为了说明卡普兰-迈尔生存分析中使用的计算方法是如何运作的，请考虑以下生存数据：

该数据来自一项研究，包含20名受试者、每位受试者的随访时间，以及每位受试者是否发生了目标事件或被删剪（这与讨论删剪部分中用于生成可视化图表的数据相同）。

使用卡普兰-迈尔法手动生成生存曲线的第一步，是按已过时间升序对数据进行排序（Prism 会在“后台”自动完成此操作，因此在使用 Prism 进行卡普兰-迈尔分析时，无需按此方式预处理数据）。 下表显示了重新排序后的数据：

既然数据已按适当方式整理完毕，便可采用卡普兰-迈尔法来估计事件发生时各时间点的生存概率。若要手动进行计算，我们需要在每个时间点确定以下几项信息，包括：

•时间 t 时的风险人数 (Nt)

•时间 t 时的事件数 (Et)

•时间 t 时的删剪观察值数 (Ct)

在受试者尚未经历任何时间（时间 = 0）时，共有 20 名参与者（均假定为“处于风险中”），且在时间零点没有死亡或删剪观察值。因此，时间 0 时的生存概率为 1（或 100%）。

接下来，针对我们掌握信息的每个已过去时间点，我们各添加一行。 需要注意的是，在时间 t 发生事件（或被删剪）的个体，在时间 t 仍被视为处于风险中。但是，由于我们已知该个体发生了事件或被删剪，因此后续任何时间点的风险人数中将不再包含该个体。 让我们先在表格中再添加一行：

观察原始数据，我们发现当累计时间 = 1 时，发生了一起事件（受试者 03）和一次删剪观测（受试者 08）。利用这些信息，我们可以使用以下公式计算该累计时间的生存概率：

利用上表中的数据，我们可以计算出生存概率如下：

这意味着，在该研究人群中，一个月后的估计生存概率（即未发生目标事件的概率）为95%。请注意，在计算生存概率时不使用删剪观测值（Ct）的数量（因为我们不知道这些个体实际何时发生了事件）。 然而，在计算下一个时间点的“风险人群”数量时，这些数据会被纳入计算。为什么在某个时间点发生事件的个体不会被纳入后续时间点的“风险人群”中，原因想必很清楚（因为他们已经发生了该事件）。 当一个观测值在某个时间点被删剪时，意味着这是该个体被观察到的最后一次，且其尚未经历该事件。然而，由于我们无法得知该个体何时会经历该事件，因此不能将其计入研究后期各时间点的风险人数中。 因此，计算特定时间点风险人数（Nt）的一般公式等于前一时间点（Nt-1）的风险人数减去前一时间点的事件发生数和删剪观测数之和。 在时间 t = 1 时，我们有 Nt = 20，发生了一起事件，且有一项观察值。这意味着在下一个时间点（t = 2）时，风险人数将为 20 - 1 - 1 = 18。 下表中已为该下一个时间点新增了一行：

与之前一样，生存概率的计算方式为：

 

与前文相同，这意味着在此人群中，两个月后的估计生存概率约为69%。表格的其余部分可按类似方式填补：

利用上表中的“经过时间”和“生存概率”数值，可以绘制如下所示的阶梯式生存曲线：

前文曾提到，删剪观测值虽不会（直接）用于计算生存概率的公式中，但会用于确定下一个时间点的风险人数。 通过观察表格中经过时间分别为4和5时的计算生存概率，并查看图表中“随访时间=5”处的曲线，即可看出这一点。 在图表中，红色刻度标记表明该时间点存在被删剪的观测值，但由于曲线没有出现垂直下降，显然该时间点未发生事件。 同样，在表格中，由于时间点 5 的事件数 (Et) 为零，因此该时间点与紧邻其前的时间点之间的计算生存概率没有变化。

在 Prism 中进行此类分析非常简单，Prism 会自动计算并报告所有这些值，同时生成估计生存概率的图表。本指南的这一部分详细介绍了如何使用 Prism 进行此项分析。