原文链接：https://www.bioinfo-scrounger.com/archives/647/
生存分析是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。生存分析可用来预测在某一时间点上的事件是否会出现，它需要通过时间的维度来完成事件在某一时间发生概率的预测。
（1）参数法：知道生存时间的分布模型，然后根据数据来估计模型参数，最后以分布模型来计算生存率。
（2）非参数法：不需要生存时间分布，根据样本统计量来估计生存率，常见方法Kaplan-Meier法（乘积极限法）、寿命法。
（3）半参数法：也不需要生存时间的分布，但最终是通过模型来评估影响生存率的因素，最为常见的是Cox回归模型。
ps：生存率，可以看作条件生存概率（conditional probability of survival）的累积，比如三年生存率则是第1-3年每年存活概率的乘积。
（1）Kaplan-Meier plots to visualize survival curves（根据生存时间分布，估计生存率以及中位生存时间，以生存曲线方式展示，从而分析生存特征，一般用Kaplan-Meier法，还有寿命法）。
（2）Log-rank test to compare the survival curves of two or more groups（通过比较两组或者多组之间的的生存曲线，一般是生存率及其标准误，从而研究之间的差异，一般用log rank检验）。
（3）Cox proportional hazards regression to describe the effect of variables on survival（用Cox风险比例模型来分析变量对生存的影响，可以两个及两个以上的因素，很常用）。
一般做生存分析，可以先用KM（Kaplan-Meier）方法估计生存率，做生存曲线，之后可以根据分组检验一下多组间生存曲线是否有显著的差异，最后用Cox风险比例模型来研究下某个因素对生存的影响。
生存曲线（survival curve）是将每个时间点的生存率连接在一起的曲线，一般随访时间为X轴，生存率为Y轴；曲线平滑则说明高生存率，反之则低生存率；中位生存率（median survival time）越长，则说明预后较好。
（1） 指的是在第 年还存活的概率。
（2） 指的是在 年之前还存活的人数。
（3） 指的是在事件发生的人数，即有多少人发生了事件。
（4）
（1）基本信息获取
#packages library(ggplot2) library(ggpubr) library(survival) library(survminer) #data data("lung") print(head(lung)) #a <- Surv(time,status),create a survival data object #survfit(a,data),create KM curve fit <- survfit(Surv(time, status) ~ sex, data=lung) print(fit) #plot(fit) #获取整体的拟合效果 ##显示出详细信息 fit_1 <- summary(fit) print(fit_1) ##对详细信息进行统计的结果 fit_2 <- summary(fit)$table print(fit_2) #获取具体到每个时间点的拟合效果 res.sum <- surv_summary((fit)) print(head(res.sum))（2）绘制KM曲线
1°
#绘制拟合后的KM曲线 #主要使用Survminer包的ggsurvplot()函数 #代码在使用survfit()函数时用性别因子进行了分组，所以生存曲线有两组，即两条曲线。 #如果不想分组，将sex换成1即可 ggsurvplot(fit, pval = TRUE, conf.int = TRUE, risk.table = TRUE, # Add risk table risk.table.col = "strata", # Change risk table color by groups linetype = "strata", # Change line type by groups surv.median.line = "hv", # Specify median survival ggtheme = theme_bw(), # Change ggplot2 theme palette = c("#E7B800", "#2E9FDF") )效果图：
2°
#在参数里加上fun = "event"则可绘制cumulative events图 ggsurvplot(fit, conf.int = TRUE, risk.table.col = "strata", # Change risk table color by groups ggtheme = theme_bw(), # Change ggplot2 theme palette = c("#E7B800", "#2E9FDF"), fun = "event")效果图：
3°
#如果想对不同组的生存率进行假设检验（Log-Rank test）的话，可以用survdiff()函数。 #Log-Rank test是无参数检验，近似于卡方检验，零假设是组间没有差异。 surv_diff <- survdiff(Surv(time, status) ~ sex, data = lung) print(surv_diff)结果展示：
