本期课程：教你看懂生存曲线
生存分析，是将事件的发生与所经历的时间结合起来的一种统计分析方法，在肿瘤临床试验中十分常见。
以无进展生存期（PFS）的分析举例，事件指肿瘤进展或者死亡，时间则从开始随访到发生事件为止。所有受试者在某一时刻仍未发生事件的比例称为（无进展）生存率；以生存时间为横轴，生存率为纵轴，并连接每个时间点的生存率，就可以得到生存曲线。
从 FLAURA 研究中的 PFS 曲线可以直观地看到：随着时间推移，生存率从 1 逐渐下降，而奥希替尼的生存曲线始终在标准治疗之上，表明其生存率更高。
生存曲线上很多小栅栏一样的点，称为删失。在随访中，有些受试者因为一些原因失访，或直到随访结束也没有发生事件，我们只能用最晚的观察时间（删失时间），作为终点。这样的算法偏保守，因为真实发生事件的时间可能更久。
光有直观呈现当然还不够， log-rank 检验是一种检验生存曲线之间是否存在差别的常用方法，主要用于对单一分组因素的分析，例如: 试验药和对照。该方法基于生存曲线上每个点的数据，取相同权重进行计算。如果 p 值小于阈值（0.05 或 0.01），则两组生存时间有显著差异。
但 log-rank 检验未考虑其他混杂因素，也未考虑发生事件和删失的区别，判断结果不够全面，所以我们多选择 Cox 比例风险回归模型。Cox 回归模型可以处理删失数据，分析各个因素对生存时间的影响，并得出两组间的风险比（HR）。例如，对于「治疗方案」这个因素，我们计算出奥希替尼组相比标准治疗组的 HR 为 0.46，这表明前者发生肿瘤进展或死亡的风险仅为后者的 46%； p＜0.0001，说明 PFS 差异显著。
更多内容推荐：
