进展期胃癌生存时间分析：两中心十年数据回顾

引言Introduction

进展期胃癌的预后差异大，随访时间长，删失数据多。如果研究设计、纳入标准和结局定义不清，生存时间分析就很容易失真。 对医学生、医生和科研人员来说，真正难点不是“会不会做”，而是“怎么做得严谨”。

1. 先明确研究问题，再谈生存时间分析

1.1 研究对象要具体到疾病分层

做生存时间分析，第一步不是画曲线，而是定义人群。
在进展期胃癌研究中，“胃癌患者”太宽泛，“进展期胃癌患者”才是可分析的人群 。如果再往下细分，还应明确分期、治疗阶段、是否可测量病灶、体能状态等信息。

两中心回顾性研究常见于临床真实世界数据。
例如，2008年至2010年间，来自两家医院的连续病例，可用于构建较完整的随访队列。这样的设计有一个优势，样本来源相对稳定。
但也有局限。不同中心的诊疗路径、记录习惯、失访率可能不同，都会影响生存结局。

1.2 纳入与排除标准决定数据质量

生存时间分析的核心前提，是队列起点一致、终点定义一致。
因此，纳入标准必须尽量具体。常见做法包括：

• 年龄范围明确，例如20至75岁。
• 体能状态明确，例如ECOG 0至2分。
• 具有可测量病灶。
• 既往未接受放化疗。
• 预计生存时间不少于3个月。

排除标准同样重要。
妊娠、双原发癌、关键信息缺失、基线状态极差等情况，都会影响终点判断。
如果这些病例混入分析，Kaplan-Meier曲线和Cox模型都可能被稀释。

2. 生存时间分析的关键变量，必须先定义清楚

2.1 时间变量和结局变量不能混淆

生存时间分析最基础的两个变量是时间和结局。
时间变量通常是从入组到事件发生的间隔。
事件可以是死亡、复发、进展，也可以是其他预先定义的终点。

结局变量要特别注意删失。
在经典生存分析中，只有两类记录：

• 出现终点。
• 未出现终点，即删失。

删失不是失败。
失访、研究结束时仍存活，都会被视为删失。
它们都不是终点事件。 这一点在数据整理时必须统一。

2.2 分组变量要服务于研究问题

如果研究要比较不同治疗策略的生存差异，分组变量必须提前定义。
例如手术方式、辅助治疗方案、是否接受某种暴露因素等。
分组越清晰，后续的生存曲线解释越可靠。

对于两中心数据，分组还要考虑中心效应。
同样是进展期胃癌，不同医院的手术范围、围手术期管理、随访强度都可能不同。
如果不控制这些因素，观察到的生存差异未必来自治疗本身。

3. Kaplan-Meier曲线适合回答什么问题

3.1 它回答的是“谁活得更久”

Kaplan-Meier法是生存时间分析最常用的描述性方法。
它的价值不在于复杂，而在于直观。
它能展示不同组在不同时间点的累计生存概率。

在胃癌研究中，Kaplan-Meier曲线常用于比较：

• 不同治疗方式的总生存。
• 不同分期患者的生存差异。
• 是否接受辅助治疗的预后差异。

曲线越分开，提示组间差异可能越大。
但“看起来分开”不等于“统计学显著”。
还需要Log-rank检验进一步判断。

3.2 中位生存时间比平均生存时间更稳健

生存数据常常右偏，且存在删失。
这时平均生存时间并不总是最佳指标。
中位生存时间更适合临床解释。

例如，全队列中位生存时间为89个月，说明有一半患者在89个月前发生终点或被删失。
如果某治疗组中位生存时间更长，通常意味着该组预后更好。
但临床解读时，仍要结合95%置信区间和事件数。

3.3 读图时要同时看事件分布

看曲线不能只看“高低”。
还要看下面的风险集人数。
如果后期样本数很少，曲线尾部的波动往往不稳定。
尾部结论不能过度解释。

这是很多初学者容易忽略的问题。
在论文写作中，建议同时报告：

• 中位生存时间。
• 1年、3年、5年生存率。
• 风险比或HR。
• Log-rank检验P值。

4. Log-rank检验和Cox模型，分别解决什么问题

4.1 Log-rank检验用于组间整体比较

Log-rank检验用于比较两组或多组生存曲线是否存在总体差异。
它的特点是简单、直接。
它回答的是“曲线是否分离”，不是“差异来自哪个变量”。

如果P值小于0.05，说明组间生存分布存在统计学差异。
但这不等于因果关系成立。
特别是在回顾性研究中，混杂因素依然可能很多。

4.2 Cox比例风险模型更适合控制混杂

如果研究要识别独立预后因素，Cox模型更合适。
它可以同时纳入多个变量，例如：

• 年龄。
• 分期。
• ECOG评分。
• 治疗方式。
• 中心来源。

Cox模型输出的是HR。HR大于1提示风险增加，小于1提示风险降低。
这比单纯比较两组曲线更接近临床真实问题。

但Cox模型有前提。
最重要的是比例风险假设。
如果不同时间段的风险比变化明显，模型结果就要谨慎解释。
必要时应进行分层分析或时间依赖模型。

5. 两中心十年数据回顾，最容易踩的坑

5.1 失访和缺失值处理要前后一致

回顾性研究里，最常见的问题不是“没有数据”，而是“数据不一致”。
同一个患者在两家医院的病历中，可能存在日期差异、终点记录不一致、随访节点不同等问题。
如果起点和终点定义不统一，生存时间就失去可比性。

建议在数据整理时先完成三件事：

1. 统一入组日期。
2. 统一终点事件定义。
3. 统一删失规则。

5.2 中心效应不能忽略

两中心数据合并后，不能默认它们完全相同。
如果一个中心收治的患者病情更重，另一个中心的辅助治疗更规范，最终生存结果可能被中心差异影响。
这时可以：

• 在Cox模型中纳入中心变量。
• 做分中心敏感性分析。
• 检查基线特征是否平衡。

对科研人员来说，中心效应是回顾性研究里必须主动解释的变量。

5.3 样本量不是越大越好，而是事件数要足够

生存分析的有效信息主要来自事件数，而不是单纯样本总量。
如果随访时间短、死亡事件少，模型再复杂也不稳。
因此，设计阶段就要预估：

• 目标事件率。
• 随访时长。
• 脱落率。
• 组间比例。

这也是为什么临床研究中，样本量估计常和HR、总生存率、随访期限一起计算。
没有足够事件数，结论就容易漂移。

6. 写成论文时，结果部分应该怎么表达

6.1 结果顺序建议从描述到推断

一个规范的生存分析结果，通常按以下顺序写：

• 基线特征。
• 随访时间和失访情况。
• Kaplan-Meier曲线。
• Log-rank检验。
• Cox单因素和多因素分析。

这样写，逻辑最清楚。
先描述总体情况，再比较组间差异，最后找独立因素。
读者也更容易抓住重点。

6.2 结论要克制，不要过度外推

如果两组5年生存率接近，不能直接说治疗“优于”或“治愈效果显著”。
更稳妥的表述是：

• 两组总体生存率差异有限。
• 某因素可能与预后改善相关。
• 该发现仍需前瞻性研究验证。

回顾性两中心研究适合提出假设，不适合直接下因果结论。
这是E-E-A-T中“可信度”的关键。

6.3 图表要服务于结论

建议至少保留三类图表：

• Kaplan-Meier生存曲线。
• 基线特征表。
• Cox回归结果表。

如果需要，还可补充分中心曲线。
这样可以把“总体趋势”和“中心差异”同时展示出来。
对审稿人来说，证据链会更完整。

7. 从数据整理到发表，如何提高效率

7.1 先统一格式，再进入统计分析

生存时间分析最怕原始数据混乱。
推荐先把数据整理成标准三列：

• time，生存时间。
• status，结局状态。
• group，分组变量。

如果有协变量，再逐列加入。
先标准化数据结构，再做统计分析，效率会高很多。

7.2 借助专业工具减少错误

对于医学生和科研人员来说，重复性工作最耗时间。
文献整理、变量转换、统计参数核对，任何一步出错都会影响结果。
这时，使用成熟工具可以显著降低错误率。

像解螺旋这样的专业科研支持平台，能帮助研究者更快完成文献梳理、数据规范化和统计分析前准备。
把时间留给研究设计和结果解释，往往比反复修正格式更有价值。

总结Conclusion

进展期胃癌生存时间分析，核心不是“画出一条曲线”，而是从人群定义、结局定义、删失处理到模型选择，形成完整证据链 。两中心十年数据回顾能提供真实世界线索，但也更考验数据一致性和中心效应控制。对医学生、医生和科研人员来说，真正高质量的生存分析，必须兼顾统计方法和临床解释。

如果你正在整理胃癌随访数据，或准备撰写生存分析论文，建议尽早规范变量、统一终点，并借助解螺旋提升整理和分析效率。把复杂问题标准化，研究结论才更可靠。