❶ 生存分析之Cox回歸
生存分析的核心是研究個體的生存狀態和時間，特別是在醫學領域，尤其關注病人生存與死亡的數據。Cox回歸則是其中一種常用工具，它探究影響患者死亡速率的因素，區分單因素或多因素分析。Cox回歸模型基於風險函數h(t)，表示在特定因素影響下，患者在某一時間點死亡的概率。其公式以協變數（如年齡、性別、疾病狀態等）和回歸系數的形式呈現，通過極大似然法估計這些系數。
刪失現象在生存分析中常見，即患者在觀察期內未被觀察到死亡，這種情況會影響數據的完整。lifelines庫是學習Cox回歸的實用工具，通過DataFrame輸入生存時間和生存狀態等信息，進行模型擬合。模型評估通過HR值（風險比例）、95%CI（置信區間）和p值進行，HR>1表示風險增加，反之風險降低。c-index則是模型預測准確性的度量，反映模型在預測生存時間方面的性能，c-index值越高，模型預測越准確。
K-M曲線，即生存曲線，直觀展示隨時間推移的生存率變化，是分析結果的重要可視化手段。刪失數據會在曲線中通過特定標記顯示。通過對比不同組別的K-M曲線，可以直觀判斷生存率差異，例如性別2的生存率相對較高，性別1較低。
深入學習Cox回歸和相關概念，可以參考以下資源：360doc.com/content/20/0... 和 zhuanlan.hu.com/p/14...
❷ 生存分析的數據類型(左刪失、右刪失...)，你都了解嗎
生存分析在長期縱向觀察的隨訪研究中發揮著重要作用。它不僅關注終點事件的發生與否，還考慮了事件出現的時間，從而有效處理了時間因素的影響。生存分析的數據資料通常分為終點事件和刪失兩類。
完全數據是指在研究過程中能明確記錄每個對象的生存時間或事件發生的具體時間。其中，生存時間是從起始事件到特定終點事件之間的時間跨度。然而，在實際研究中，數據完全觀察到的情況並不多，因此經常出現刪失數據。
刪失數據發生在無法明確觀察到終點事件的具體時間，或者研究對象因搬遷、失聯、中途退出研究或死於非研究事件等情況，導致事件發生時間未知。在生存分析中，事件發生記為「1」，刪失記為「0」。
產生刪失的原因多樣，包括研究截止時終點事件未發生，研究對象失去聯系，中途退出研究，或死於非研究相關事件等。根據情況，刪失數據分為右刪失、左刪失和區間刪失三種類型。
右刪失發生在研究結束前，終點事件尚未發生，未知確切時間，但肯定大於觀察時間。右刪失又分為I型刪失（所有對象觀察起點統一，固定刪失時間）、II型刪失（觀察到足夠數量的事件後停止，刪失比例事先設定）和III型刪失（觀察起始和刪失時間不一致，隨機發生）。
左刪失發生在研究開始時事件已發生，但無法確定具體時間。區間刪失則是在研究中只能獲知兩次隨訪間是否發生事件，但無法確定準確時間，只有事件發生在兩次隨訪間的區間內。
理解這些數據類型對於正確應用生存分析至關重要。在實際研究中，不同類型的刪失數據需採用相應的分析方法進行處理，以獲得准確的結論。