语言 分组计算hr_初学者如何理解Cox回归和HR值

Cox回归由于其复杂性和相对较少应用(除了临床研究)，很多统计学习者很少接触过和应用Cox回归，对其原理与应用也不甚了解，一般医学教科书一写到Cox回归，马上会涉及到几个令人生畏的名称：比如半参数回归、风险函数以及那无法理解的Cox回归方程，当然Cox回归全称也令人发蒙："Cox比例风险模型"。

但随着队列研究和中长期随访的实验性研究越来越多，了解Cox回归是一项必要的学习内容。

本文撇开复杂原理，简单通俗地介绍下Cox回归，特别是它的应用。除此之外，必须值得了解的一个非常重要的指标——HR值。

---

目  录

• 1. Cox回归与HR值

• 2. 生存分析的目的与Cox回归的作用

• 3. Cox回归的SPSS操作

  • 3.1 分析案例

  • 3.2 统计策略

  • 3.3 Cox回归SPSS操作入口

  • 3.4 Cox回归具体设置

• 4. Cox回归分析结果及其解读

  • 4.1 总体效果评价

  • 4.2 生存曲线图

  • 4.3 Cox回归的主要结果：HR、P值和置信区间

  • 4.4 Cox回归分析结果及其解读

• 5. 进一步解读

  • 5.1 Cox回归比较的是"死亡"速度，也是在比较生存时间、生存率

  • 5.2 Cox回归受到等比例风险假定的限制，应用请慎重

  • 5.3 LogRank分析与Cox回归的异同

  • 5.4 Cox回归广泛应用于随访性研究

---

1. Cox回归与HR值

在科学研究中，经常遇到分类的结局，主要是二分类结局(阴性/阳性；生存/死亡)，研究者可以通过Logistic回归来探讨影响结局的风险因素，或者通过构建预测模型来预测新患者的预期生存时间。

但很多时候Logistic回归方法无法使用，如在随访期中，绝大部分对象都发生阳性结局(患者全部治愈或者患者几乎全都死亡)；如比较两种治疗手段治疗新冠肺炎效果(如瑞德西韦组和安慰剂组)，可能在1个月的效果分别是95%和90%，在统计学上可能没有差异。

Logistic回归是关于率的分析，探讨影响发生率的因素，但发生率的研究不能说明一切。

我们还可以从发生率发生的速度来分析，探讨影响发生速度的因素，这便是Cox回归基本思维。

Cox回归是生存分析的重要方法，全称是"Cox比例风险模型"。它主要探讨终点事件发生速度有关的因素。通俗来说，它可以探讨，到底哪类群体的"死亡"速度更快、到底什么因素影响了"死亡"速度。

生存分析的"死亡"指的是，阳性终点事件的发生。死亡速度指的是，t时刻存活的个体在t时刻的瞬时死亡(阳性事件发生)率，可以理解为一组人群在不同时刻的阳性终点事件发生的速度。

具体可以用以下函数来表达：

在专业上，我们把它称之为风险h(t)，上述公式称之为风险函数(hazard function)。风险值随着时间的变化而变化，一般情况下，随访前期，"死亡"速度较快。

因此，Cox回归是关于"死亡"风险的研究。但是上述公式无法将死亡风险与相关因素建立起联系。

终于在1972年，由英国统计学家D.R.CoxCox建立了新的函数，来解决这个问题。

或者写成：

h(t)便是研究对象的风险函数，即"死亡"速度，它随着时间的变化而变化。h0(t)是回归方程的截距，初学者完全可以忽略；x1，x2，…xj是自变量，β1，β2…，βj为回归系数。

可以发现，Cox回归是一种嵌套线性方程的模型。它通过指数转换，建立了新的线性回归方程，用于探讨自变量x对因变量h(t)的影响，一种非线性的影响。

我举个简单的单因素Cox回归分析案例吧。

比较男性和女性白血病患者缓解时间(天)的差异性，各自的生存时间如下：

男性：4，5，9，10，11，12，13， 20+，28，28，28，29，31，32，37，41，41，57，62，74，109，100，139，158+
女性：8，10，10，12，14，20，48，70，75，99，103࿰