2023年以来浙中医大学郑老师开设了一系列医学科研统计课程，零基础入门医学统计包括R语言、meta分析、临床预测模型、真实世界临床研究、问卷与量表分析、医学统计与SPSS、临床试验数据分析、重复测量资料分析、结构方程模型、孟德尔随机化等10门课，如果您有需求，不妨点击下方跳转查看：
2023年郑老师多门科研统计课程：多次直播，含孟德尔随机化方法
生存分析，针对随访的数据进行分析，在其过程中，出了生存结局（是否出现阳性事件），还有相应的时间。这包括，生存时间与随访时间，于是产生了中位生存时间与中位随访时间。很多人不理解，我这里说两句。
不管是中位生存时间还是中位随访时间，其本质都是一样的，都是中位数。只不过指标不同，中位生存时间是生存时间的中位数，中位随访时间是随访时间的中位数。
• 中位生存时间（median survival time）：
也称半数生存期，表示恰有50%的个体存活的时间（不是生存时间的中位数），即生存率为50％时对应的生存时间
中位生存时间不能简单地理解为“死亡人数到了一半”或“存活人数还剩一半”，正如前面说的，因为它有失访问题。严格来说就是累积生存率=0.5的时候所对应的时间t。
中位生存时间一般可以通过SPSS中的K-M计算得到，该法中，有两个变量，一个是生存结局（是否出现阳性事件），另外一个则是生存时间。
中位随访时间：
很多人不明白的地方在于：随访时间的中位数怎么求？
随访时间的计算是随访时间=随访截止时间-患者入组时间
所以，其实仔细想想中位生存时间就不难明白，中位生存时间的计算，“死亡”作为结局，其它作为删失，没法获得结局。中位随访时间则恰恰相反，删失的那些是结局（因为就是随访到那个时间点了），“死亡”则是作为删失。为什么呢？因为死亡的人，你不知道（如果不死亡的话）能够随访到什么时候。
在生存分析中，中位生存时间用来描述发生结局事件受试人群[status = 1]的一般生存情况。与其相似，中位随访时间主要是用于描述删失[status = 0]人群的随访情况。通常，一个临床研究需要足够长的随访时间来确保有足够多的结局事件[status = 1]发生。目前，中位随访时间多通过反式Kaplan-Meier法进行估计，即将结局事件和删失事件进行互换，再利用KM法估计。
Reverse Kaplan-Meier法。这是考虑了出现了结局事件的研究对象权重后计算的随访时间。这个方法其实和我们做生存分析是一样的。有所不同的是我们计算的是随访时间而非生存时间。在我们计算生存时间的时候，把失访当作删失处理，把死亡当作结局;而在计算随访时间时，则把出现了事件(如：死亡)当作删失处理，而把失访作为结局。看到这儿，聪明的读者就知道其实Reverse Kaplan-Meier法计算失访需要数据的格式其实和我们做生存分析是一样一样滴，不同的是我们对事件状态(status)的编码不同，一般在生存分析中状态变量应1为出现了结局事件，0为未发生结局事件。而计算随访时间时则需要反转一下，1为出现了失访，0为出现了结局事件。然后再用一般的K-M法计算随访时间。过程如下图所示：
详情请点击下方：
网页链接;mid=2650405643&idx=1&sn=4599508d021b8cc814d79f6ad6492f81&chksm=835186a3b4260fb5992c10667e2871031655c95ea1ccde58f3a321d478aa3c5c9dbcb4c57d9c&token=347311398&lang=zh_CN#rd
vx关注“医学论文与统计分析”，获取更多精彩内容！
2023年统计服务
