生存分析经常涉及到不同受试者随访时间不同的实验设计。如何量化随访时间的中位数？生存分析（在 Prism 和其他程序中）可以告诉你生存时间的中位数。那么随访时间的中位数又是什么呢？

请注意生存时间中位数与研究受试者随访时间中位数（本页主题）之间的区别。

作为生存分析结果的一部分，Prism 提出了一个表格，其中包括随时间变化的受试者风险 nubmer。有一种想法是，看看这个表，看看这个数字下降到起始值的一半需要多长时间。但是，风险人数随时间下降有两个原因：

1.受试者可以经历感兴趣的事件

2.受试者的观察结果可能被删剪

Schemper 和 Smith（1）想出了一个巧妙的办法，利用输入的生存数据来估计随访时间的中位数。诀窍在于颠倒了被认为是相关事件的内容。考虑一项研究，其中的关注事件实际上是随访丧失（这种描述是可行的，因为这是研究中任何受试者都可能经历的一次性事件）。从这个出发点可以看出，如果受试者经历了感兴趣的事件，我们就无法知道他们在失去跟踪之前会被跟踪多长时间。为了对这一想法进行分析研究，Schemper 和 Smith 建议再次运行Kaplan-Meier 分析，但将状态指标的含义颠倒过来（用 1 表示失去随访或删剪观察，用 0 表示受试者经历了原始研究中的相关事件）。在对这种反转数据进行Kaplan-Meier 生存分析时，"中位生存时间 "的含义实际上可以解读为 "失去随访 "的中位时间。换句话说，这就是随访时间的中位数！

要在 Prism 中实现这一点

1.在原始数据的生存分析结果中，单击 "新建"“>" 复制当前工作表

2.在出现的 "分析数据"对话框中单击 "确定”

3.参数：将出现 "参数：生存曲线"对话框。在此对话框中，交换指标变量。默认情况下，1 表示相关事件，0 表示删剪。在对话框中反转这一约定（但数据保持不变）。告诉 Prism，0 表示相关事件，1 表示删剪

4.按 "确定"并查看结果页面。忽略对数秩检验及其 P 值。这些值无法解读。取而代之的是查看 "生存中位数 "的值。由于指标变量发生了变异性，该值实际上表示的是随访时间的中位数

5.根据这项分析绘制的Kaplan-Meier 图表追踪了随访患者的数量。它有别于跟踪随时间变化的生存概率的Kaplan-Meier 图表

对于比较两组患者的样本数据，结果（略加修改）如下：

两组随访时间的中位数均为 130 天。为了便于比较，下面是相同数据的生存曲线：

治疗组的中位生存时间出现在 75 天，而对照组的中位生存时间则未确定（曲线从未越过 50%的生存概率线）。

参考文献

1.M Schemper 和 TL Smith. 关于失败时间研究中随访量化的说明。受控临床试验》（1996 年）第 17 卷（4）第 343-346 页