生存分析：KM 曲线与 log-rank 检验

跟完这篇，您能把一份带随访时间和结局的数据，做成一张 Kaplan-Meier 生存曲线，用 log-rank 检验比较分组，读出中位生存与 1、3、5 年生存率，并写成一句站得住的结论。

全程只用 R 的 survival 与 survminer 两个包，五步走：

整理出 time、event、分组三列的数据表；
画 Kaplan-Meier 曲线，配上风险人数表；
读出每组中位生存与 X 年生存率；
用 log-rank 检验判断组间差异是否显著；
写成结论，并交代方法边界。

先把两个包装好、加载好：

install.packages(c("survival", "survminer"))   # 首次使用先安装
library(survival)
library(survminer)

第一步：准备生存数据表

生存分析回答的是「多久之后发生某件事」——发生的可能是死亡、复发、进展，也可以是任何有明确起点和终点的事件。它和普通比较不一样的地方在于：很多样本到随访结束都还没发生事件，这类样本叫「删失（censored）」，既不能当作「没事」丢掉，也不能当作「已发生」。

所以一张最小可用的生存表，核心就是两列，再加上您要比较的分组列：

列名	含义	取值
`time`	从起点到事件、或到最后一次随访的时长	正数（月、天、年，全表统一一种单位）
`event`	随访结束时事件到底发生了没有	`1` = 发生（如死亡），`0` = 删失（失访或随访截止仍存活）
`group`	您要比较的分组	如 `high` / `low`、`treat` / `control`

长这样就对了：

head(df)
#>   sample  time  event  group
#> 1   S001   12.4      1   high
#> 2   S002   34.0      0   high     # 随访 34 个月仍存活，删失
#> 3   S003    5.1      1    low

上传或建模前，先照这张清单自查一遍——下面每一条都对应一类常见的返工：

检查项	要求	常见错误
`event` 编码	`1` = 事件发生，`0` = 删失	编反，整条曲线颠倒
`time` 单位	全表统一（月 / 天 / 年选一种）	月和天混用
起点	全表用同一起点（确诊日或手术日等）	有的从确诊算、有的从入组算
缺失值	`time` / `event` 缺失的行先处理	直接进模型报错，或被悄悄丢弃

第二步：画出 Kaplan-Meier 曲线

Kaplan-Meier（KM）是对「活到某个时间点的概率」的非参数估计。它不假设生存时间服从某个分布，而是每当有事件发生，就按当时「还在观察中的人数」把生存概率往下折一档；删失的样本在其删失时点之后不再计入分母，但不会让曲线下折。

画法很短：

fit <- survfit(Surv(time, event) ~ group, data = df)

ggsurvplot(
  fit, data = df,
  pval = TRUE,            # 标注 log-rank p 值
  conf.int = TRUE,        # 阴影为置信区间
  risk.table = TRUE,      # 下方风险人数表
  xlab = "时间（月）", ylab = "生存概率"
)

读这张图，先认几样东西：

纵轴：从 1 往下走，表示随时间推移仍未发生事件的比例；
台阶：每一次下折对应一个事件，台阶越密说明事件越集中；
小竖线（+）：删失点，代表这里有人退出观察，不是事件；
风险人数表（risk table）：曲线尾部往往只剩很少的人，此时一次下折就跳很大，看着「陡」其实很不稳。风险表让您一眼看出尾部还剩几个人，别被尾巴上的假差异骗了。

第三步：读出中位生存与 X 年生存率

图画完，接着从同一个 fit 对象里把数字读出来。直接打印，就有每组的中位生存和置信区间：

fit
#>       records  events  median  0.95LCL  0.95UCL
#> high      120      58    28.3     22.1     36.0
#> low       118      31    46.5     38.2       NA   # NA 表示随访期内未达中位

若某组过半的人到随访结束仍未发生事件，中位生存会是 NA（未达到）。如实写「未达到」，不要硬编一个数。

临床报告里常要「1 年 / 3 年 / 5 年生存率」，用 summary 指定时点即可（这里单位是月，60 即 5 年）：

summary(fit, times = c(12, 36, 60))   # 1、3、5 年时点的生存率
#>  time n.risk survival lower.95 upper.95     strata
#>    12     92     0.75     0.67     0.83 group=high
#>    36     34     0.41     0.32     0.52 group=high
#>    60     10     0.22     0.14     0.35 group=high
#>    12    101     0.84     0.77     0.91 group=low
#>    36     63     0.58     0.49     0.69 group=low
#>    60     22     0.40     0.30     0.53 group=low

survival 列就是该时点的生存率，lower.95 / upper.95 是它的置信区间。留意 n.risk：某时点在观察中的人数越少，那一档的生存率越不稳，报的时候心里要有数。

第四步：用 log-rank 检验比较分组

看两条曲线分开了还不够，得有个检验回答「这个差异是不是随机波动」。log-rank 检验就干这件事：把所有事件时点排开，在每个时点上按当时两组还在观察的人数，算出「如果两组生存没差别、各组本该发生多少事件」，再把「实际发生」和「理论期望」的差累加起来，得到一个卡方统计量和 p 值。

sd <- survdiff(Surv(time, event) ~ group, data = df)
sd
#>  Chisq= 8.6  on 1 degrees of freedom, p= 0.003

三组及以上时，别只跑一个整体检验就完事，要两两比较，并做多重比较校正：

pairwise_survdiff(Surv(time, event) ~ group, data = df)   # 默认 BH 法校正

关于 log-rank，有三点必须心里有数：

它检验的是「两组生存分布整体有没有差异」，原假设是「没差异」。p 小，说明差异不像随机造成的。p<0.05（多组、多基因反复比时用校正后的 padj<0.05）是常用的显著性惯例，按场景定，不是铁律。
它只给 p 值，不给效应量。 log-rank 告诉您「有没有差」，不告诉您「差多少」。想要风险比（HR）和置信区间，用 Cox 回归起步：
```
coxph(Surv(time, event) ~ group, data = df)   # 单变量 Cox，先拿到 HR
```
多因素校正见文末的 Cox 回归。
它在两组风险大致成比例（曲线不交叉）时最灵敏。 若两条曲线中途交叉，或差异只集中在早期 / 晚期，标准 log-rank 会低估差异。这类情况可考虑加权版本（对早期事件加权的 Gehan-Breslow、Peto 等），但要在看数据前就想清楚用哪种，不能挑一个 p 最小的来报。

第五步（可选）：分组要自己切时，中位数还是最佳截断

如果分组不是天然的（如处理与对照），而是您要拿一个连续变量（如某基因表达量）切成两组，那「从哪切」就直接影响结论。常见三种切法：

切法	怎么定	优点	注意
中位数	表达量中位数一分为二	事先确定、可复现、不看结局	若真实阈值不在中位，可能不够灵敏
临床阈值	领域公认的界值	有依据、跨研究可比	需确有公认阈值
`surv_cutpoint`	扫描候选切点，选生存差异最显著的	数据驱动、对分界敏感	偏向让 p 变小，易过拟合，须验证

按中位数切，一行搞定：

df$group <- ifelse(df$gene > median(df$gene), "high", "low")

用 surv_cutpoint 找「最佳截断」，它用最大选择秩统计量（maximally selected rank statistics）扫描候选切点，挑出让两组生存差异最显著的那个：

cut <- surv_cutpoint(df, time = "time", event = "event", variables = "gene")
summary(cut)                              # 给出选中的最佳截断值
df$group <- surv_categorize(cut)$gene     # 按该截断分成 high / low

这里有一条必须讲清的红线：「最佳截断」是从您这份数据的结局里挑出来的，天然偏向让 p 变小。 它一定程度上在「用同一份数据既选切点、又检验切点」，会高估显著性，也难在别的数据集上重现。所以：

优先用事先指定的切点（中位数，或领域内公认的临床阈值），结论更稳、更好复现；
若用了数据驱动的最佳截断，务必如实报告是这么切的，最好在独立数据集上验证，或说明这是探索性结果；
别拿多个切点各跑一遍、只挑 p 最小的报——这就是「切点上的 p-hacking」。

写出一句站得住的结论

图和检验都跑完，落到笔头。一段规范的生存结果，通常把这几件事说全：

样本量与事件数：不只报 n，还要报有多少人真正发生了事件（events）。事件太少（如个位数），曲线尾部和 p 值都很不稳，结论要留余地。
每组中位生存：从 fit 直接读，未达中位就写「未达到」。
关键时点生存率（如 3 年、5 年）：按报告惯例列出，配上置信区间。
组间差异与 p 值：报 log-rank p，并说清方向（哪组更差）。

一句话范式，可直接改用：

高表达组的中位总生存为 28.3 个月，低表达组为 46.5 个月，3 年生存率分别为 41% 与 58%；log-rank 检验显示两组差异有统计学意义（p = 0.003）。

写的时候，也把方法的边界一并交代清楚：

KM + log-rank 是单变量、未校正的分析，没排除年龄、分期等混杂。要调整协变量、要 HR，请转 Cox 回归。
它默认删失是非信息性的（退出观察的原因与预后无关）。若失访本身和病情相关，结论会有偏。
有其他事件会「抢走」您关心的结局时（如研究死于本病，却有人先死于他因），标准 KM 会高估累积发生率，这类问题需要竞争风险方法，本篇不覆盖。

在平台上跑一遍

以上每一步在百沐一下都不用写代码：上传带 time、event 和分组列的数据表，用一句话说清目的——「对这份生存数据做 Kaplan-Meier，按 gene 表达高低分两组，画生存曲线并做 log-rank 检验」——平台会自动选方法、出图，并给出中位生存、X 年生存率、p 值和可复现的 R 代码。上手见智能统计使用指南，或直接开始：https://app.baimuyixia.com 。