SPSS詳細操作：生存資料的Cox回歸分析

一、問題與數據

某研究者擬觀察某新藥的抗腫瘤效果，將70名肺癌患者隨機分為兩組，分別采用該新藥和常規藥物進行治療，觀察兩組肺癌患者的生存情況，共隨訪2年。研究以死亡為結局，兩種治療方式為主要研究因素，同時考慮調整年齡和性別的影響，比較兩種療法對肺癌患者生存的影響是否有差異。變量的賦值和部分原始數據見表1和表2。

表1.  肺癌患者生存的影響因素與賦值

表2. 兩組患者的生存情況

二、對數據結構的分析

該研究以死亡為結局，治療方式為主要研究因素，每個研究對象都有生存時間（隨訪開始到死亡、失訪或隨訪結束的時間），同時考慮調整年齡和性別的影響。欲了解兩種療法對肺癌患者生存的影響是否有差異，可以用Cox比例風險模型（Cox proportional-hazards model，也稱為Cox回歸）進行分析。

實際上，Cox回歸的結局不一定是死亡，也可以是發病、妊娠、再入院等。其共同特點是，不僅考察結局是否發生，還考察結局發生的時間。

在進行Cox回歸分析前，如果樣本不多而變量較多，建議先通過單變量分析（KM法繪制生存曲線、Logrank檢驗等）考察所有自變量與因變量之間的關系，篩掉一些可能無意義的變量，再進行多因素分析，這樣可以保證結果更加可靠。即使樣本足夠大，也不建議把所有的變量放入方程直接分析，一定要先弄清楚各個變量之間的相互關系，確定自變量進入方程的形式，這樣才能有效的進行分析。

單因素分析后，應當考慮應該將哪些自變量納入Cox回歸模型。一般情況下，建議納入的變量有：1）單因素分析差異有統計學意義的變量（此時，最好將P值放寬一些，比如0.1或0.15等，避免漏掉一些重要因素）；2）單因素分析時，沒有發現差異有統計學意義，但是臨床上認為與因變量關系密切的自變量。

三、SPSS分析方法

1. 數據錄入SPSS

2. Analyze→Survival→Cox Regression 

3. 選項設置

1）主對話框設置：

①將生存時間變量送入Time框中→②將結局變量送入Status框中→③點擊Define Event→④定義表示終點事件發生的數值（此例中為死亡，用1表示）→⑤Continue→⑥將分組因素和需要調整的變量送入Covariates框中→⑦Method選擇Forward：LR。

對于自變量篩選的方法（Method對話框），SPSS提供了7種選擇，使用各種方法的結果略有不同，讀者可相互印證。各種方法之間的差別在于變量篩選方法不同，其中Forward: LR法（基于最大似然估計的向前逐步回歸法）的結果相對可靠，但最終模型的選擇還需要獲得專業理論的支持。

2）Categorical Covariates選項設置：

①將分類變量group選入右側Categorical Covariates里，②并選擇Reference Category以First為參比（即選擇最小數值為參照組），其他按默認選項→③Change→Continue

注意：在數據錄入時，建議將二分類變量賦值為0和1；多分類變量賦值為0、1、2、3或者1、2、3、4等，并根據以下情況設置Categorical Covariates選項：

A. 以下情況，可以不定義Categorical Covariates選項：當自變量是二分類變量，并且賦值的差值為1，例如賦值為0和1，也不需要繪制該變量不同組間的生存曲線時。

B. A以外的情況都必須定義Categorical Covariates選項。需特別注意兩種情況：①當自變量是二分類變量，但要在Plots選項中設置，得到不同組間的生存曲線時。比如本例中，group為二分類變量，但要觀察不同用藥組間的生存曲線，就需要在Categorical Covariates選項中定義group變量；②多分類變量時。
3）Plots選項設置：

要繪制生存曲線，①可選擇Plots Type中的Survival作為輸出的圖形，②將主要分類變量選入右側Separate lines for中，可以輸出該變量不同組間對應的生存曲線，其他按默認選項→Continue

4）Options選項設置：

①選擇Model Statics中的CI for exp(B)要求輸出HR值的95%置信區間，②選擇Display model imformation中的At last step（即要求僅輸出最后一步的模型），其他按默認選項→Continue→OK

四、結果解讀

1. Case Processing Summary表格給出了分析數據的基本情況，其中包括事件發生數（Event）、刪失數（Censored）和總數（Total）等信息。

2.Categorical Variable Codings表格給出了Categorical Covariates選項中設置的變量（本例中為group）所對應的賦值情況和頻率（Frequency）。最后一列給出了變量編碼的情況。腳注b. Indicator Parameter Coding說明了本研究中group變量以First為參照組（Categorical Covariates選項中的設置）。

3.Omnibus Tests of Model Coefficients表格給出了模型中所有變量的回歸系數全為0的檢驗結果。對于本例，①Score統計量為5.065,P=0.024；②對數似然比檢驗χ2=5.399,P=0.020。說明模型中至少有一個自變量的HR值不為1，模型整體檢驗有統計學意義。

4.Variables in the Equation表格給出了參數估計的結果。結果顯示最后篩選后的模型僅包含group變量，①P=Sig.=0.029說明治療方式為影響肺癌患者預后的獨立因素。②相對危險度HR=Exp(B)=0.410，說明使用新藥的患者死亡風險為使用常規藥物患者的0.410倍，③HR的95%可信區間（95% CI）為0.184-0.914。

5.生存曲線。前述Plots選項的設置要求輸出按照不同藥物分組的生存曲線。新藥組（賦值為1，綠色線條）比常規藥物組（賦值為0，藍色線條）的生存率高。值得注意的是，該圖片并未編輯，不符合給雜志投稿的要求。關于圖片的編輯此處不再展開討論。

五、撰寫結論

治療方式為影響肺癌的獨立因素（P=0.029）。與常規藥物相比，使用新藥的肺癌患者的死亡風險低于使用常規藥物的患者，HR=0.410（95% CI: 0.184-0.914）。

六、備注

Cox回歸使用的前提是滿足比例風險假定（PH假定），即主要研究因素（包括Covariates框中放入的其它協變量）的各層間均應滿足PH假定。如果不滿足，則應當將變量放入Strata框中進行分層變量控制。cda數據分析師培訓

具體如何判斷各變量是否滿足PH假定，以及如何設置Strata對話框對變量進行分層控制，咱們以后再聊。