【原】临床预测模型 | 第10期.生存分析III-学会这个，让你的结果更具说服力

上期内容中，我们简单介绍了Cox比例风险模型（Cox模型）的基本假设和R的实现（第9期.生存分析II-审稿人质疑Cox的基本假设怎么办？）。相信大家已经掌握了Cox模型的基本理论和操作，但是现实中还存在一种特殊情况。例如，某一个变量并非从一开始就存在，或者有重复测量数据。在探索这类变量对生存的影响时，就不能简单地套用之前的公式了。想知道如何解决这个问题的话，一定要看完哦！

一、时间依存协变量

首先，我们要明确时间依存协变量（Time-dependent covariate）和时间依存系数（Time-dependent coefficient）的区别。后者是指变量不满足比例风险假设，即系数和风险比HR随时间改变；而我们今天所讲的时间依存协变量，指的是变量本身的值或者状态随时间变化。例如下面这篇文献，将肝肾功能的值和利尿药的使用作为时间依存协变量纳入分析。因为对于肝硬化的患者来说，肝肾功能的变化往往是非常剧烈的，利尿药也可能是间断使用。如果简单地将使用利尿药分为是和否，不考虑使用时间的话，就无法准确地估计它的效应。

二、在R中引入时间依存协变量

引入时间依存协变量分析时，主要的不同点在于数据的格式。普通的Cox模型要求time~status两个变量分别指定时间和生存状态；当存在时间依存协变量时，则需要两个时间变量，分别指定时间依存协变量取值开始和结束的时间，因此会出现一个对象对应多行数据的情况。例如下图中，11号subject在0-25天，没有做移植；仅在25-152天这段时间内，也就是这名患者移植后阶段，考虑移植对生存的影响。

我们将数据整理成上图的状态后，就可以使用以下代码检验移植是否可以延长患者的生存时间：

library(survival)
coxph(Surv(tstart, tstop, death) ~ transplant, data=data)

那么这就是本期的全部内容啦，你学会了吗？大家对于推送内容有任何问题或建议可以在公众号菜单栏“更多--读者的话” 栏目中提出，我们会尽快回复！

写在最后

“观科研”（点击进一步了解我们吧）是由一群北京协和医学院（清华大学医学部）的博士开创的公众号，初心是让医学科研有迹可循，帮助一线的医学科研人员更快地成长，希望大家支持与关注！