首先，还是强调，生存不是意味着就是活着，死亡不代表死亡。生存分析中死亡，指的是阳性事件，死亡率指的是阳性事件发生率，生存时间指的是维持阴性状态的时间。
上文已指出，生存分析是开展生存率、死亡速度、生存时间的研究。作为初学者，如何学习生存分析呢?
一般初学者学习生存分析，不一定得掌握各种指标的计算原理，但得清楚各个指标的用途与意义，当然必须要学会利用SPSS绘制、分析、比较生存曲线。
“死亡”指的的是，阳性终点事件的发生。死亡速度：t时刻存活的个体在t 时刻的瞬时死亡（阳性事件发生）率，可以理解为一组人群在不同时刻的阳性终点事件发生的速度。具体可以用以下函数来表达：在专业上，我们把它称之为风险h(t)，上述公式称之为风险函数（hazard function）。风险函数随着时间的变化而变化，一般情况下，随访前期，“死亡“速度较快。与死亡速度相对应的的是死亡率，即一段时间内人群的死亡比例，死亡率由死亡速度乘以时间即可得到。生存率（survival rate）：0 时刻存活的个体经历 t 时后仍存活的可能性，简写为S（t）。这一指标临床上用的非常多，比如我们经常计算肺癌患者3年生存率、10年生存率、乳腺癌患者5年复发率等。一把情况下，研究伊始人群总生存率为1，而当所有人出现阳性终点事件时，生存率为0。 生存率与时间相关，可建立与时间的函数关系，因此生存率又称关于时间的生存函数。一般情况下，由于生存分析主要阳性事件结局为坏结局，时间越长，生存率往往越低。研究者可以根据研究对象的“死亡”速度，来计算各时间点的生存率。最常见的计算方法是Kaplan-Meier法。Kaplan-Meier法又称乘积极限法，它根据每一个时间段的生存概率相乘得到累计生存率。初学者可忽略其计算的原理与方法。生存时间与死亡率、生存率紧密相关。死亡速度越高、生存率越低，则生存时间越短。生存时间的计算，最常见的采用中位生存时间来描述。中位生存时间（median survival time）：也称半数生存期，是生存时间中位数，表示恰有50%的个体存活的时间，即生存率为50％时对应的生存时间，是描述集中趋势的指标。中位生存期越长，表示疾病的预后越好。死亡速度、生存率、生存时间三者一事三表，高度相关（见下图）。生存曲线图最常见的莫过于Kaplan-Meier生存曲线图。1958年，Edward L. Kaplan和 Paul Meier合作发表了一篇关于如何处理不完整的生存时间资料文章后，利用Kaplan-Meier方法描绘生存过程、绘制生存曲线已经成为处理不同生存时间(time-to-event)的最熟悉的方式。我们以下数据为例，采用SPSS软件绘制出最朴素的生存曲线图。3种疗法治疗66例白血病患者缓解时间（天），数据（kaplanm.sav）如下：
A疗法：4，5，9，10，11，12，13， 20+，28，28，28，29，31，32，37，41，41，57，62，74，109，100，139，158+
B疗法：8，10，10，12，14，20，48，70，75，99，103，161+，162，169，195，199+，220，217+，245+
C疗法：8，10，11，12+，23，25，28，28，31，31，40，48，89，124，143，159+，190+，196+，197+，205+，219+
本案例中总共有3种疗法，每种疗法的终点阳性事件是疾病进展，生存时间即术后到疾病进展之间的缓解期时间。时间带+号意味着它是不完全生存时间，研究对象删失了。
随着时间的流逝，同一疗法的患者逐渐出现疾病进展的现象，且大部分出现在早期，所以早期生存率下降地较快（风险函数值即死亡速度较大）。不同人群的同一时期的死亡速度可能不一致，导致不同对象死亡率、中位生存时间都不一致。
下图即Kaplan-Meier 生存曲线图，我们可以从中得到更多的信息。该图X轴为生存时间，Y轴为生存率，不同曲线代表不同治疗随着时间变化，生存率发生的变化。请问，三种治疗方法生存率变化趋势一致吗？死亡速度变化一致吗？
很明显，三者死亡率均呈下降趋势，早期下降较快，后期趋于平稳；三者死亡率下降速度不一致，A疗法（代表蓝色曲线）生存率下降较快，死亡速度较快，因此生存时间也相对较短。B、C两种疗法伯仲之间。
曲线图折线的发生意味着此时此刻研究对象发生阳性事件（本例是患者出现了进展）；带加号意味着，在此时此刻，患者出现了失访现象。
Y轴50%生存率对应的X轴时间为各条曲线的中位生存时间。可以看出来，时间长短上，A疗法<B疗法<C疗法，这是由于三种方法死亡速度不一致造成。
怎么看死亡速度（风险函数值）呢？某一时刻的死亡速度即该时刻的曲线的切线斜率（紫色虚线）。可以看出，在第40天前后，三者切线斜率是A疗法>B疗法>C疗法，意味着A疗法出现疾病进展的速度最快。同时，不同时刻同一人群死亡速度不同。
因此，通过K-M生存曲线图就可大致描述不同组人群的生存率、死亡速度、中位生存时间。同时，生存曲线图也显示出3组人群生存率变化趋势不尽相同，或者说3条生存曲线不一致，反映出3组人群不同的生存状态。
当然，若要更加细致地描述和比较生存状态，则要通过统计软件开展统计描述和统计分析。
研究利用SPSS方法，分析本文的案例“3种疗法治疗66例白血病患者缓解时间（天）”。该案例在SPSS数据库中，主要包括三个变量“分组变量”，“时间变量”，“是否删失（即是否出现阳性终点）”
描述生存过程的方法，包括寿命表法和Kaplan-Meier法。Kaplan-Meier法最常见，本文以该法为例开展分析。比较生存过程过程主要比较生存曲线是否一致，即比较生存率变化趋势总体上有无统计学差异，常见的方法包括LogRank检验和Bloslew方法。
SPSS分析入口
SPSS分析入口：分析-生存分析-Kaplan-Meier法
Kaplan-Meier法主界面及操作
①时间：放入生存时间；因子：放入分组变量；状态：放入结局变量，并定义事件。在定义事件中，软件要求作者指标，本研究阳性事件赋值。一般情况下，数据库构建针对生存结局变量，一般设定阳性事件赋值为1，因为删失而未观察到阳性结局者赋值为0。因此“定义事件”一般设定“单值”为1 。③比较因子：即开展多条生存曲线的统计学比较，常见的方法包括秩的对数（LogRank）和布雷斯洛（Breslow）检验③选项：一般选择计算生存分析表①（计算生存率）、平均值和中位数生存函数②（计算生存时间）、生存分析函数③（绘制生存曲线）
分析结果
SPSS软件基于Kaplan-Meier法，针对不同分组，比如A、B、C疗法，计算随访期间不同时点的生存率。Kaplan-Meier法根据每一个时间段的生存概率相乘得到累计生存率。因此在生存率表中，我们可以看到，当研究对象出现重点结局后，在对该时刻生存率的造成的改变；若研究对象删失，则生存率不发生改变（SPSS分析结果缺省）。比如，我们想知道第20天A组人群的生存率。通过下表可以发现，第20天患者结局是删失，生存率缺省，那么可以观察前一时间段（13天）的生存率，它与第20天一致，即72.7%。
SPSS 同时给出生存时间的均数和中位数。不过生存分析一般只关注中位生存时间即可，所以可忽略下表的平均值。SPSS给出不同组和总人群的中位生存时间及其95%置信区间。
（3）生存过程总体比较
比较A、B、C生存过程的差异，比较的是生存曲线是否相同，实际比较的是生存率变化趋势是否相同，也近似地比较生存时间分布位置是否相同。
生存曲线是否相同一般有两种方式，基本统计学和高级统计学，基础统计学是差异性比较方法（类似于t检验、卡方检验）；高级统计学是Cox回归。此处介绍基础统计学方法。
SPSS给出两种基础统计学方法，LogRank 和Breslow方法，两种均属于非参数检验。一般情况下结果相似。但是和Breslow对比较生存率是否相同时，对各时间点进行了根据样本量不同程度的加权，因此结果稍有不同。一般情况下，若需要突出早期随访生存率差异性，则采用Breslow，否则采用LogRank法。比如本例生存曲线图中，A、B、C 3种疗法早期效果差异不明显，所以Breslow检验无统计学差异(P=0.164)，而LogRank则从全局考虑，得到了阳性结果(P=0.038)。
3种疗法生存时间的直方图
（4）最后给出生存分析图。上午已有详细的介绍，此处不再赘述。
规范文字：结果表明，A疗法（中位生存时间32.0天 95%CI 20.3-43.7)、B疗法（中位生存时间99.0天 95%CI 52.1-145.9)、C疗法（中位生存时间48.0天 95%CI 0.0-131.6)存在着统计学差异（LogRank P=0.038）。统计图：一般生存分析将结合生存曲线图来进行说明，且生存曲线图最好标注中位生存时间、P值甚至是HR值。如此一以来，作者阅读生存曲线图即可以得到关于生存率、时间和速度的所有信息。
生存分析核心任务是描述和比较差异性。研究者可通过生存曲线图大致了解组间的差异性，细致的数据需要借助统计分析方法。统计分析方法论证生存曲线是否相同一般包括有两种方式，基本统计学和高级统计学。基础统计学是差异性比较方法（类似于t检验、卡方检验）；高级统计学常用Cox回归。基础统计学方法常用LogRank 和Breslow方法，主要是开展生存率分析比较，而Cox回归则比较的是风险函数，即“死亡”速度，的差异性。不仅如此，它还提供非常重要的指标：风险比（HR）。该指标不仅反映差异性，还反映研究因素（治疗措施、暴露因素）与生存风险的关联性程度。Cox回归一般用来同时探讨多种研究因素对生存风险的影响。我们将在后文详细介绍。2.LogRank法是实验性研究研究评价疗效的首选方法目前，越来越多的实验性研究注重对患者中长期的随访，因此生存分析逐渐成为评价疗效的主流方法。疗效评价主要开展疗效差异性研究，LogRank 、Breslow、Cox回归均可实现研究目的。但由于Breslow注重短期效果，而Cox分析虽然能够计算HR值，但是它的使用受到诸多条件的限制，特别是等比例风险假设条件的限制。因此，实验性研究一般更注重LogRank检验，以该方法的P值作为衡量实验措施疗效的主要循证依据。由于是随机化研究，LogRank方法虽然是简单差异性分析，但结论也非常可靠！（小统计大文章！这是我已经老早介绍过的东西）3. LogRank不能直接提供观察性研究病因学的证据由于LogRank方法属于基础统计学，与t检验和F检验一样，在观察性研究中，只能探讨组间是否统计学差异。它无法克服组间不均衡带来的潜在干扰因素的影响。一般情况下，观察性研究探讨暴露因素与生存情况的因果关联性，往往需要借助Cox回归方法来进行，该方法同logistic回归一样，可以控制干扰因素的混杂偏倚。
-本讲结束-
