# 用随访数据画 Kaplan–Meier 生存曲线

> 上传含随访时间和结局事件的表格，Yila 画出带风险人数表的生存曲线，做组间检验并拟合 Cox 模型，同时交付可以复现全部结果的代码。

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

## 你会得到

- **Kaplan–Meier 曲线图** (PNG + SVG): 带删失标记和 95% 置信带的生存曲线，标注 log-rank P 值，图下方对齐风险人数表。
- **Cox 回归结果表** (CSV): 每个协变量的风险比、95% 置信区间和 P 值，以及模型的 C 指数。
- **比例风险假设检验** (图): 每个协变量的标化 Schoenfeld 残差图和整体检验，帮你判断比例风险假设是否成立。
- **分析代码** (R 代码): 完整的 R 代码（需要的话也可以是 Python），审稿人或合作者可以重跑每一个数字。

## 怎么做

1. **上传表格，说清楚比较哪几组**: 给 Yila 一个包含随访时间和结局事件的 CSV 或 Excel 文件，用一句话说明要比较的分组，比如“射血分数 ≤ 30%”这样的切点直接写就行。
2. **Yila 先核对数据，再选方法**: 它先读列名，统计各组人数和事件数，确认哪个取值代表发生事件，再开始建模。拿不准的地方会先问你，不会自己猜。
3. **拿到图、表和代码**: 生存曲线、Cox 结果表和残差检验图都会渲染出来逐一检查后保存，代码一并交付。想换切点、换协变量或改成期刊要求的尺寸，在同一个对话里说就行。

## 适合这些场景

- **临床队列研究论文**: 按暴露或风险分组画主图，同时准备好审稿人一定会要的多因素校正模型。
- **学位论文的一章**: 一套可复现的生存分析，代码和结果可以原样放进附录。
- **复核公开数据**: 在动手做后续研究之前，先用公开数据集核对一下已发表的生存分析结果。

## 常见问题

### 我的数据要整理成什么样？

每行一位患者，一列随访时间，一列标明是否发生事件（例如 1 = 死亡，0 = 删失）。分组变量和协变量放在其他列。CSV 和 Excel 都可以；如果事件的编码方式不同，在请求里说明即可。

### Yila 用什么检验和模型？

用 Kaplan–Meier 法估计生存率、log-rank 检验比较组间差异，用 Cox 比例风险模型得到校正后的风险比，并用标化 Schoenfeld 残差检验比例风险假设。如果假设不成立，Yila 会直接告诉你，并建议分层模型或时依协变量等替代做法，而不是照常报告风险比。

### 能用连续变量来分组吗？

可以。直接写切点，比如“射血分数 ≤ 30%”，或者要求按三分位数、中位数分组。Yila 会报告每组的人数和事件数，方便你判断某一组是不是太小。

### 会有风险人数表吗？

会，风险人数表对齐在曲线图的时间轴下方，颜色与各组曲线一致。你也可以指定时间点，或者要求不加这张表。

### 用 R 还是 Python？

都可以。上面的示例是用 R 的 survival 包做的；如果你要 Python，会改用 lifelines，得到同样的输出。

### 图做出来以后还能改吗？

可以，在同一个对话里说：换颜色、改成期刊的栏宽、设定标志性时间点、换分组或协变量都行，代码会跟着图一起更新。

### 示例用的数据从哪里来？

来自公开的 Heart Failure Clinical Records 数据集（Chicco 与 Jurman，2020），以 CC BY 4.0 许可发布在 UCI 机器学习数据库上。Yila 从不拿用户的数据做示例。

---

- [用随访数据画 Kaplan–Meier 生存曲线](https://yila.ai/zh/playbooks/kaplan-meier-curve)
- [llms.txt](https://yila.ai/zh/llms.txt)
