生存分析KM简介

发布时间:2024年01月18日

1. 以图为例介绍概念

1.1 基础概念

在这里插入图片描述
① 纵坐标(PFS)
含义:即试验的患者发生死亡/疾病进展时,认为发生了终点事件(event)。
数字:假设100个人在用药组,过了一段时间后总共有30人死亡/疾病进展,则PFS为70%
其他指标:另一个最常用的是OS,终点事件为死亡。
② 横坐标(time)
含义:随机化时间,一般指月份。
③ 图像
两个试验组,谁在上面,说明谁的疗法有效性会更好,说明病人越少、越晚发生了终点事件。
④ 主要结论—右上表
中位PFS:指某条曲线降低突破50%的时候对应的月份。
一年、二年PFS:在1年、2年这些时间节点,PFS的值。
95%CI、数据后的括号:95%的置信区间指在100次重复临床试验中,有95次结果的PFS会落在括号的区间内。更方便估测真实世界的可能结果。
⑤ 主要结论—HR及P值
HR:全称Hazard Ratio,是两个试验组风险率的比值,这个数值与时间无关,是根据一整个试验数据得出的结果。目的是,尽量客观的描述整体的生存曲线位置,而不是仅以单个时间点的PFS决定
默认情况下,HR是试验组风险/对照组风险,因此HR<1,那么就说明试验组能降低风险(试验组药效更好);HR>1,试验组提升了风险。
P值:根据回归方程(常用log-rank),通过一系列HR值,得到一个p值。p值衡大于0,p值小于0.05的时候,说明试验组药效有用。
⑥ at risk人数
在这个时间节点,未删失、未发生终点事件的人群,因为受试者尚且有发生事件的risk,因此被记录为 at risk的人数。
0(28)代表,未发生终点事件人数=0,发生删失的人数=28,发生终点事件的人数=33。

1.2 实际案例

在这里插入图片描述

① 试验组相对于对照组的药效有极显著性差异(p<0.0001)
② 风险比(0.59)<1,95%置信区间也都<1,试验组风险率是对照组风险率的一半,说明试验组能降低终点事件发生的风险。
③ 中位PFS结果、at risk人数结果展示。

1.3 KM曲线与临床试验关系

① 临床试验开展过程中,部分患者无法记录终点事件
在这里插入图片描述
② 临床试验以时间维度,每个患者的状态
红色死亡、+号删失、绿色代表尚未发生终点事件
在这里插入图片描述

③ 临床试验结果与KM曲线的对应关系
在这里插入图片描述

2. 学习代码

具体可按照 R语言生存曲线的可视化(超详细) 复现。

3. 绘制生存曲线示例

library("survival")
library("survminer")
  
survival <- read.csv("survival.xls", sep = "\t", fileEncoding = "GBK")

# survival示例
baseline_ddr_sample	Progression=1	PFS(months)	Death=1	OS(months)
1	1	8.37	1	9.57

## 3.1 OS ------------------------------------------------------------------
# 创建生存对象 OS是time, progressin是event
surv_obj <- Surv(time = survival$OS.months., event = survival$Death.1)

# 拟合生存曲线
fit <- survfit(surv_obj ~ baseline_ddr_sample, data = survival)
print(fit)

# 查看看完整的生存表格
summary(fit)
summary(fit)$table

d <- data.frame(time = fit$time,
                n.risk = fit$n.risk,
                n.event = fit$n.event,
                n.censor = fit$n.censor,
                surv = fit$surv,
                upper = fit$upper,
                lower = fit$lower
)
head(d)

#按分层更改图形颜色,线型等
ggsurvplot(fit,
           pval = TRUE, conf.int = TRUE,
           risk.table = TRUE, # 添加风险表
           risk.table.col = "strata", # 根据分层更改风险表颜色
           linetype = "strata", # 根据分层更改线型
           surv.median.line = "hv", # 同时显示垂直和水平参考线
           ggtheme = theme_bw(), # 更改ggplot2的主题
           palette = c("#E7B800", "#2E9FDF"), #定义颜色
           title = "OS of Survival Curve",
           xlab = "Time(Months)"
           )



## 3.2 PFS -----------------------------------------------------------------
surv_obj <- Surv(time = survival$PFS.months., event = survival$Progression.1)
fit <- survfit(surv_obj ~ baseline_ddr_sample, data = survival)

d <- data.frame(time = fit$time,
                n.risk = fit$n.risk,
                n.event = fit$n.event,
                n.censor = fit$n.censor,
                surv = fit$surv,
                upper = fit$upper,
                lower = fit$lower
)
head(d)

#按分层更改图形颜色,线型等
ggsurvplot(fit,
           pval = TRUE, conf.int = TRUE,
           risk.table = TRUE, # 添加风险表
           risk.table.col = "strata", # 根据分层更改风险表颜色
           linetype = "strata", # 根据分层更改线型
           surv.median.line = "hv", # 同时显示垂直和水平参考线
           ggtheme = theme_bw(), # 更改ggplot2的主题
           palette = c("#E7B800", "#2E9FDF"), #定义颜色
           title = "PFS of Survival Curve",
           xlab = "Time(Months)"
           )

参考文件:
(1)R语言生存曲线的可视化(超详细)
(2)一文快速看懂生存曲线(KM曲线)

文章来源:https://blog.csdn.net/S_AGZX/article/details/135684162
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。