教程 · 2026-06-17

生存分析用 AI 一句话完成 — Kaplan-Meier/Cox 回归/HR 值/APA 医学报告全攻略

生存分析完整教程：用 AI 一句话完成 Kaplan-Meier 曲线、Log-rank 检验、Cox 比例风险回归，自动输出 HR[95%CI]、中位生存期、比例风险假设检验，并给出符合 APA/医学期刊格式的论文报告模板。

随访数据里有删失、有退出、有时间——这三个特点让普通 t 检验和回归全部失效。生存分析是处理"时间到事件"数据的专门武器，但 SPSS 的操作界面让人头疼。这篇文章教你用 AI 一句话跑完 KM 曲线、Log-rank 检验、Cox 回归，HR 值和 APA 句式 60 秒全齐。

随访数据为什么不能用普通回归分析

医学研究里有一类数据极其常见，却让大多数统计入门教材避而不谈：

一批癌症患者接受治疗，有些在随访结束前死亡（事件发生），有些随访期满仍然存活，有些中途失访（删失）
临床试验比较新旧方案的复发风险，主要终点不是某个数值，而是"从治疗开始到复发的时间"
队列研究追踪 5 年，关心的不是患病率，而是各组的"中位无事件生存时间"

这类数据叫做时间到事件数据（Time-to-Event Data），有两个核心特征：

结局变量是时间，不是连续分值或二分类是/否——普通线性回归假设因变量服从正态分布，对时间变量完全不适用。
存在删失（Censoring）——部分观察对象在随访结束时还没发生目标事件。这些数据不能直接丢弃，丢弃会系统性低估生存时间；也不能当作"未发生事件"处理，因为他们实际上只是"尚未发生"。

这两个特点决定了，处理随访数据必须使用生存分析（Survival Analysis）。

然而在 SPSS 里实际操作生存分析，仅是找到菜单就要费一番力气：分析 → 生存 → Kaplan-Meier 或 Cox 回归，然后分别在对话框里指定时间变量、状态变量、定义事件编码、选择检验方法……换一组数据就要重来一遍，出现错误提示时也不知道是数据问题还是参数问题。

ChatSRS 把这个流程压到一句话。

案例数据：肺癌术后辅助化疗随访队列

假设你手上有一份肿瘤科临床随访数据，共 320 名非小细胞肺癌（NSCLC）术后患者，接受不同的辅助化疗方案后进行了最长 60 个月的随访：

os_months       总生存时间（月，从手术结束到死亡或随访截止）
os_event        生存状态（0 = 删失/存活，1 = 死亡）
chemo_group     化疗方案（A = 标准铂类，B = 靶向联合铂类）
age             年龄（岁，连续变量）
stage           分期（II / III，分类变量）
ecog            ECOG 体能评分（0-1 / 2，分类变量）
smoking         吸烟史（0 = 无，1 = 有）

研究问题：

两种化疗方案的总生存期（OS）有无显著差异？（Kaplan-Meier + Log-rank）
控制混杂因素后，哪些因素是独立预后因素？效应量 HR 是多少？（Cox 回归）

这是典型的单中心前瞻性随访队列场景，在肿瘤学、心血管科、流行病学类论文中极其普遍，与博客 08 中以多种医学研究类型作综述式介绍的视角不同——本文聚焦于生存分析方法本身的原理、读表、报告句式。

生存分析核心概念

在跑模型之前，先把五个核心概念搞清楚，读输出结果才不会一头雾水。

1. 删失（Censoring）

删失不是坏数据，是"观察不完整但信息有价值"的数据。常见的删失类型：

随访到期删失：研究结束时患者还活着，记为 event = 0
失访删失：患者中途失联，最后一次随访时间作为删失时间，event = 0
竞争事件删失：目标事件是"癌症死亡"，但某患者死于心血管意外，这算作对癌症死亡的删失

生存分析对删失数据的处理方式：把删失时间之前的信息全部利用（该患者到删失为止是"存活"的），但不假设删失之后会发生什么。这称为右删失（Right Censoring），是最常见的类型。

2. 生存函数 S(t)

生存函数 S(t) 表示个体在时间 t 时刻仍未发生目标事件的概率：

S(t) = P(T > t)

t = 0 时，S(0) = 1（所有人刚入组时都"存活"）
随着 t 增大，S(t) 单调递减
Kaplan-Meier 法在每个实际事件时间点更新 S(t)，形成阶梯状曲线

3. Kaplan-Meier 曲线与中位生存期

Kaplan-Meier（KM）曲线是生存函数 S(t) 的非参数估计，不需要假设生存时间服从任何分布。

中位生存期（Median Survival Time）是 S(t) 下降到 0.5（50%）时对应的时间，即"一半以上个体发生事件所需的时间"。若随访结束时超过 50% 的个体仍未发生事件，则中位生存期为"未达到（Not Reached）"，这通常是好消息——说明大多数患者还活着。

4. Log-rank 检验

Log-rank 检验（也写作 log-rank test）用于比较两组或多组 KM 曲线是否有统计学差异。它不比较单个时间点的生存率，而是全程比较两条曲线在各事件时间点的期望 vs 观察事件数之差，输出一个卡方统计量和 p 值。

p < .05：各组生存曲线整体有显著差异
p >= .05：无法拒绝各组生存分布相同的原假设

Log-rank 检验对早期差异不敏感、对持续差异更敏感，是比较两条 KM 曲线的首选方法。若两组曲线在早期就迅速分离然后趋于平行，可考虑 Wilcoxon（Breslow）检验作为补充。

5. Cox 比例风险回归与 HR 值

Cox 回归（Cox Proportional Hazards Model）是生存分析里的"多因素分析工具"，类似于普通回归，但因变量是"瞬时风险率"（hazard function），而不是某个具体结局值。

Cox 回归的核心输出是风险比（Hazard Ratio，HR）：

HR = exp(回归系数 b)

HR > 1：该变量是风险增加因素（危险因素）。HR = 2.0 表示控制其他变量后，该组个体在任何时刻的瞬时死亡风险是参照组的 2.0 倍。
HR < 1：该变量是保护因素。HR = 0.6 表示风险降低为参照组的 60%，即风险降低 40%。
HR = 1（或 95% CI 包含 1）：该变量与生存风险无统计学关联。

Cox 模型的核心假设是比例风险假设（Proportional Hazards Assumption，PH 假设）：两组之间的风险比 HR 在整个随访期间保持恒定，即两条危险函数之比是常数。如果某个变量的效应随时间变化（例如早期保护、晚期无效），比例风险假设就不成立，需要用 Schoenfeld 残差检验来诊断。

用 AI 一句话完成生存分析

在 chatsrs.com 上传随访数据后输入：

"以 os_months 为生存时间、os_event 为生存状态（1 = 死亡，0 = 删失），按 chemo_group 分组，做以下完整分析：

Kaplan-Meier 生存曲线（含 95% CI 阴影），输出各组中位生存期 + 1/3/5 年生存率

Log-rank 检验（整体 + 两两比较）

多因素 Cox 比例风险回归，协变量纳入 age、stage、ecog、smoking，输出 HR、95% CI、p 值三线表

Schoenfeld 残差检验比例风险假设（全局 + 各变量）

HR 森林图

APA/医学格式中文文字描述"

ChatSRS 底层调用 R 的 survival 和 survminer 包，或 Python 的 lifelines 库，60 秒输出以下完整结果。

输出结果怎么读

输出 1: Kaplan-Meier 生存表

表 1  各化疗组总生存期 Kaplan-Meier 分析（N = 320）

组别          n    事件数   删失数   中位 OS（月）  95% CI           1年OS%   3年OS%   5年OS%
方案 A        162   98       64       28.4           [23.8, 33.1]     78.4%    41.6%    26.3%
方案 B        158   61       97       未达到          —                89.6%    62.8%    47.5%

Log-rank 检验：chi^2(1) = 18.74，p < .001

读表要点：

字段	含义
事件数	随访期间发生死亡的人数，分子
删失数	随访结束时存活或失访的人数
中位 OS	S(t) 下降到 0.5 时对应的月数；"未达到"表示超过 50% 的 B 组患者到随访结束仍存活
95% CI	中位生存时间的置信区间，用 Greenwood 公式计算
1/3/5 年 OS%	对应时间点的 KM 生存率估计值

B 组中位 OS"未达到"而 A 组为 28.4 月，加上 Log-rank p < .001，说明 B 方案在总生存上具有显著优势。

输出 2: Cox 比例风险回归三线表

表 2  总生存期多因素 Cox 比例风险回归（N = 320）

变量                    HR      95% CI            p
化疗方案 B（vs A）      0.52    [0.37, 0.73]      <.001 ***
年龄（每岁）            1.03    [1.01, 1.05]      .003 **
分期 III（vs II）       2.18    [1.54, 3.08]      <.001 ***
ECOG 2（vs 0-1）        1.84    [1.28, 2.65]      .001 **
吸烟史（有 vs 无）      1.31    [0.93, 1.85]      .125

模型整体：似然比 chi^2(5) = 68.42，p < .001
C-index: 0.714（95% CI: 0.674, 0.754）

读表要点：

方案 B 的 HR = 0.52：控制年龄、分期、ECOG、吸烟史后，B 组任意时刻的死亡风险是 A 组的 52%，即降低了 48%（1 - 0.52 = 0.48），差异极显著。
分期 III 的 HR = 2.18：III 期患者的死亡风险是 II 期的 2.18 倍，是效应量最大的预后因素。
吸烟史 HR = 1.31，95% CI 包含 1，p = .125：吸烟史在控制其他变量后不再独立显著，不作为本模型的独立预后因素。
C-index = 0.714：模型整体区分能力中等偏良（0.7 是通常的门槛，0.8 以上为良好）。

输出 3: 比例风险假设检验（Schoenfeld 残差）

表 3  比例风险假设检验结果

变量                    rho      chi^2    p         判定
化疗方案（B vs A）     -0.031    0.48     .489      成立
年龄                    0.024    0.29     .591      成立
分期（III vs II）      -0.018    0.17     .679      成立
ECOG（2 vs 0-1）        0.041    0.85     .357      成立
吸烟史                  0.019    0.19     .665      成立
全局检验               —         1.72     .887      成立，Cox 模型适用

全局检验 p = .887，各变量 p 值均远大于 .05，说明比例风险假设成立，Cox 模型对本数据适用。这一步是 Cox 回归的必检项，审稿人通常会要求报告。

若比例风险假设不成立（某变量 p < .05）怎么办？见 FAQ 部分。

输出 4: 可视化

[截图位置 1：KM 生存曲线，A/B 两组阶梯曲线 + 95% CI 阴影 + Number at Risk 表格 + Log-rank p 值标注]

[截图位置 2：Cox 回归 HR 森林图，各变量 HR 点 + 95% CI 横条图，参考线 HR = 1，p 值标注]

[截图位置 3：Schoenfeld 残差散点图，x 轴为时间，y 轴为残差，各变量一张，水平趋势表示假设成立]

论文里怎么报告（APA 7th / 医学期刊格式）

生存分析的报告要求比普通回归更细：需要同时报告中位生存期（含 95% CI）、Log-rank 统计量、Cox 模型的 HR（含 95% CI）以及比例风险假设检验结果。

以下给出可直接复制进论文的句式模板：

方法节（统计方法段落）：

采用 Kaplan-Meier 乘积极限法估计各组总生存函数，以 Log-rank 检验比较各组生存曲线的差异。进一步采用 Cox 比例风险回归模型分析总生存期的独立影响因素，协变量包括年龄、肿瘤分期、ECOG 体能状态评分和吸烟史。以 Schoenfeld 残差检验验证比例风险假设（PH 假设）。统计分析使用 R 4.4（survival 包、survminer 包），检验水准 alpha = 0.05（双尾）。

结果节（Kaplan-Meier + Log-rank 部分）：

Kaplan-Meier 生存分析结果显示，方案 B 组中位总生存期未达到（> 60 个月），方案 A 组中位总生存期为 28.4 个月（95% CI [23.8, 33.1]）。Log-rank 检验显示两组总生存曲线存在显著差异，chi^2(1) = 18.74，p < .001，方案 B 的 1 年、3 年、5 年生存率（89.6%、62.8%、47.5%）均显著高于方案 A（78.4%、41.6%、26.3%）。

结果节（Cox 回归部分）：

多因素 Cox 比例风险回归分析显示，模型整体有统计学意义，似然比 chi^2(5) = 68.42，p < .001，C-index = 0.714（95% CI [0.674, 0.754]）。Schoenfeld 残差全局检验显示比例风险假设成立，chi^2(5) = 1.72，p = .887。

在控制协变量的条件下，化疗方案 B 相对方案 A 可显著降低死亡风险（HR = 0.52，95% CI [0.37, 0.73]，p < .001），即 B 方案患者任意时刻的死亡风险比 A 方案降低约 48%。肿瘤分期（III vs II：HR = 2.18，95% CI [1.54, 3.08]，p < .001）和 ECOG 体能状态（2 vs 0-1：HR = 1.84，95% CI [1.28, 2.65]，p = .001）是独立预后不良因素。年龄每增加 1 岁，死亡风险增加 3%（HR = 1.03，95% CI [1.01, 1.05]，p = .003）。吸烟史在多因素模型中不构成独立预后因素（HR = 1.31，95% CI [0.93, 1.85]，p = .125）。

报告格式规范总结：

要素	格式示例
中位生存期	中位 OS = 28.4 个月（95% CI [23.8, 33.1]）
Log-rank 统计	chi^2(1) = 18.74，p < .001
HR + 95% CI	HR = 0.52，95% CI [0.37, 0.73]
HR 的 p 值	p < .001（小数点前不写 0）
C-index	C-index = 0.714（95% CI [0.674, 0.754]）
PH 假设检验	Schoenfeld 全局检验：chi^2(5) = 1.72，p = .887
模型整体	似然比 chi^2(5) = 68.42，p < .001

医学期刊（NEJM / Lancet / JCO）和 APA 7th 均要求 HR 与 95% CI 同时报告，置信区间用方括号 [ ]，p 值小数点前不加 0（写 p = .001，不写 p = 0.001）。中位生存期"未达到"时，应明确说明"中位 OS 未达到（随访期 > 60 个月）"，而非空白或写 NR 不加解释。

常见问题 FAQ

Q1：删失数据是什么？为什么不能直接丢弃？

A：删失（Censoring）是指随访结束时目标事件尚未发生的观察对象，包括：研究截止日期前仍存活（to期删失）、中途失访、死于其他原因（竞争事件删失）。这些个体的随访时间内提供了"至少存活了这么久"的有效信息。若丢弃，会把"活得久的人"系统性剔除，严重低估真实生存时间；若当作"事件发生"处理，又会虚增事件数、夸大死亡风险。生存分析通过 Kaplan-Meier 乘积极限法，把删失时间之前的信息全部利用，在每个实际事件时间点重新计算"处于风险中"的人数，从而得到无偏估计。

Q2：Kaplan-Meier 和 Cox 回归有什么区别？什么时候用哪个？

A：两者互补，不是替代关系。

对比	Kaplan-Meier	Cox 回归
用途	描述生存函数，比较组间差异	量化多个因素的独立影响
分组变量数	通常 1 个（或少数几个）	可纳入多个协变量
控制混杂	不能控制混杂	可同时控制多个混杂变量
输出指标	中位生存期、生存率、Log-rank p	HR（风险比）+ 95% CI
假设	非参数，无分布假设	需满足比例风险假设

规范做法：先用 KM 曲线做描述和初步比较（Log-rank 检验），再用 Cox 回归做多因素分析（控制混杂，给出 HR），两者在医学论文中通常配对使用。

Q3：HR 怎么解读？HR = 0.52 具体是什么意思？

A：HR（风险比，Hazard Ratio）是 Cox 回归的核心效应量，表示控制其他变量后，某组在任意时刻发生目标事件的瞬时风险是参照组的多少倍。

HR = 0.52：该组任意时刻的死亡风险是参照组的 52%，即风险降低了 48%（1 - 0.52 = 0.48）
HR = 2.18：该组死亡风险是参照组的 2.18 倍，风险升高了 118%
HR 的 95% CI 不含 1（即下限 > 1 或上限 < 1）才是统计显著

需要注意：HR 衡量的是瞬时相对风险，不等于在某个具体时间点的生存概率之比，也不等于相对危险度（RR），在比例风险假设成立时才可以这样解读。

Q4：比例风险假设（PH 假设）不满足怎么办？

A：当 Schoenfeld 残差检验发现某个变量的 p < .05，说明该变量对生存风险的效应随时间变化（非比例风险）。常见处理方案：

时间分层 Cox 回归：将违背假设的变量放入分层项（strata()），不估计其 HR，仅作为分层调整变量，其余变量仍输出 HR。适合"不关心该变量 HR，只想控制其混杂"的情形。
时间依赖协变量：在 Cox 模型中加入该变量与时间的交互项 X * t，量化效应随时间的变化趋势。
改用参数生存模型：如 Weibull 回归、指数模型，这类模型对时间效应有明确假设，在某些情形下拟合更好。
竞争风险模型（Fine-Gray）：若同时存在竞争事件，Fine-Gray 次发病率回归是更合适的方法。

在 ChatSRS 中告知"比例风险假设对 XX 变量不成立，请用分层 Cox 回归处理"即可自动切换。

小结

生存分析处理的是医学随访和时间到事件数据，三个核心步骤：

KM 曲线 + Log-rank 检验：描述各组生存分布，确认组间是否有显著差异（报告中位生存期和 Log-rank chi^2 / p）
多因素 Cox 回归：控制混杂，识别独立预后因素，量化 HR 及 95% CI
Schoenfeld 残差检验：验证比例风险假设，确认 Cox 模型的适用性

论文报告时，HR 和 95% CI 必须同时报告，缺一不可；中位生存期"未达到"时要明确说明语境而非空白。ChatSRS 把全部流程压到一句话，自动输出 KM 表、Log-rank 统计、Cox 三线表、比例风险假设检验结果和 APA 格式文字描述，可直接复制进论文。