同济医学院-《SAS》课件-SAS的生存分析(正式)PPT.pptVIP

Cox模型 像通常的回归分析一样，人们也希望能建立起生存时间（因变量或反应变量）随危险因素（自变量或协变量）变化的回归方程，以便对危险因素的作用大小有一个全面的了解和掌握、并根据危险因素的不同取值对生存概率进行预测。由于很难获得准确的生存时间， 前述目的较难直接实现。1972年Cox提出了比例危险模型，简称为Cox模型。 由于此模型在表达形式上与参数模型相似，但在对模型中各参数进行估计时却不依赖于特定的假设，所以又称为半参数模型。 Cox模型 Cox模型是目前生存分析多因素预后评价中较好的统计分析方法，医学上经常遇到“时间-反应”类型资料。如生命现象生存期、疾病潜伏期、药物试验的生效时间等。这种类型的资料可以用各种参数或非参数方法进行分析，但都有一定的局限性。Cox模型以半参数方式出现，适用于许多分布未知的资料和多因素分析，可以在众多预后因素共存的情况下，排除混杂因子的影响，提高预后分析质量，并能处理截尾数据。此模型的适用面很宽，在生存分析中占有特殊的地位。 Cox模型 设是影响生存时间t的k个危险因素。设hi(t)为第i名受试者在时刻t的风险率，即t时刻外后一瞬间的死亡速率。又设h0(t)表示不受危险因素x的影响下，在时刻t的风险率，又称为基准风险率或基准函数。其模型的具体形式为： 　　hi(t)=h0(t)exp(β1xi1+β2xi2+…+βmxim) 式中hi(t)为第i名受试者生存到t时刻的危险率函数，h0(t)是当所有危险因素(即xij=0)不存在时的基础危险率函数，X=(xi1,xi2,…,xim)是可能与生存时间有关的ｍ个危险因素所构成的向量。 Cox模型 　ln[hi(t)/h0(t)]=β1xi1+β2xi2+…+βmxim　 此式表明：各危险因素与回归系数的线性组合就是第ｉ名受试者的相对危险率函数的自然对数值。再设有i、j两个受试者,其危险因素向量分别为X1与X2，不难得出他们的相对危险率的自然对数为： 　　ln[hi(t)/h0(t)]=β1(xi1-xj1)+β2(xi2-xj2) 即利用“具有某预后因素向量的受试者的死亡风险与不具有该预后因素向量的受试者的死亡风险在所有时间上都保持一个恒定比例”的假设，巧妙地获得了各时间点上２个受试者相对危险率函数的估计值。 Cox模型 然而，当资料不满足上述假设时，即有些危险因素作用的强度是随时间而变化的，２个受试者的危险率函数之比(相对危险)随时间而改变，就应改用时变协变量模型，也称为非比例危险模型。当只有一个危险因素时，其模型的具体形式为： 　　hi(t)=h0(t)exp[βxi+γ(xiti)] 式中ti为第i个受试者的生存时间。 上述各式中的回归系数需用最大似然法进行估计，一旦有了危险率函数的估计值，再利用生存时间函数之间的相互关系，可获得其他生存时间函数的估计值。 Cox模型中参数意义的解释 对于一元Cox模型，如果因素x的取值为1和0，那么，受x影响与不受x影响的相对风险是： 对于一元Cox模型，如果因素x是连续变量，那么，表示相邻水平的风险率之比。 多余多元Cox模型，表示其它因素不变的情况下，因素xi相邻水平的风险率之比（相对风险率）。 华中科技大学公卫学院 流行病与卫生统计系 生存分析 SAS应用 蒋红卫 Email: JHWCCC@21CN.COM 学习目标 了解生存分析的应用范围和数据特点； 熟悉常见的生存时间分布规律的函数； 掌握生存率的两种估计方法：乘积极限法和寿命表法； 掌握估计和比较生存函数的SAS程序； Cox回归的形式、数据格式、应用和SAS程序。 生存分析简介 在医学研究中，常常用随访的方式来研究事物发展的规律。例如，了解某药物的疗效，了解某仪器设备的使用寿命，了解手术后的存活时间等等。这种研究的特点是追踪研究的现象都要经过一段时间，统计学上将这段时间称为生存时间。生存分析就是用来研究生存时间的分布规律以及生存时间和相关因素之间关系的一种统计分析方法。 生存分析在医学科学研究中具有广泛而重要的应用价值，它对人群寿命的研究，各种慢性疾病的现场追踪研究，临床疗效试验和动物试验等研究中随访资料的处理起着举足轻重的作用。 生存数据 生存数据，指的是生存时间以及与生存时间有关联的一组独立变量。这里主要解释与生存时间有关的几个概念。 在生存分析中将生存时间定义为从某起始事件起到某终止事件为止所经历的时间跨度。例如，在临床研究中，冠心病患者在两次发作之间的时间间隔；在流行病学研究中，从开始接触危险因素到发病所经历的时间；在动物研究中，从开始给药到发生死亡所经历的时间。所以，生存时间也称为失效时间。 生存数据 生存时间资料与多元线性回归资料很相似，只不过因变量通常为观测对象生存的时间，常用ｔ来表示。当然，生存时间是广义的