离，而不是最后某个时间点谁更高。

例如，高风险组曲线下降更快，说明事件发生更早，预后更差。低风险组下降更慢，说明其生存获益更好。曲线斜率越陡，通常提示事件累积越快。

4.2 看置信区间，不要只看主曲线

KM图中的置信区间可以反映估计不确定性。样本量小、删失多、随访不均衡时，置信区间往往更宽。

这时即使主曲线看起来有差异，也需要谨慎。置信区间越窄，通常说明估计越稳定。

4.3 结合研究类型解释结论

不同终点的KM图，解释方式不同。

• OS，关注总死亡。
• DSS，关注特定疾病相关死亡。
• PFS，关注进展或死亡。
• RFS/DFS，关注复发或无病生存。

如果把不同终点混在一起解释，很容易得出错误结论。终点定义决定了KM曲线的临床意义。

5. KM曲线在论文写作中的常见问题

5.1 分组阈值不清晰

很多文章会把连续变量分成高低组，但cut-off怎么来的却没交代清楚。阈值如果来自中位数、最佳截点、临床阈值，解释会不同。

建议在方法部分明确说明分组依据。否则KM曲线的可重复性会明显下降。

5.2 只做KM，不做补充分析

KM曲线只能做生存分层，不能替代多因素分析。它不能证明独立预后价值。

因此，完整的预后研究通常还需要：

• Cox回归。
• 亚组分析。
• 校准曲线。
• 时间依赖ROC。
• 临床决策曲线。

KM图负责“展示差异”，Cox模型负责“证明独立性”。

5.3 图形输出不规范

常见问题包括：

• 字体太小。
• 图例遮挡曲线。
• 风险表缺失。
• 删失点看不清。
• 坐标轴单位未标明。

这些问题会直接影响论文可读性。临床图表不是越复杂越好，而是要准确、清晰、可复现。

6. 做好KM曲线，关键是数据与工具

KM曲线绘制本身不难，难的是前期数据整理和后期结果解释。临床研究里，时间变量、结局变量、分组变量，只要有一个处理不规范，整张图就可能失去说服力。

对于想系统掌握临床预后分析的人，建议选择有完整案例、代码和结果解释的课程或工具体系，减少从零摸索的时间。像解螺旋这类面向科研实战的平台，能帮助你更快完成数据整理、KM曲线绘制和结果解读，让图真正服务于论文与临床问题。

总结Conclusion

KM曲线是临床预后研究的基础工具。它能直观展示生存时间与生存率的关系，也能配合log-rank检验判断组间差异。真正做好KM曲线，关键不只是画图，而是理解删失、分组、终点和统计检验之间的逻辑。掌握这些核心技巧，才能把KM曲线从“结果图”变成“证据图”。
如果你正在做预后分析、论文写作或临床科研，建议进一步学习规范的KM曲线绘制流程，并借助解螺旋的专业资源提升效率与质量。