【IBM-SPSS课件】生存分析与Cox模型

生存分析的方法
▪ ①參數方法，數據必須滿足相應的分佈。常用的參數模型有： 指數分佈模型、Weibull分佈模型、對數正態分佈模型、對數 Logistic分佈模型、gamma分佈模型。
▪ ②半參數方法，是目前非常流行的生存分析方法，相對而言， 半參數方法比參數方法靈活，比非參數方法更容易解釋分析結 果。常用的半參數模型為Cox模型。
▪ Kaplan-Meier 法—比較因數
Hale Waihona Puke ▪ Kaplan-Meier 法—保存
▪ Kaplan-Meier 法—選項
模組解讀 --- Cox回歸
▪ Cox回歸—定義事件
▪ Cox回歸—分類
▪ Cox回歸—繪圖
▪ Cox回歸—保存
▪ Cox回歸—選項
▪ Cox回歸—Bootstrap
生存時間具有：分佈類型不確定，一般表現為 正偏態分佈； 數據中常含有刪失數據。
（2）基本的概念②
▪ 完全數據：指從事件開始到事件結束，觀察對 象一直都處在觀察範圍內，我們得到了事件從 開始到結束的準確時間。
▪ 刪失數據：指在研究分析過程中由於某些原因 ，未能得到所研究個體的準確時間，這個數據 就是刪失數據，又稱為不完全數據。產生刪失 數據的原因有很多：在隨訪研究中大多是由於 失訪所造成；在動物實驗研究中大多由於觀察 時間已到，不能繼續下去所造成。
模組解讀 ---時間依存變數Cox 模型
模組解讀 ---時間依存變數Cox 模型
實例講解
▪ 例19.1：某醫院對114例男性胃癌患者術後生存 情況進行11年隨訪，據此計算男性胃癌患者術 後各年的生存率。具體數據見19-1.sav資料庫。
實例講解
▪ 例19.2：某醫院對44例某病患者隨機化分組後 ，一組為對照組，一組為實驗組，實驗組採用 某種干預措施，對照組不採用任何干預措施， 觀察患者生存時間。
（2）基本的概念④
▪ 半數生存時間：指50%的個體存活且有50%的 個體死亡的時間，又稱為中位生存時間。因為 生存時間的分佈常為偏態分佈，故應用半數生 存時間較平均生存時間更加嚴謹。
▪ 風險函數：指在生存過程中，t時刻存活的個體 在t時刻的暫態死亡率，又稱為危險率函數、暫 態死亡率、死亡力等。一般用h（t）表示。h（t ） = 死於區間（t，t+t）的病人數 / 在t時刻尚 存的病人數 t。
▪ ③非參數方法，當數據沒有參數模型可以擬合時，通常可以採 用非參數方法進行生存分析。常用的非參數模型包括生命表分 析和Kalpan-Meier方法。
模組解讀 --- 壽命表
▪ 壽命表—定義事件
▪ 壽命表—定義範圍
▪ 壽命表—選項
模組解讀 --- Kaplan-Meier法
▪ Kaplan-Meier 法—定義事件
IBM-SPSS
生存分析與Cox模型
▪ （1）定義 ▪ 生存分析，是一種將生存時間和生存結果綜合起來對
數據進行分析的一種統計分析方法。
▪ 生存分析源於古老的壽命表研究，在醫學領域相應的 數據主要來自對隨訪事件的研究。
▪ 隨訪資料的特點主要有：存在截尾數據；數據呈正偏 態分佈。
（2）基本的概念①
▪ 生存時間：指從某個起始事件開始，到出現我 們想要得到的終點事件發生所經歷的時間，也 稱為失效時間。
實例講解
▪ 例19.4：某研究者想研究肺癌的術後生存時間與 手術時年齡的關係，收集了一些肺癌病例的數 據，詳見19-4.sav資料庫。
▪THE END
（2）基本的概念③
▪ 生存概率：指從某單位時間段開始，存活的個 體到該時間段結束時個體仍存活的可能性。生 存概率 = 下一時段開始的人數 / 該時段開始的人 數 = 1 - 死亡概率。
▪ 生存函數：指個體生存時間T大於等於t的概率， 又稱為累積生存概率，或生存曲線。S（t） = P （T>t） = 生存時間大於等於t的病人數 / 隨訪開 始的病人總數。S（t）為單調不增函數S（0） 為1，S（∞）為0。
▪ 試通過K-M法進行生存分析，要求評價干預措施 有無效果？同時繪製生存曲線圖。具體數據見 19-2.sav資料庫。
實例講解
▪ 例19.3：某研究者想研究肺癌四種亞型的生存時間 有無差別，收集了一些肺癌病例的數據。
▪ 要求列出Cox回歸模型的主要分析結果並能合理的 解釋結果。具體數據詳見19-3.sav資料庫。