“做cox比例分析和KM曲线结合分析，阈值该怎么选取，数据是否需要标准化等等问题的解决方法”

01

—

研究背景

COX回归模型，又称“比例风险回归模型(proportional hazards model，简称Cox模型)”，是由英国统计学家D.R.Cox(1972)年提出的一种半参数回归模型。该模型以生存结局和生存时间为应变量，可同时分析众多因素对生存期的影响，能分析带有截尾生存时间的资料，且不要求估计资料的生存分布类型[1-2]。

对于生存数据，1958年，E. L. Kaplan 和 Paul Meier 两位教授介绍了一种全新的、解决随访期间右删失 (right censoring) 问题的生存分析方法，被称作Kaplan-Meier方法。这种方法精确地记录并利用每个个体发生终点事件的具体时间，在任何一个终点事件发生的时间点计算出一个新的、基于之前所有信息的总生存率 (Cumulative survival)[3-4]

Cox回归分析和KM曲线是做预后分析最常用的两种分析，对于初学者来说，利用R语言来实现这两个分析还是有点难度的，如做cox比例分析和KM曲线结合分析，阈值该怎么选取，数据是否需要标准化等等。

针对初学者的问题，我们开发了一个云平台，只需生存数据导入进去，点击鼠标就可进行cox回归分析和KM曲线分析；

生存分析就是这么简单，你只需跨出注册的第一步，剩下的 Sangerbox都替你走完！

快跟着小编一起学习一下这个工具

网址导航

http://sangerbox.com/Tool     点击“单因素生存分析工具”

02

—

使用方法

模式一

----------

1.1__输入数据

第一列为样本的生存时间，第二列为患者的生存状态（0-代表生存，1-代表死亡）。第三列为对样本生存状态有影响的临床因素，值得注意的是这里的临床变量为连续性变量，如某个基因的的表达值，经过几个基因一起构建预后风险值，如下图所示：

1.2__设置参数，如下图所示。

1.3__解释结果：

点击提交，去个人空间—KMplot目录下（默认目录，也可自定义），结果中包含四张图，如下图所示：A图是根据最优截断值将患者分为高低风险两组的KM曲线，B图是一、三、五这三年的ROC图，C图是根据中位数将患者分为高低风险两组的KM曲线，D图为四分位数分组的KM曲线。

模式二

----------

2.1__输入数据

第一列为样本的生存时间，第二列为患者的生存状态（0-代表生存，1-代表死亡）。第三列为对样本生存状态有影响的临床因素，值得注意的是这里的临床变量为名义性变量，表示样本的某个类型，如临床变量中的性别，TNM分期，TP53突变等，如下图所示：

2.2__设置参数，如下图所示。

2.3__解释结果：

点击提交，去个人空间—TCGA目录下（默认目录，也可自定义），结果为一张KM曲线图，图片上没有显示虚线，说明没有设置显示置信区间，如下图所示：

参考文献

[1] George B, Seals S, Aban I. Survival analysis and regression models. J Nucl Cardiol. 2014;21(4):686‐694. 

[2] Fisher LD, Lin DY. Time-dependent covariates in the Cox proportional-hazards regression model. Annu Rev Public Health. 1999;20:145‐157. 

[3] Kaplan, E. L., and Paul Meier. “Nonparametric Estimation from Incomplete Observations.” Journal of the American Statistical Association, vol. 53, no. 282, 1958, pp. 457–481.

[4] Saluja R, Cheng S, Delos Santos KA, Chan KKW. Estimating hazard ratios from published Kaplan-Meier survival curves: A methods validation study. Res Synth Methods. 2019;10(3):465‐475. 

具体指引详见：