生存分析经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（即本页讨论的主题）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数。一种思路是查看该表格，观察受试者数降至初始值一半所需的时间。但风险受试者数随时间下降有两个原因：

1.受试者可能发生目标事件

2.受试者的随访数据可能被删剪

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目标事件的定义。 设想一项研究，其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：如果受试者发生了感兴趣的事件，我们就无法得知在随访丢失发生前，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Kaplan-Meier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）。 当对这组反转后的数据进行Kaplan-Meier生存分析时，“中位生存时间”的含义实际上可解读为“随访丢失”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，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.基于此分析生成的Kaplan-Meier曲线（Kaplan-Meier graph）追踪随时间推移的受访患者数量。它与追踪随时间推移的生存概率的Kaplan-Meier曲线不同

对于比较两组的样本数据，结果（经过适当处理后）如下所示：

两组的随访中位时间均为 130 天。为了便于比较，以下是基于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. 关于在失效时间研究中量化随访的注记。《对照临床试验》（1996）第 17 卷（第 4 期），第 343-346 页