根据生存曲线的估计，可以推断出相比组之间存活时间的差异，因此生存曲线非常有用，几乎可以在每个生存分析中看到。
根据生存曲线的估计，可以推断出相比组之间存活时间的差异，因此生存曲线非常有用，几乎可以在每个生存分析中看到。
可下载资源
我们可以创建简单的生存曲线估计。让我们来看看患有卵巢癌（卵巢浆液性囊腺癌）和患有乳腺癌（乳腺浸润癌）的患者之间存活时间的差异 。
1.生存分析（survival analysis）
2.生存时间（survival time, failure time）
终点事件与起始事件之间的时间间隔。
终点事件：研究者所关系的特定结局。
起始事件：反应研究对象生存过程的起始特征的事件。
终点事件与起始事件是相对而言的，都是由特定的研究目的所决定的，是整个研究过程的标尺，需要在设计时明确规定，并在研究期间严格遵守，不能随意改变。
| 起始事件 | 终点事件 | |
|---|---|---|
| 服药 | —–> | 痊愈 |
| 手术切除 | —–> | 死亡 |
| 染毒 | —–> | 死亡 |
| 化疗 | —–> | 缓解 |
| 缓解 | —–> | 复发 |
3.生存时间的类型（survival time, failure time）
生存时间度量单位可以是年、月、日、小时等，常用符号t表示，右删失数据右上角标记“+”，其他删失数据标记“？”。
截尾数据（Truncation）
只有“左截尾”和“右截尾”两种。
截尾数据的产生，往往是因为实验设计的要求使得数据天然具有上界或者下界。
如一个实验研究退休职工的生存情况，那么显然这些数据都是左截尾的，因为所有个体的年龄都大于退休年龄（如t≥60）
二、统计概念和名词解释
1.条件生存概率（conditional probability of survival）
2.生存率（survival rate, survival function）
fit <- survfit(Surv(times, patient.vital_status) ~ admin.disease_code,
data = BRCAOV.survInfo)
# 可视化 
这个简单的图表以优雅的方式呈现了生存概率的估计值，该估计值取决于根据癌症类型分组的癌症诊断天数和信息风险集表，其中显示了在特定时间段内观察的患者数量。生存分析是一个特定的数据分析领域，因为事件数据的审查时间，因此风险集大小是视觉推理的必要条件。
ggplot(
fit, # 生存数据对象.
data = BRCAOV.survInfo, # 生存数据.
risk.table = TRUE, # 风险表.
pval = TRUE, # Logrank检验p-value
conf.int = TRUE, # 生存曲线置信区间.
xlim = c(0,2000),
#生存预测.
break.time.by = 500,
ggtheme = theme_minimal(),
risk.table.y.text.col = T,
risk.table.y.text = FALSE
)
每个参数都在相应的注释中描述，但我想强调xlim控制X轴限制但不影响生存曲线的参数，这些参数考虑了所有可能的时间。
比较
基础包
看起来很漂亮…..
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
多状态马尔可夫链、生存分析心脏同种异体移植血管病变（CAV）数据可视化|附数据代码
【视频】因子分析简介及R语言应用实例：对地区经济研究分析重庆市经济指标
R语言宏观经济学：IS-LM曲线可视化货币市场均衡
