1.某课题的肾衰病人预后研究的临床资料记录见表1。问：
表1
肾衰病人预后研究的临床资料记录
病人
编号 病案号 性别 年龄 生理
评分 肾毒性 黄疸 昏迷 肌酐 胆固醇 肾功能预后
1 004757 男 26 14 无 有 无 520 － 治愈
女3113无无无5234.
1.某课题的肾衰病人预后研究的临床资料记录见表1。问：
表1
肾衰病人预后研究的临床资料记录
病人
编号 病案号 性别 年龄 生理
评分 肾毒性 黄疸 昏迷 肌酐 胆固醇 肾功能预后
1 004757 男 26 14 无 有 无 520 － 治愈
女3113无无无5234.5治愈 男5517无无无2093.3治愈 男259无无有13034.1好转┆ ┆ ┆ ┆ ┆ ┆ ┆ ┆ ┆ ┆ ┆
女8815有无无3316.1丧失（1）性别、肌酐、肾功能预后各为何种类型的变量。分别构成何种类型的变量的资料。
（2）欲比较男女两组肌酐有无差别，可选择何种统计方法。如果采用假设检验方法恰当，据此资料求得的检验统计量大于相应于 时该检验统计量的临界值时,你应当如何做出结论? 据你做出的结论,你可能犯哪一类统计错误?
（3）欲比较男女两组昏迷情况有无差别，可选择何种统计方法。如果采用假设检验方法恰当，据此资料求得的检验统计量小于相应于 时该检验统计量的临界值时,你应当如何做出结论? 据你做出的结论,你可能犯哪一类统计错误?
按照不同尺度可以把统计变量分为四种：1.定类变量
(名义变量) Nominal variable；2.定序尺度（顺序尺度） Ordinal variable；...
昏迷(coma)是处于对外界刺激无反应状态，时常有生命体征的急剧变化。而且不能被唤醒去认识自身或周围环境，是最严重的意识障碍，即持续性意识完全丧失;也是脑功能衰竭的主...
大家还关注
确定举报此问题
举报原因(必选)：
广告或垃圾信息
激进时政或意识形态话题
不雅词句或人身攻击
侵犯他人隐私
其它违法和不良信息
报告，这不是个问题
报告原因(必选)：
这不是个问题
这个问题分类似乎错了
这个不是我熟悉的地区
相关问答：123456789101112131415性别对严重全身性感染预后的影响
性别对严重全身性感染预后的影响
Christophe Adrie, MD, PhD; Elie Azoulay, MD, PhD; Adrien Francais, PhD; Christophe Clec&h, MD; Loic Darques, MD; Carole Schwebel, MD; Didier Nakache, PhD; Samir Jamali, MD; Dany Goldgran-Toledano, MD;Ma?&te& Garrouste-Orgeas, MD; and Jean Franc&ois Timsit, MD, PhD; for the OutcomeRea Study Group
背景：性别对于严重感染患者存活率的影响目前还不清楚。早期研究显示女性患者存活率较高，可能与性激素有关。
方法：探讨严重感染的病死率是否男性高于女性，以及这种区别是否因女性绝经而发生变化，本研究收集了OutcomeRea病例库的1，692例严重感染患者的资料，时间跨度长达八年，对之进行了病例对照研究，在死亡倾向评分，年龄和所在医院这三个条件上，男、女患者组严格匹配，分为&50岁(男性和绝经前女性)和＞50岁(男性和绝经后女性)两个亚组进行分析。
结果：在调整混杂因素（例如：慢性呼吸衰竭，转移性肿瘤，免疫低下状态，急诊外伤，急性呼吸衰竭，入院时休克，泌尿道感染，不同种类的微生物感染）之前和之后，分别将1，000例男性和608例女性严重感染患者进行匹配。女性患者院内总病死率明显偏低（校正比值比[OR]，0.75；95%可信区间[CI],0.57～0.97；p=0.02）。50岁以上组（481例女患，778例男患），女患病死率明显低于于男患（OR，0.69；95%CI，0.52～0.93；p=0.014），年龄较轻组（127例女患，222例男患），男、女患者间病死率无显著性差异（OR，1.01；95%CI，0.52～1.97；p=0.98）。以护理人力应用九级评分（NEMS）量表评定护理水平，男、女患间无差别。
结论：对于50岁以上的严重感染患者，女患病死率低于男患。
关键词：危重症护理 性别 预后 严重感染 严重全身性感染 干预治疗
在工业化国家，严重全身性感染是主要的致死原因，尽管存活率有所提高，但死于全身性感染的人数仍在攀升12，严重全身性感染病死率高达20%～50%。除泌尿生殖道外，美国女性其他部位的严重感染发生率都较低12。从1979年起至2000年的22年间，每年男性严重感染发生率都高于女性，年均相对危险度为1.281。而性别对于严重感染患者病死率的影响尚不清楚。女性免疫系统活性较更强，这与严重感染女患存活率更高相一致。性激素[3]或性别相关的基因多态性[4，5]可能增强了女患对严重感染的抗病力，降低了病死率。越来越多的证据表明激素谱的不同引起了严重感染发病率和预后的性别差异。在实验大鼠中，发情前期雌鼠较雄鼠更能耐受多种微生物的严重感染[6]阻断睾丸酮受体后，雄鼠存活率显著提高[7]。但是流行病学研究结果与之矛盾，其中可能存在年龄，病例组合的差异，引起严重感染的外伤性质（例：外伤或烧伤），感染源，并发症以及绝经期等因素的影响。性别相关性差别的另一个可能原因是：与男患相比，虽然女患疾病较重，但其侵入性操作使用率要低[15]，即使经过年龄校正也是如此。
本文开展了一项病例对照研究，旨在明确对于因严重社区获得性感染入住ICU的患者，其性别对存活率的影响，验证男患死亡风险高于绝经期前女患的假说，研究对象取自一个大型的前瞻性资料库，采用倾向性评分控制潜在混杂因素的影响。
研究设计和数据来源
本研究是一项前瞻性观察性研究，资料来源于一个多中心数据库（OutcomeRea；Rosny-sous-Bois，法国），这个数据库收集了法国12家ICU病房1997年1月到2005年9月的患者资料，包括每日疾病严重程度，治疗效果和院内交叉感染情况。每年都有一个随机样本入选数据库，该样本有至少50例患者，要求16岁以上入住ICU超过24小时。每个成员ICU病房通过两种方式随机抽样：即特定床位上全年连续入住的患者，或者某特定月份连续入住ICU的所有床位上的患者。
成员ICU病房的高年资医生负责每天收集数据。用数据捕获软件（VIGIREA; OutcomeRea）将每位患者的资料输入计算机病例报告表，再将所有报告输入OutcomeRea数据库。所有的编号和界定条件都已在研究开始前制定好。需要记录的信息项目包括：年龄、性别、入院类别（内科，择期手术或急诊外科）、患者来源（院外，病房或急诊科）以及McCabe评分[16]。入住ICU第一天就以简化急性生理评分（SAPS）Ⅱ[17]，Logistic器官功能障碍（LOD）评分[18]，以及急性生理和慢性健康评分Ⅱ[19]来评估疾病严重程度。利用Knaus量表定义来记录原有慢性器官功能衰竭包括呼吸，心脏，肝脏，肾脏和免疫系统[19]。每位患者的护理工作量是以护理人力应用的九级评分法(NEMS)测得，用于指导治疗强度[20]。
数据库质量
对于大多数研究变量，数据收集软件能够即时运行自动检测其内部一致性，出现的疑问经ICU病房反馈后，再将新数据整合到数据库。每个成员ICU病房的资料质量，由来自其他ICU的高年资医师检验，随机抽取2%样本供其审查。所有引入检验的变量中，定性变量的k系数&0.6，测试者间系数为0.67到1，提示可重复性由良到优。
根据疾病控制和预防中心21颁布的标准确定有无感染，此外，保护性插入导管的细菌定量培养＞103cfu/mL用于诊断肺炎22。在入院前或入院48小时内出现的感染定义为社区获得性感染。医院获得性肺炎定义为入院至少48小时后而在入ICU之前发生的感染。按感染灶分类如下：肺炎，腹膜炎，尿路感染，COPD急性加重，原发性菌血症（除外未治疗的表皮葡萄球菌），其它多种部位（如纵膈炎，前列腺炎，骨髓炎等等）以及多部位感染。ICU住院时间以及住院时间自转入ICU的时刻有电脑记录。
严重全身性感染定义如下：符合2条或2条以上全身性炎症反应综合症标准，和至少1条器官功能衰竭标准。全身性炎症反应综合症标准包括核心体温&38℃或&36℃，心律&90次/分，呼吸&20次/分，PCO2&32mmHg，或接受机械通气，外周血白细胞计数&12,000/L，或&4,000/L。器官衰竭标准如下：⑴循环功能衰竭，分别或同时出现收缩压&90mmHg及收缩压较基础血压下降&40mmHg，需要血管活性药物和/或正性肌力药物维持；⑵以前未因慢性肾功能不全行血液透析治疗的患者，现出现肾功能不全，尿量&700ml/d；⑶呼吸衰竭，PaO2&70mmHg，或行机械通气，或PaO2与吸氧浓度之比&250（或肺炎患者&200）；⑷骨髓造血功能抑制，血小板计数&80,000/L；⑸代谢性酸中毒，血乳酸〉3mmol/L。
主要终点为各种病因所致的ICU病死率和出ICU后病死率。次要终点为患者入ICU最初2天的护理工作量。
对此我们进行几项分析，首先在所有严重全身性感染患者中评估性别对院内病死率的影响。然后通过严格匹配50岁以下和50岁以上男女患者，分析年龄的影响。选择50岁作为截点用来区分绝经前和绝经后女患。
结果中分类变量以数值和的百分比表示，连续变量以中位数和第一第三四分位数表示。对于分类资料，整个队列的性别比较根据样本大小采取x2检验或Fisher精确检验；对于连续变量，采用Kruskal-Wallis或Wilcoxon检验。由于严重全身性感染独立于性别之外可显著影响死亡风险，因此我们建立了一个总体人群死亡预测模型，用来作为选择男和女患者的匹配条件（标准）。
随后进行logistic回归分析，确定严重全身性感染的男、女患者院内病死率的独立危险因子23。由于病情严重程度与器官衰竭评分呈共线性关系，故二者不能同时进入模型，而是根据Akaike标准进行连续检验和筛选。分别以Hosmer-Lemeshow c2检验和C统计对最终模型进行校准和区分。（对最终模型的校准和区分分别以Hosmer-Lemeshow c2检验和C统计。）
本文设计了一项病例对照研究以比较男性与女性患者，根据上述的多变量logistic回归分析的结果进行评分。采用一种匹配算法（参见网站http：//www.outcomerea.org/ehtm/matchmacro.pdf，译者注：SAS软件的宏程序），根据以下三个标准对男女患者组进行匹配，即研究中心，死亡倾向性评分21（&10%）以及10岁年龄一组。以Wald c2检验判定每一变量的显著性。每个参数的评估都应用条件logistic回归计算校正比值比（ORs）和95%可信区间（CIs）。然后用类似的方法将倾向性评分相匹配的男患和绝经期前（&50岁）的女患进行对比。最后调整条件logistic回归的变量：男女患者间不平衡的变量以及以前报道与病死率相关的变量；p&0.05有统计学意义。分析由计算机利用统计学软件完成（SAS 8.2；SAS研究所；Cary,北卡罗来纳州）。
病例库中有4,860例患者（ICU住院时间&48小时），1,692例符合严重全身性感染标准；男患占63%，女患37%（图1）。女患年龄偏大，急诊外科手术比例高，入院时器官功能障碍评分（LOD和序惯性器官功能障碍评分）偏低，入院SAPSII评分与男性接近（表1）。根据Knaus定义，慢性肺功能衰竭在男性患者多见，而其他合并症在男、女患间平均分布。器官功能不全以心血管功能不全最常见，男女患者组发生率接近（67.3%和69.6%），需要与不需要血管活性药物（提示是否发生感染性休克）的比例接近（男患53%，女患54%）。男患仅呼吸衰竭发生率明显增高。女患肺炎及多重感染发生率低，而尿路感染发生率高。
严重全身性感染与性别
以多变量逻辑回归分析中与死亡独立相关的变量为基础，我们评估了性别的影响（表2）。在所有严重全身性感染患者中，选择条件相匹配的1,000名男患和608名女患。在死亡危险因素匹配，校准混杂因素后（如，慢性呼吸衰竭，转移性肿瘤，免疫低下状态，急诊手术，急性呼吸衰竭，入院时呈休克状态，尿路感染，致病菌为大肠艾希氏菌、肺炎链球菌和肠球菌），发现女患的院内病死率风险较低（OR，0.75；95%CI，0.57~0.97；p =0.02）（表3）。当以50岁为线区分患者，校准了混杂变量后，发现&50岁女患(绝经后，n=481)病死率要明显低于&50岁男患(n=778)[OR，0.69；95%CI，0.52-0.93]（p=0.014）。对&50岁的127名女患和222名男患，病死率无明显差别（表3）。将未行早期复苏（DNR）的患者排除后，结果同样如此。
在条件匹配患者中，女患中心静脉置管率低，机械通气时间短、ICU住院天数短；但是校正了混杂因素后，以上差别无显著性。而且，由NEMS评分评估的男女患护理工作量第1天、第2天以及第1、2天平均NEMS无明显差别，提示护理水平相近（表4）。
调整混杂因素后，严重全身性感染的男患者病死率高于女性。差别主要在于&50岁男患与同年龄段（绝经后）女患；而年轻男患和女患地病死率无明显差异。男患和女患的护理水平和有创操作的比例无差异。
与以前的研究资料相符，本文发现全身性感染男性发病率要高于女性。许多研究评估了性别对全身性感染确诊患者存活率的影响，结果不尽相同甚至矛盾。例如，外科领域的研究结果，有的结论是女性存活率略高，有的是男性，还有的两者存活率相近。尽管病例分析显示有不同，正如前文提到的，这些偏差与样本量大小有关，但主要原因还是由于男女患者组并未完全匹配。本研究的一个重要手段就是对大样本患者群（n=1,692，大部分为内科患者）进行倾向性评分，使我们得到了混杂因素准确匹配的两组患者。研究发现，对于所有的严重全身性感染的患者，男性病死率较高。
男女患者护理水平的差别可引起存活率的差异。一些研究表明，对于心血管疾病的患者，女性接受重症评估和有创治疗的可能性较男性要低。资料显示，在美国，女性可能更易接受建议进行预防和慢性治疗，不容易接受紧急治疗。但是，由于技术的推广，类似心血管疾病有创治疗这样的紧急治疗措施在男性患者得到较多的应用，从而也掩盖了一些特殊急性病的低操作率。Valentin等人证实，在亚洲，以各种各样原因入住ICU的患者中，男患由于接受有创操作较多护理水平也相对较女患高。这种性别差异在其他年龄组也同样存在，包括最高年龄组。尽管女患病情更严重，病死率并无明显差别，提示，有可能是男患接受了不恰当的高水平护理，或者是女患接受了不恰当的低水平护理掩盖了女患存活潜力较高的情况。治疗措施应性别而异，可能在整个卫生保健系统都存在着。而且，Valentin等人研究的是ICU所有的患者，与严重全身性感染患者对照。在本研究中，NEMS值提示了男女患护理水平相近。与Valentin等人的报告结果不同，本研究可以解释相同护理水平下女患存活率高于男性。
正如前文所介绍的，假设对全身性感染的反应存在性别差异机制，能够预测到绝经期前女患存活率高于男患。但是，我们发现&50岁的女患（绝经后）存活率高于同年龄段男患，而在年轻组没有明显差异。第一，不能够除外这样的情况：年轻患者组病死率不存在性别相关性的显著差异是由于样本量偏少，低病死率的原因。严重全身性感染在老年人要比年轻人更多见。第二，卵巢以外组织产生的雌激素可以保护绝经期后妇女；它的主要来源为肾上腺，另外T细胞、巨噬细胞或脂肪细胞也可使女性保持在高激素水平状态。肾上腺激素脱氢表雄酮的代谢是绝经后女性激素状态的决定性因素。脱氢表雄酮是一种作用非常弱的雄激素，但是外周组织酶可以将之转化成活性较强的雄激素或雌激素（5a-还原酶将之转化为双氢睾酮，芳香酶将之转换成17&-雌二醇）。年龄的增长和脂肪细胞团快的增加都会增加芳香酶的活性。观察发现，女性体重指数高于男性，其结果就是脂肪组织芳香酶更多激活，产生更多雌二醇起到更好的保护作用。第三，某些绝经后女性使用激素替代治疗可能增加了对感染的敏感性，但这种猜测还需进一步证实。第四，与男性相比，多年的高水平雌激素给女性带来的健康益处在后半生表现得更明显。第五，外周血单核细胞分泌细胞因子的性别差异，可能对男性患者带来较差预后。可以想象，这种区别在绝经后女性要比绝经前更明显，或它们的影响被绝经前女性的抗平衡因素所掩盖。非常有必要对绝经期前后的全身严重感染女性的细胞因子分泌进行研究。总之，男性和女性生活中的健康相关行为的不同追中也可引起预后的差异。
最近的研究发现32，高龄的严重感染患者生存率，男性与女性较接近，但是因性激素状况的不同而不同。本研究发现，性别之间无差异主要是由于样本例数小而且还包含了非严重的感染。而且，并没有很好的考虑到混杂因素32。我们的研究中并没有分析性激素。但是由于严重全身性感染持续数天，这个过程由于芳香酶活性增加35,36，睾酮33,34水平减少，17&雌二醇水平增加，这个过程的激素状况不能够反映激素生成基本水平。
总之，严格匹配混杂变量后，严重全身性感染患者的院内病死率女患低于男患。这种差异，仅在&50岁年龄组发现，而且与护理水平无关。是否需要针对性别进行特殊治疗，还需进一步的研究。
请各位遵纪守法并注意语言文明STATA生存分析的详细步骤及解释
生存分析（survive
analysis）即是将终点事件的出现与否和出现终点事件所经历的时间结合起来的一种统计分析方法，生存分析通常研究的终点事件是死亡，生存分析由此得名。但生存分析可更广泛的运用于恶性肿瘤、慢性疾病或其他情况的随访研究中事件分析，比如疾病的发生、复发、转移、伤口的愈合、某种症状的消失等。生存资料的分析主要特点就是考虑每个研究对象出现某一结局所经历的时间。生存曲线即是以生存时间为横轴，生存率为纵轴，将各个时间点对应的生存率连接在一起的曲线图[1-2]。
1.&生存分析中几个重要的基本概念
1.1生存时间
生存时间(survival
time)也是一个广义概念，泛指所关心的某现象的持续时间，即随访观察持续的时间，常用符号t表示。生存时间分为两种类型：1.
完全数据(complete data)：指从观察起点到发生“死亡”事件所经历的时间。提供了观察对象确切的生存时间。2.
截尾数据(censored data)：亦称截尾值(censored
value)或终检值。指从观察起点到发生非“死亡”事件所经历的时间。
生存结局分为“死亡”与“截尾”两类，“死亡”是感兴趣的终点时间，其他终点事件或结局都归为截尾。
1.3死亡概率
死亡概率(probability of
death)表示单位时间段开始存活的个体，在该段时间内死亡的可能性。符号q表示。"q=某年内死亡人数&某年年初人口数"
1.4生存概率
生存概率(probability of
survival)表示单位时间段开始存活的个体，到该段时间结束时仍存活的可能性。符号p表示。p=某年活满一年人口数&某年年初人口数。P=1-q。
生存率(survival rate, survival
function)表示观察对象经历tk个单位时间段后仍存活的可能性。若无截尾数据，则。其中1。若有截尾数据，须分时段计算生存概率。假定观察对象在各个时段的生存事件独立，应用概率乘法定理：，Pi为某时段的生存概率，故生存率又称累积生存概率(cumulative
probability of survival)。
1.6生存曲线
生存曲线(survival
curve)：生存时间为横轴，将各时点所对应的生存率连接在一起的曲线图，样本量小时生存曲线呈阶梯形，样本量足够大时，形成光滑的曲线。
1.7中位生存时间
中位生存时间是指50%观察对象能存活的时间。
2.&生存分析的统计学方法
由于生存时间一般不呈正态分布，而且需要考虑截尾数据，生存分析有其独特的统计学方法。常用的统计学方法有以下几种。
2.1描述性分析
根据样本生存资料估计总体生存率及其他有关指标（如中位生存时间等）。常采用Kaplan-Meier法（乘积极限法）进行分析。对于频数表资料则采用寿命表法进行分析。计算生存率需要考虑时间顺序。
2.2比较分析的方法
对不同组生存率进行比较分析，常采用非参数的log-rank检验，检验无效假设使两组或多组总体生存时间分布相同。
2.3影响因素分析
通过生存分析模型来探讨影响生存时间的因素，常用的方法为COX比例风险模型。
3.&基于Stata软件的统计学实现生存分析（笔者注：以下所举实例数据全部来自于陈峰教授主编《现代医学统计方法与Stata应用（第2版）》，相关Stata命令及结果解释大部分来自于这本书，其中部分命令有少许改动。陈锋教授主编的这本书通俗易懂，感兴趣的读者可以找来一读）
3.1生存资料的定义
在对随防资料进行生存分析之前，需先将该数据库定义为生存资料数据库，其命令是：
stset&时间变量&[,failure(截尾变量==#)]
其中，选择项failure(截尾变量==#)规定截尾变量取值为“#”时研究对象出现预期结果，没有该选择项时，Stata 以所有不等于0
的非缺失值为出现预期结果。对数据库进行定义时必须注意变量顺序,命令stset
后的变量顺序依次为时间变量、截尾变量。定义数据库后，系统自动产生四个变量：
/*&数据库中该条记录是否被定义为生存资料
/*&该条记录是否出现预期结果
/*&观察对象被随访的时间
/*&观察对象第一次被观察到的时间(开始过程的时间为0)
例1 某医院泌尿外科于 年间作了19例肾移植手术，拟了解肾移植后病人
的生存时间(天)。规定随访开始时间为病人术后一天，预期结果为该病人因与肾移植有关的各种原因的死亡。后改进手术方式，于
年又作了14 例，资料如下(有+的数据表示该病人截尾)。计算各组的生存率及可信区间（资料已存入文件例1.dta）。
一般手术: 3 9 15 20 20 26 30 41 46 64+ 64 135 223 365 450 596+ 680+
改进手术: 10 390+ 518+ 70+ 70+ 120 475+ 225 801+ 366 647+ +
键入命令如下：
. stset time,
failure(outcome)
得结果如下：
数据库“例-1”被定义为生存分析数据库，变量“outcome”取值不等于0
且不等于缺失值时，该记录为完全数据，即出现预期结果。反之则为截尾值，表示未观测到病人出现预期结果。完成上述定义后，即可用下面介绍的命令作进一步分析。
3.2 生存资料的描述
用于计算中位生存时间的命令是：
[if&表达式] [,by(分组变量)]
可用stci 命令计算中位生存时间、平均生存时间、生存时间的百分位数，及其可信区间：
stci [if 表达式], [by(分组变量) 选择项]
其中，选择项有：
/*&计算中位生存时间
/*&计算平均生存时间时，如果生存时间最长一例为截尾值，emean&假设数据服从指数分
布,并根据指数分布将该例后生存曲线部分延长至与横轴相交，曲线下面积即为所求
的平均生存时间。
/*&计算平均生存时间时，如果生存时间最长一例为截尾值，rmean&不对数据延长，曲线
下面积即为所求的平均生存时间。此即为通常教科书上所教授的平均生存时间。
/*&生存时间的百分位数
/*&可信区间的可信度
也可用survsum 命令计算中位生存时间的中位数。
继续以例1数据为例，在命令窗口键入：
. stsum, by(treat)
数字化结果如下：
第二组(改进手术组) 较早出现了截尾数据，故该组的中位生存时间无法进行估计，Stata
用缺失值表示。
用stci 命令可以计算平均生存时间及其可信区间：
命令窗口键入命令如下：
. stci, rmean
数字化结果如下：
第二组的平均生存时间明显长于第一组。对于观察队列中最后一例为截尾值者，平均生
存时间的估计值偏低(underestimated)。Stata 在相应数值后加“*”表示。
3.3生存率的估计
生存率的估计一般采用乘积极限(product-limit)法，又称Kaplan-Meier 法，其标准误的计
算用Greenwood 近似法。根据生存率及其标准误，可以绘制生存曲线，估计可信区间。
用于输出生存率、生存率的标准误等统计量的命令是：
[if&表达式] [, by(分组变量) strata(分层变量) adjustfor(校正变量)&选择项]
选择项有：
/*&输出死亡函数&(1-S(t))
/*&输出累积风险函数
/*&规定所输出可信区间的可信度
这里，by 与strata 选择项的使用有所不同。使用by 选择项时，Stata
对分组变量的不同水平分别计算生存函数和累积风险函数。而在使用strata 选择项时必须同时使用adjustfor
选择项，此时Stata 将计算adjustfor 选择项中校正变量取值为0
时的生存函数、累积风险函数，即计算基线生存函数、基线累积风险函数。
用于绘制Kaplan-Meier 生存(死亡)曲线的命令是：
stsgraph [,by(分组变量)
separate&绘图命令选择项]&/*&绘制Kaplan-Meier&生存(死亡)曲线
stphplot [,by(分组变量)&绘图命令选择项]&/*&绘制log(-log(S(t)))与log(time)的线图
stcoxkm [,by(分组变量)
separate&绘图命令选择项]&/*&绘制Kaplan-Meier&生存曲线与Cox&预测曲线
在上述的“绘图命令选择项”中，可以选用xlab,ylab,xtick,ytick 以及标题命令t1,t2,b1,
b2,l1,l2,r1,r2 等，但connect, symbol, pen 等选择项不能用，因y 轴是从0 开始，所以ylog
等选择项亦不能用。在stphplot 命令中，可选用connect, symbol, pen 等选择项。
sts graph 命令中的其他常用选择项：
adjustfor(变量) /*&按指定变量进行调整
/*&指定绘制“死亡”曲线，缺失为绘制生存曲线
/*&绘制生存(或死亡)曲线及其Greenwood&可信区间
/*&绘制Nelson-Aalen&累积风险函数曲线
/*&绘制Nelson-Aalen&累积风险函数曲线及其可信区间
/*&在曲线上标出该时间点截尾值例数
计算各组的生存率及标准误，命令及结果如下：
. sts list if treat==1
绘制各组的生存曲线，命令及结果如下:
. sts graph,by(treat)
两条曲线分别表示两组的生存曲线，曲线上的数字表示在该时刻的截尾值例数。显然，两
组的生存率不同。绘制各组的生存曲线及其可信区间，使用gwood 选择项。如对第1 组，命令及结果如下：
. sts graph if treat==1,
图中，中间一条线是treat=1 组的生存曲线，上、下两条线分别表示生存率的可信区
间的上下限。注意，率的可信区间是不对称的。
3.4 生存率的比较
一、两组或多组生存率的比较
检验两组或多组生存率是否相同一般采用Log-rank(Mantel&Cox)检验、Wilcoxon(Breslow)
检验。命令如下：
test&分组变量&[,选择项]
选择项有：
/*&进行Log-Rank&检验
/*&进行Wilcoxon(也叫Wilcoxon-Gehan&检验或Breslow&检验)
/*&检验死亡(生存)率是否随分组变量取值水平的增高而上升或下降
就例1资料，比较两组病人的生存时间有无差别。键入命令如下：
. sts test treat,
数字化结果如下：
这里的检验假设是第一处理组的生存率与第二组的相同。输出结果中给出了两组的实际
数(Events observed)及理论数(Events
expected)。本例中改进手术组的实际实际死亡数小于理论数，说明该组病人预后情况较好，经Log-rank检验，χ2=
6.71，自由度υ=1，P=0.0096，按α＝0.05的检验水准认为两组病人的生存时间有差别，以改进手术组为优。
3.5 Cox 比例风险模型
恶性肿瘤患者生存时间的长短，不仅与治疗有关，还受病人的年龄、性别、病情、心理、环境、社会等因素的影响，如果要确切地显示治疗措施的效果，所有的病人除了治疗措施不同以外，其他影响因素必须相同（或相近），但这在实际上是不可能做到的。因此，我们最好能采用多因素分析方法，即分析包括治疗措施在内的可能因素对生存时间长短的影响（大小和方向）。
但生存时间的分布往往不服从正态分布（大多为正偏态分布），有时不知道它的分布类型，又存在截尾数据（Censored
data）这样，就不能用多元线性回归方法来分析。而传统的方法只能进行单因素分析，又不能利用截尾数据（Censored
data）。1972年，英国统计学家 D. R. COX提出了一种比例风险模型（Cox proportional hazard
model），简称COX模型。它可以分析多种因素对生存时间的影响，而且允许有“截尾”存在。是生存分析中最重要的模型之一。COX模型主要用于肿瘤和其它慢性病的预后因素分析，也可以用于一般的临床疗效评价和队列的病因探索。Cox
比例风险模型的一般形式是：
h(t)表示研究对象在时点t暴露于协变量(x1,&x2, …,&xm)之下的风险函数，h0(t)表示所有协变量取值均为0
时的基线风险函数。在Cox模型中h0(t)不能由样本得出，因而不能估计生存率。但这并不妨碍对各协变量相对危险度的估计。
估计Cox比例风险模型的命令格式为：
stcox [协变量] [,nohr strata(分层变量)]
估计含有时依变量的Cox比例风险模型的命令格式为：
cox&时间变量&[协变量] [,hr dead(截尾变量) strata(分层变量)&选择项]
进行逐步Cox 回归分析的命令为：
cox&时间变量协变量&[, cox&命令选择项逐步回归选择项]
这里选择项有：
/*&指定输出回归系数b&而不是危险比exp(b)
tvc(时依变量) /*&指定时依变量
/*&时依变量取值变化表达式
/*&可信区间的可信度
maximize-options
/*&进行最大似然估计的控制选项
[注]&应用命令“cox”时无须事先应用stset&对数据进行定义，且进行逐步回归时只能使用cox&命令。
用 sw cox 命令可以进行逐步Cox 回归分析。
就例1资料进行Cox 回归分析。
在应用stset 对数据进行规定后，可直接用stcox 命令进行Cox 回归分析。键入命令如下：
. stcox treat,nohr
或者也可以使用如下命令：
. cox time treat,
dead(outcome)
结果如下：
风险函数一般用极大似然估计，用Newton-Raphson 法迭代。结果中给出了每次迭代的似
然函数之对数值(Log Likelihood)， 本例经四次迭代得极大似然估计变量treat 的系数
(Coefficient)为-1.371774，其标准误(Std.Error)为.5708971，z 值为-2.40，是对treat
的系数是否为0的检验，P&|z|是相应的概率。本例的P=0.0016，故可认为treat的系数不为0。从而得Cox
比例风险函数:
如果计算HR则可使用如下命令：
. stcox treat, hr
或者使用以下命令：
. cox time treat, dead(outcome)
结果如下：
以例2数据为例继续演示Stata软件实现Cox回归
某临床试验比较A，B 两治疗方案对某病的治疗效果，A 组(group=0)12 人，B
组(group=1)13
人。病人分组后检验其肾功能(kidney)，功能正常者记0，不正常者记为1；治疗后生存时间为stime(天)；数据已存入文件例2.dta。问不同治疗方案及肾功能对病人的生存时间是否有影响?
这里，时间变量是stime，终检变量是censor，治疗方案(group)是研究因素，而肾功能
(kidney)是混杂因素。例2数据如下图所示：
键盘键入命令设置数据为生存数据，如下：
. stset stime,
failure(censor)
结果如下：
继续键入命令如下：
. stcox group kidney, nohr
得结果如下：
计算HR，则输入如下命令：
. stcox group kidney,
3.6 随访生存资料的寿命表法
当样本含量较大或不能准确得知研究结果出现的时间时，可以将各研究对象的生存时间
按年或月进行分组计算其生存率。Stata相应的命令是：
ltable&时间变量&[dead(截尾变量)] [,by(分组变量)&选择项绘图选择项]
ltable命令中大部分选择项前面已经介绍过，未介绍过的有：
weight&/*&指定权重变量
survival&/*&指定输出生存率
failure&/*&指定输出死亡率
hazard&/*&指定输出风险函数
interval&/*&指定寿命表中生存时间组距
test&/*&应用似然比检验、Log-rank检验对各总体生存率曲线是否相同进行检验
notab&/*&不输出寿命表
noconf&/*&绘制生存率曲线时不绘制各时间点生存率的可信区间
graph&/*&指定绘制生存率曲线
随访某种恶性肿瘤患者生存情况如下图所示，试作统计分析。这是一个分组资料，先将数据整理成下列形式，包括处理变量treat，生存年数year，是否截尾censor，以及频数num。其中，生存年数输入时“0～”输为0.5,“1～”输为1.5,其他依此类推。
计算寿命表并，进行统计学检验，命令如下：
. ltable year censor
[weight=num], test by(treat) interval(1)
得数字化结果如下：
Stata依次输出各段生存时间起点及终点、期初人数、期内死亡人数、截尾例数、生存率
及其标准误和相应的95%可信区间。同时给出了两组的齐性检验(Lawlsee,1982)及log-rank检
绘制第一组(group=1)病人的生存率曲线图。命令如下：
. ltable year censor
[weight=num], test by(treat) interval(1) graph
得数字化结果如下：
生存分析应用广泛，作为一个临床医生至少应该掌握使用一种统计学软件实现生存分析，本文在参考了《现代医学统计方法与Stata应用（第2版）》基础上给大家演示了Stata软件实现生存分析的过程，希望能对大家的科研工作有所帮助。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。