生存分析中的影响变量又叫自变量，协变量，伴随变量。
CMH方法会把等级变量当成分类变量处理，忽略的顺序，卡方检验是直接忽略协变量。
如果没有Censor数据，可以使用Wilcoxon秩检验
生存率也叫累积生存概率，生存函数。是生存时间长于t的概率。这个并不是表面的生存的意思，而是事件发生率。
1. 生存函数
生存函数S(t) ：subject 存活长于某个规定时间 t 的概率，即S(t)给出了随机变量T大于规定时间t的概率。
生存函数S(t)=P(T>t)，当 t＝0 时，S(0) = P(T>0)＝1，因为最初时间点，试验刚开始时病人都活着，因此生存的概率为1；
当t＝∞时，S(∞) = P(T>∞)＝0，因为如果时间无限拉长，病人终究会死亡的，因此最后生存的概率为0。而且随着t从0到∞，S(t)会越来越小。
1.1 KM曲线
也叫product-limit法（PL法），临床中最常用。
1.2 Log-rank检验
比较生存时间是否有差异。是一种非参检验方法，不对时间的分布做假设。
H0: group之间的生存时间分布相同。时间分布相同意味着，风险在整个试验期间或任意时点也是相似的，similar risk-adjusted event rates among groups not only for the clinical trial as a whole, but also for any arbitrary time point during the trial
H1: 在实验期间，至少一个点之间的生存率不同。event rates differ among groups at one or more time points during the study。
dj / nj 相当于理论发生率，整个率乘以n1j是group A理论event次数。 O 和 E是总和，二者相减在除以V，看看这差值显著不。
1的平方除以2就得到3中的统计量。就是上图中的那个卡方计算。
-2Log(LR)是属于参数检验，要求整个hazard在实验期间不变，这个不太合理。
plots = (s,ls,lls)
- LLS图近乎直接时，log-rank检验效能高。
- S图有交叉时，Wilcoxon效能高。
- LS图近乎直线时，-2Log(LR)效能高。
1.3 数据解读
这张是生存率，没啥好说的。
- Suivival生存率和Failed事件数都是累计的。
- Suivial计算：当天left人数也就是存活人数，除以当天的at risk人数(上一天的生存人数)，再乘以上一天的Suivival(也就是累计生存率)，得到现在累积生存率。例如： 21 / 22 * 0.92 = 0.87818.
- Timelist 和 wks关系，只在Event发生的时候，wks才会改变，否则就一直是当前这个。wks就是观察到事件和Censor的时间。
这是累积事件发生率，就是 1- survival。
对比标1的那种图即可得，wks和timelist之间的关系，在下一个wks发生之前，timelist一直对应当前这个数。因为wks就是记录Event或Censor的。
data hsv; input vac $ pat wks x @@; cens = (wks < 1); wks = abs(wks); datalines; GD2 1 8 12 GD2 3 -12 10 GD2 6 -52 7 GD2 7 28 10 GD2 8 44 6 GD2 10 14 8 GD2 12 3 8 GD2 14 -52 9 GD2 15 35 11 GD2 18 6 13 GD2 20 12 7 GD2 23 -7 13 GD2 24 -52 9 GD2 26 -52 12 GD2 28 36 13 GD2 31 -52 8 GD2 33 9 10 GD2 34 -11 16 GD2 36 -52 6 GD2 39 15 14 GD2 40 13 13 GD2 42 21 13 GD2 44 -24 16 GD2 46 -52 13 GD2 48 28 9 PBO 2 15 9 PBO 4 -44 10 PBO 5 -2 12 PBO 9 8 7 PBO 11 12 7 PBO 13 -52 7 PBO 16 21 7 PBO 17 19 11 PBO 19 6 16 PBO 21 10 16 PBO 22 -15 6 PBO 25 4 15 PBO 27 -9 9 PBO 29 27 10 PBO 30 1 17 PBO 32 12 8 PBO 35 20 8 PBO 37 -32 8 PBO 38 15 8 PBO 41 5 14 PBO 43 35 13 PBO 45 28 9 PBO 47 6 15 ; ods html; proc lifetest data = hsv timelist = 1 to 48 by 1 outsurv = survival_rate ; time wks * cens(1); strata vac; ods output Quartiles = Quartiles (where=(percent=50)); ods output ProductLimitEstimates = survival_plots; ods output HomTests = _logtest_(where=(test = 'Log-Rank')); run;
proc lifetest data = hsv OUTCIF = B reduceout atrisk timelist = 0 to 48 by 1 ; time wks*cens(1) / EVENTCODE = 0; strata vac; run; proc lifetest data = hsv OUTCIF = c atrisk timelist = 0 to 48 by 1 ; time wks*cens(1) / EVENTCODE = 0; strata vac; run;
- 加了timelist后，要加reduceout，否则数据集中不会显示timelist的。
- 那两个OUTCIF配合，可以画CIF曲线和Number of subject at risk 的bolck plot。
strata siteid/group=vac;
这个是指定stratified factor
75%是"生存率"等于75%的时间，这个是说"生存率"还没有到75%。
这个生存率不是单纯的生存死亡，而是时间从观察到发生之间的时间。也就是事件发生率。
2. 风险函数
对time没有假设要求，数值型和分类型协变量都可以，比如调整肿瘤患者的年龄，患病时长等。
Cox proportional hazards model is the way in which the hazard changes over time。
这个模型假设风险随时间变化，这个很合理。同时假设the ratio of event hazards between two individuals之间是一致的，这就是proportional hazards假设。
hazard是事件发生时间的倒数，如预测6个月发生，hazard是1/6，单位是month。反过来说，风险不变条件下， 1 / hazard 就是event出现的时间。
2.1 proportional hazards假设
Hazard变，Hazard ratio变，但Hazard不随时间变。这就是等比例风险假设。
检验方法：
plots = (s,ls,lls)
LLS图不交叉，或
model wks*cens(1) = vac x var1*wks/ ties = exact;
加入和时间的交互项，不显著。无交互作用说明，效应增量是相同的。
如果某个协变量不满足等比例风险假设，可以分层，即：
STRATA age sex;
2.2
这是说加入不加入协变量模型的变化，Likelihood Ratio的变化是10多，显著，说明加了协变量后，模型拟合更好。
/ param = ref时， e-0.9次方是0.404，说明Drug 组，任意时点的hazard是placebo组的40%左右。
如果/ param = effect不可以直接这么算。
x是数值型协变量，1.193 - 1 = 19.3%，就是说x每增加一单位，hazard增加19.3%。
ties是说有数值相同的值，具体指定ties = ,看SAP.
proc phreg data = hsv; class vac(ref='PBO') / param = ref; model wks*cens(1) = vac x / ties = exact; run;
标签：分析,GD2,生存,生存率,13,PBO,wks 来源： https://www.cnblogs.com/SAS-T/p/15574046.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。