一文读懂竞争风险模型：医生必学生存分析新利器

引言Introduction

在随访研究中，很多结局并不是“单一路径”发生的。患者可能先发生复发，也可能先死于其他原因。如果把这些事件都简单当作删失，结论就可能被高估。 对医学生、医生和科研人员来说，竞争风险模型正是解决这一问题的关键工具。

1. 什么是竞争风险模型

1.1 竞争风险的本质

竞争风险指的是，在观察某个目标事件时，另一个事件先发生，并且会阻止目标事件再发生 。
例如，研究肿瘤复发时，患者可能先死于车祸、感染或其他疾病。此时，后续的复发已无法再被观察到。

这和普通删失不同。普通删失是“没观察到结局”。而竞争事件是“结局路径被别的事件终止”。
两者不能等同处理。

1.2 为什么普通Cox模型不够

经典Cox回归适用于单一终点。若把竞争事件也当作删失，模型会默认这些人和真正未发生事件的人风险相同。
这在临床上通常不成立。

常见后果有两点。

• 高估目标事件的累积发生风险。
• 错误解释协变量与结局的关系。

因此，当研究问题中存在明确的竞争事件时，竞争风险模型比普通Cox更合适。

2. 竞争风险模型适合哪些研究场景

2.1 最典型的临床问题

竞争风险模型最常见于预后研究。尤其是结局可能被“非目标事件”提前截断的场景。
常见例子包括：

• 肿瘤复发与非肿瘤死亡。
• 移植后复发与移植相关死亡。
• 自杀或自残与其他原因死亡。
• 术后并发症发生与死亡。

这些场景的共同点是，研究者关注的不是“是否发生任何事件”，而是“某一个特定事件是否发生”。

2.2 什么时候应该警惕竞争风险

只要结局属于以下情况，就要考虑。

1. 存在多个互斥事件。
2. 某个事件一旦发生，会使目标事件不再可能发生。
3. 研究随访时间较长。
4. 竞争事件发生率不低。

如果竞争事件比例高，直接用Cox模型的偏倚会更明显。

3. 竞争风险模型的核心方法

3.1 累积发生率函数比生存曲线更关键

在竞争风险分析中，最常用的不是传统生存曲线，而是累计发生率函数，CIF 。
它描述的是，某个目标事件在不同时间点的真实累积发生概率。

与Kaplan-Meier不同，CIF会把竞争事件纳入计算。
因此，它更符合临床实际。

3.2 Fine-Gray模型的意义

临床研究中最常见的竞争风险回归方法是Fine-Gray模型 。
它关注的是目标事件的亚分布风险，输出常见为sub-HR。

这类结果适合回答一个实用问题。
在考虑竞争事件后，某因素是否会影响目标事件的累计发生概率。

需要注意，sub-HR和Cox模型中的HR并不完全等价。
前者强调累计发生概率，后者强调瞬时风险。
解读时不能混用。

3.3 结果解读要保持克制

竞争风险模型的结果通常可从三个层面看。

• sub-HR及其95%CI。
• P值。
• 累积发生率曲线的形态差异。

但不要过度延伸。
例如，sub-HR升高，并不等于竞争事件概率也同步升高。
这也是很多初学者容易误读的地方。

4. 竞争风险模型与Cox模型的区别

4.1 研究问题不同

Cox模型更适合回答“某事件是否发生、何时发生”。
竞争风险模型则回答“在存在其他阻断事件时，目标事件的发生概率如何变化”。

因此，两者不是谁替代谁，而是根据研究问题选择工具 。

4.2 数据处理逻辑不同

在普通生存分析里，未发生目标事件的人常被视为删失。
但在竞争风险中，若患者先发生竞争事件，就不能简单视为普通删失。

因为这类患者已经失去发生目标事件的机会。
把竞争事件当删失，会破坏风险集的真实结构。

4.3 适用场景不同

如果研究终点非常单一，竞争事件很少，Cox模型可能足够。
但一旦出现较明显的互斥结局，竞争风险模型更稳妥。

在临床论文中，最好先判断是否存在竞争风险，再决定统计策略。
这一步决定了结果是否可信。

5. 竞争风险模型在R中的基本思路

5.1 先定义事件编码

进行竞争风险分析前，第一步是明确编码。
通常会设定：

• 0，删失。
• 1，目标事件。
• 2，竞争事件。

这个定义必须清晰。否则后续分析会失去意义。

5.2 单因素分析常用cuminc

在R中，竞争风险的单因素比较常用cuminc。
它类似于生存分析中的log-rank思路，但针对的是累计发生率。

研究者通常会先看不同组别的CIF曲线，再比较P值。
这样能判断组间差异是否存在。

5.3 多因素分析常用crr

如果需要校正混杂因素，可进一步使用crr进行多因素竞争风险回归。
常见协变量包括年龄、性别、分组、疾病分期等。

分析后重点看。

• 回归系数。
• sub-HR。
• 95%CI。
• P值。

这和多因素Cox回归的阅读方式相似，但统计含义不同。

6. 竞争风险模型的常见误区

6.1 误把竞争事件当删失

这是最常见错误。
尤其在肿瘤、移植、老年医学研究中，其他原因死亡常常不是普通删失，而是典型竞争事件。

6.2 只看P值，不看模型含义

有些研究即使P值显著，也不代表模型选择正确。
如果事件定义和统计框架不匹配，显著性也可能没有临床意义。

6.3 混淆HR和sub-HR

HR来自Cox模型。
sub-HR来自Fine-Gray模型。
它们不能直接互相替代解释。

6.4 忽略敏感性分析

如果数据中竞争风险明显，建议同时报告Cox模型和竞争风险模型。
这样可作为互补分析，帮助判断结果是否稳健。

7. 临床研究中如何正确使用竞争风险模型

7.1 先判断研究终点是否互斥

这是第一步。
如果一个事件发生后，另一个事件就不可能再发生，基本就进入竞争风险框架。

7.2 再看竞争事件是否足够常见

若竞争事件很少，模型影响可能有限。
若竞争事件比例高，就更应优先考虑。

7.3 明确报告目标事件和竞争事件

论文中要写清楚。

• 目标事件是什么。
• 竞争事件是什么。
• 删失如何定义。
• 采用了哪种模型。

这样更符合E-E-A-T原则，也更利于同行评审。

7.4 结果呈现要完整

建议至少报告以下内容。

1. 累积发生率曲线。
2. 单因素比较结果。
3. 多因素回归结果。
4. 协变量校正情况。
5. 对结果的临床解释。

完整报告比单纯给一个P值更有价值。

8. 为什么医生和科研人员都要学会它

8.1 它能避免错误结论

很多临床论文并不是“分析不努力”，而是“模型选错了”。
在存在竞争事件时，普通Cox模型可能把风险方向带偏。

8.2 它能提高论文质量

如果你在方法学部分能清楚说明为什么使用竞争风险模型，审稿人会更容易接受。
这对回顾性队列研究、预后研究和临床真实世界研究尤其重要。

8.3 它能帮助临床决策

临床医生最终关心的是风险评估。
竞争风险模型更接近真实世界中的事件路径，因此对个体化预后判断更有帮助。

如果你的研究数据存在明显竞争事件，优先考虑竞争风险模型。 这能减少偏倚，也能提升结论的可信度。若你需要进一步把方法落地到论文、课题或R分析流程中，解螺旋可以帮助你更快完成方法选择、统计方案设计与结果解读。

总结Conclusion

竞争风险模型解决的是一个非常现实的问题。
当目标事件会被其他事件“截断”时，普通生存分析可能不再适用。
在肿瘤、移植、老年医学和长期随访研究中，这一方法尤其重要。

对医学生、医生和科研人员来说，掌握它不仅能提升统计理解能力，也能提高论文设计和结果解释的准确性。
如果你正在做相关研究，建议先判断是否存在竞争风险，再决定是否使用Fine-Gray模型或联合Cox分析。
需要更高效地完成统计思路梳理和论文写作时，可以借助解螺旋 获得更专业的支持。