生存分析通常涉及这样的实验设计：不同受试者的随访时间各不相同。如何量化中位随访时间？生存分析（在Prism及其他软件中）会给出中位生存时间。但中位随访时间又该如何计算呢？

请注意生存时间中位数与受试者随访时间中位数（本页讨论的主题）之间的区别。

作为生存分析结果的一部分，Prism会生成一张表格，其中包含随时间推移的风险受试者人数。一种思路是查看该表格，观察人数减少到初始值一半所需的时间。但风险受试者人数随时间减少有两个原因：

1.受试者可能发生目标事件

2.受试者的观察数据可能被删剪

Schemper 和 Smith (1) 提出了一种巧妙的方法，利用输入的生存数据来估计中位随访时间。其诀窍在于反转被视为“感兴趣事件”的定义。 假设一项研究中，感兴趣的事件实际上是“随访丢失”（这种描述成立，因为这是研究中任何受试者都可能经历的一次性事件）。 以此为出发点，可以看出：如果受试者经历了感兴趣的事件，我们就无法得知在失去随访之前，他们本应被随访多长时间。 为了从分析角度探讨这一思路，Schemper 和 Smith 建议重新进行卡普兰-迈尔分析，但需反转状态指标的含义（使用 1 表示随访丢失或删剪的观察值，使用 0 表示受试者发生了原始研究中的目标事件）。 对这组反转后的数据进行卡普兰-迈尔生存分析时，“中位生存时间”的含义实际上可解读为“随访中断”的中位时间。换言之，这就是中位随访时间！

在 Prism 中操作步骤如下：

1.从原始数据的生存分析结果中，点击“新建”>“复制当前工作表”

2.在弹出的“分析数据”对话框中点击“确定”

3.此时将弹出“参数：生存曲线”对话框。在此对话框中，交换指示变量的值。默认情况下，1 表示目标事件，0 表示删剪。在对话框中反转这一约定（但数据保持不变）。告知 Prism：0 表示目标事件，1 表示删剪

4.点击“确定”并查看结果页面。忽略 对数秩检验及其 P 值，因为这些数值无法解读。相反，请关注“中位生存时间”的数值。由于指示变量已被互换，该数值实际上表示中位随访时间

5.根据此分析生成的卡普兰-迈尔曲线（Kaplan-Meier graph）追踪了随时间推移的随访患者数量。它与追踪随时间变化的生存概率的卡普兰-迈尔曲线不同

对于比较两组的样本数据，结果（经过一些润色）如下所示：

两组的随访中位时间均为 130 天。为了便于比较，以下是同一数据的生存曲线：

治疗组的生存中位数出现在第75天，而对照组的生存中位数未定义（曲线从未穿越50%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。《对照临床试验》（1996）第 17 卷（第 4 期），第 343-346 页