# 用你的追蹤資料畫 Kaplan–Meier 存活曲線

> 上傳含追蹤時間與事件欄位的資料表，Yila 會畫出附風險人數表的存活曲線，檢定組間差異並配適 Cox 模型，同時附上可重現結果的程式碼。

URL: https://yila.ai/zh-TW/playbooks/kaplan-meier-curve

## 你會得到

- **Kaplan–Meier 存活曲線圖** (PNG + SVG): 附設限標記與 95% 信賴帶的曲線，標出 log-rank p 值，並在時間軸下方對齊風險人數表。
- **Cox 模型結果表** (CSV): 每個共變數的風險比（HR）、95% 信賴區間與 p 值，以及模型的一致性指數（C-index）。
- **假設檢查** (圖): 每個共變數的標準化 Schoenfeld 殘差與整體檢定，讓你判斷比例風險假設是否成立。
- **分析程式碼** (R 程式碼): 完整的 R 分析程式碼（需要的話也可以是 Python），審稿人或共同作者都能重跑每一個數字。

## 運作方式

1. **上傳資料表，指明比較組別**: 給 Yila 一個含時間欄位與事件欄位的 CSV 或 Excel 檔，並說明要比較哪些組別。像「射出分率 ≤ 30%」這樣的切點，直接用文字寫出即可。
2. **Yila 先核對資料，再選方法**: 它會讀取各欄、計算各組的病人數與事件數，並在配適任何模型之前，確認哪個數值代表事件發生。不確定的地方會先問你，不會自行假設。
3. **取得圖、結果表和程式碼**: 存活曲線、Cox 結果表與殘差檢查完成並檢視後，會與程式碼一起儲存。想換切點、換一組共變數或改成期刊要求的尺寸，在同一個對話裡提出即可。

## 適用情境

- **臨床世代研究論文**: 依暴露或風險分組畫出主圖的存活曲線，同時備妥審稿人一定會要求的調整後模型。
- **學位論文的一章**: 一套可重現的存活分析，程式碼與輸出結果可以原封不動放進附錄。
- **重新分析公開資料**: 在以已發表的存活分析結果為基礎繼續研究之前，先用它的公開資料集核對一次。

## 常見問題

### 我的資料要整理成什麼樣子？

每列一位病人，一欄是追蹤時間，一欄標明事件是否發生（例如 1 = 死亡，0 = 設限）。分組變數與共變數放在其他欄。CSV 和 Excel 都可以；如果事件的編碼方式不同，請在需求中說明。

### Yila 使用哪些檢定和模型？

以 Kaplan–Meier 法估計存活率，用 log-rank 檢定比較組間差異，再以 Cox 比例風險模型估計調整後的風險比，並用標準化 Schoenfeld 殘差檢查假設。若假設不成立，Yila 會直接說明，並建議分層模型或時間相依模型等替代做法，而不是若無其事地照常報告風險比。

### 可以用連續變數來分組嗎？

可以。直接用文字寫出切點，例如「射出分率 ≤ 30%」，或要求依三分位數、中位數分組。Yila 會報告每組的病人數與事件數，方便你判斷某一組是否太小。

### 會附上風險人數表嗎？

會，風險人數表對齊在圖的時間軸下方，顏色與各組曲線一致。你也可以指定其他時間點，或要求不放這張表。

### 用 R 還是 Python？

兩者皆可。上方範例是用 R 的 survival 套件寫的；如果你要 Python，就會改用 lifelines 撰寫，產出相同的結果。

### 圖做好後還能修改嗎？

可以，在同一個對話中提出：換顏色、改成期刊的欄寬、設定 landmark 時間點、換組別或共變數都行。程式碼會跟著圖一起更新。

### 範例資料從哪裡來？

來自公開的 Heart Failure Clinical Records 資料集（Chicco 與 Jurman，2020），以 CC BY 4.0 授權發布於 UCI Machine Learning Repository。Yila 從不拿使用者的資料當作範例。

---

- [用你的追蹤資料畫 Kaplan–Meier 存活曲線](https://yila.ai/zh-TW/playbooks/kaplan-meier-curve)
- [llms.txt](https://yila.ai/zh-TW/llms.txt)
