2024年4月30日发(作者：)

患者生存状态的影响因素分析

——生存资料的COX回归分析

1、问题与数据

某研究者拟观察某新药的抗肿瘤效果，将70名肺癌患者随机分为两组，分

别采用该新药和常规药物进行治疗，观察两组肺癌患者的生存情况，共随访2

年。研究以死亡为结局，两种治疗方式为主要研究因素，同时考虑调整年龄和性

别的影响，比较两种疗法对肺癌患者生存的影响是否有差异。变量的赋值和部分

原始数据见表1和表2。

表1. 某恶性肿瘤的影响因素与赋值

因素

性别

治疗方式

年龄

生存时间

结局

变量名

gender

group

age

time

survival

赋值说明

男=1，女=0

常规治疗=0，新药=1

年龄<60=0 年龄≥60=1

病人实际生存时间（周）

死亡=1，截尾=0

表2. 两组患者的生存情况

group

0

0

0

0

0

1

1

1

1

1

gender

1

1

1

1

1

0

1

0

0

1

age

0

1

1

1

0

0

1

1

0

1

time

22

10

64

12

17

19

4

12

5

27

survival

1

1

1

1

1

1

1

0

0

0

2、对数据结构的分析

该研究以死亡为结局，治疗方式为主要研究因素，每个研究对象都有生存时

间（随访开始到死亡、失访或随访结束的时间），同时考虑调整年龄和性别的影

响。欲了解两种疗法对肺癌患者生存的影响是否有差异，可以用Cox比例风险模

型（Cox proportional-hazards model，也称为Cox回归）进行分析。

实际上，Cox回归的结局不一定是死亡，也可以是发病、妊娠、再入院等。

其共同特点是，不仅考察结局是否发生，还考察结局发生的时间。

在进行Cox回归分析前，如果样本不多而变量较多，建议先通过单变量分

析（KM法绘制生存曲线、Logrank检验等）考察所有自变量与因变量之间的关

系，筛掉一些可能无意义的变量，再进行多因素分析，这样可以保证结果更加

可靠。即使样本足够大，也不建议把所有的变量放入方程直接分析，一定要先

弄清楚各个变量之间的相互关系，确定自变量进入方程的形式，这样才能有效

的进行分析。

单因素分析后，应当考虑应该将哪些自变量纳入Cox回归模型。一般情况

下，建议纳入的变量有：1）单因素分析差异有统计学意义的变量（此时，最好

将P值放宽一些，比如0.1或0.15等，避免漏掉一些重要因素）；2）单因素分

析时，没有发现差异有统计学意义，但是临床上认为与因变量关系密切的自变

量。

3、SPSS分析方法

（1）数据录入SPSS