1 方法与基本概念
1.1 生存函数与时间到事件
在时间到事件（time-to-event）分析中，关注的是“从起点开始到某事件发生为止”的持续时间。常见事件包括死亡、复发、故障等。生存函数通常记为 \(S(t)\)，表示随机个体在时间 \(t\) 之后仍未发生事件的概率，即 \[ S(t)=P(T>t), \] 其中 \(T\) 为事件发生时间。Kaplan–Meier估计的目标，是用样本数据构造对 \(S(t)\) 的非参数估计，从而得到随时间变化的生存概率曲线（阶梯曲线）。
1.2 右删失数据的含义
右删失（right censoring）指：个体在随访过程中未观察到事件发生，但我们只知道其事件时间超过了某个观测截止点。典型情形包括研究结束时仍未发生事件、随访中失访但在失联前未发生事件等。
右删失使得事件时间不能被精确观测到，但仍包含有用信息：删失个体在其删失时间之前一直“处于未发生事件”的状态。Kaplan–Meier估计正是利用这一点，将删失信息通过“风险集”纳入计算。
1.3 阶梯式估计的直观理解
Kaplan–Meier曲线随时间在“事件发生时刻”向下跳。直观上，可以将每个事件时刻的下降理解为：在该时刻，风险集中的部分个体发生事件，因此生存概率按比例减少；随后在下一事件时刻到来前，生存概率保持不变。
这种“阶梯式”并非人为设定，而是因为生存概率只在事件发生的离散时间点更新；删失发生时不会直接造成曲线下降，但会影响后续风险集规模。
2 Kaplan–Meier估计的构建
2.1 计算公式与乘积极限形式
设事件发生的不同时间点为 \(t_1<t_2<\cdots<t_k\)。在每个 \(t_j\) 时刻，令 \(d_j\) 为该时刻发生事件的个体数，\(n_j\) 为该时刻仍处于风险中的个体数（风险集大小）。Kaplan–Meier估计可写为乘积极限形式： \[ \hat S(t)=\prod_{t_j\le t}\left(1-\frac{d_j}{n_j}\right). \] 该形式体现了“每一次事件时刻的条件生存概率相乘”的思想：在给定已到达时刻 \(t_j\) 的前提下，不在该时刻发生事件的比例依次相乘，得到累计到时间 \(t\) 的生存概率估计。
2.2 事件时间排序与风险集
构建风险集需要同时考虑事件与删失。对每个事件时间点 \(t_j\)：
- \(n_j\)：包括所有尚未在 \(t_j\) 之前发生事件、且其观测时间（未删失或删失时间）不早于 \(t_j\) 的个体。
- \(d_j\)：在 \(t_j\) 恰好发生事件的个体数。
由于删失个体在其删失时间之前仍属于风险集，删失时间点之后不再计入后续风险集。正确的排序与归属是实现KM估计时最常见的关键步骤。
2.3 估计量的逐步更新过程
实际计算通常以时间顺序迭代：
- 初始化 \(\hat S(0)=1\)（从起点到起点，事件尚未发生，概率为1）。
- 按事件时间点 \(t_1,t_2,\ldots\) 逐次处理。
- 在每个 \(t_j\) 更新乘积：\(\hat S(t_j)=\hat S(t_{j-1})\left(1-\frac{d_j}{n_j}\right)\)。
- 在两事件时间点之间的区间内，\(\hat S(t)\) 保持常数，形成阶梯。
删失发生时一般只用于调整 \(n_j\) 的大小，不直接参与 \(\left(1-\frac{d_j}{n_j}\right)\) 中的 \(d_j\)。
2.4 与频数表/汇总数据的对应关系
KM估计可与“事件-风险汇总表”一一对应。汇总表通常包含每个事件时间点的：
- 事件数 \(d_j\)
- 风险人数 \(n_j\)
- 事件比例（或下降因子）\(1-d_j/n_j\)
一旦汇总表构建完成，KM曲线就可由乘积规则直接生成。因此，在数据处理层面，很多软件先计算汇总量，再用这些量更新生存函数。
3 置信区间与不确定性评估
3.1 Greenwood公式（方差估计）
Kaplan–Meier估计的不确定性常通过方差近似来评估。经典的 Greenwood 公式给出了 \(\hat S(t)\) 的方差估计形式，常用于构造置信区间。其核心思想是将每个事件时刻造成的“随机波动”累积，并考虑该时刻风险人数对方差贡献的影响。
在实践中，软件往往直接基于Greenwood方差或其变体来计算标准误，从而进一步得到区间估计。
3.2 置信区间的常见实现方式
常见做法包括：
- 基于对称近似的区间（直接用 \(\hat S(t)\) 与标准误构造）。
- 变换尺度的区间（例如在对数或反正切等尺度上构造区间，再反变换），以改善区间端点落在 \([0,1]\) 范围内的性质。
- 使用不同置信水平（如95%）报告结果。
不同实现会在区间宽度、末端行为（尤其是尾部数据稀少时）上表现出差异。解读时应注意所用区间方法与软件默认选项。
3.3 中位生存期的定义与读取
中位生存期（median survival time）常定义为满足 \[ \hat S(t)\le 0.5 \] 的最小时间点。由于KM曲线阶梯式，实际读取通常对应到“曲线首次跌破或等于0.5”的那个事件时间点。若曲线在观察期内始终高于0.5，则中位生存期可能无法估计（或标记为“未达到”），这与样本随访长度及删失分布有关。
3.4 曲线可视化中的常见标注
在图形展示KM结果时，常见标注包括：
- 生存曲线（不同组用不同颜色/线型区分）
- 置信区间带（通常为阴影或上下界曲线）
- 事件发生时刻的分段特征（体现阶梯）
- 中位生存期的水平参考线（如0.5）以及对应的时间标记
标注的目的是帮助读者快速定位差异与不确定性来源，但也需避免对阶梯点之间的插值做过度推断。
4 结果解读与统计推断应用
4.1 组别比较：对数秩检验概述
当数据按组别划分（例如不同治疗方案、不同风险分层），常用对数秩检验（log-rank test）评估两组或多组生存曲线是否存在统计学差异。其基本思想是：在每个事件时间点比较各组在风险集中的“期望事件数”与“实际事件数”，再累积形成检验统计量。
对数秩检验对“较大时间范围内的一致差异”更敏感，但并不保证对所有形式的差异（例如早期差异而后迅速收敛）都同样敏感。
4.2 估计曲线的比较原则
对比不同组的KM曲线时，常用原则包括：
- 看整体趋势：曲线是否持续分离、是否交叉。
- 同时关注不确定性：若置信区间大量重叠，并不能直接证明无差异，但提示证据可能不足。
- 关注尾部：末端风险人数变少时，估计波动通常增大，图上差异可能更不稳定。
此外，若曲线出现显著交叉，应谨慎使用单一检验的直觉判断差异性质是否匹配。
4.3 约束与适用条件
KM估计与基于其的经典比较方法依赖于常见的统计假设框架，尤其涉及删失机制是否与事件过程“相互独立”以及随访过程的可比性。简而言之，KM曲线能够在适当条件下给出合理估计；若删失严重受事件相关因素强烈影响，且这种影响未被建模，结果的解释可能偏离真实差异。
4.4 常见误读与避免，如删失机制忽视
常见误读包括：
- 将删失当作“发生事件”，或忽略删失只是在该时间点之后不再观察到事件的事实。
- 只看中位生存期而忽略曲线形状：当尾部未达到0.5时，中位值不可估，强行估读会产生误解。
- 过度相信尾部差异：风险集很小时，阶梯下降可能由少数事件驱动，统计波动大。
- 忽视删失机制：即便KM本身能处理右删失，仍需评估删失是否与研究对象状态存在系统性关联。
正确做法通常是同时报告风险表（风险集规模随时间变化）、置信区间以及必要的假设说明。
5 实践流程与实现要点
5.1 数据准备：事件/删失标记
实现KM估计前需要明确两类信息：
- 观测时间：每个个体的随访结束时间（若发生事件则为事件时间；若删失则为删失时间）。
- 事件指示变量：通常用0/1或布尔值标记是否发生事件（例如1表示事件发生，0表示右删失）。
数据中还需保证时间变量单位一致、起点一致，并处理缺失值与异常值。
5.2 关键变量的编码规范
实践中建议遵循一致编码以避免软件解释错误：
- 事件发生标记与删失标记的约定要与所用函数一致（不同软件或参数默认可能不同）。
- 组别变量应为分类变量，且组别水平明确可追踪。
- 对于需要做组别比较的情况，组别样本量不宜过小（否则检验与区间估计会更不稳定）。
此外，若存在并列事件时间（多个个体在同一时刻发生事件），应确保计算过程能正确处理这些并列点（通常软件会自动完成）。
5.3 典型软件输出解读（R、Python等的KM曲线）
常见输出包括：
- 生存曲线（随时间的 \(\hat S(t)\)）
- 置信区间（多为默认方法）
- 中位生存期及其区间（视是否达到0.5而定）
- 组别比较检验结果（如对数秩检验的统计量与p值）
- 风险表（risk table）：展示各时间点风险集大小，有助于判断曲线尾部可靠性
解读时应把p值与效应大小、以及曲线分离程度结合起来，而不只追求显著性。
5.4 质量检查：风险集与事件点核对
质量检查通常包括：