如何在Python lifelines的Cox模型中以年龄作为时间尺度？

当然可以实现类似R中Surv(age, age + time, status)的功能，lifelines支持计数过程（counting process）格式的生存数据，对应R里的起始-终止时间型Surv对象。具体操作如下：

步骤1：整理数据格式 #

先在数据框中生成两列关键时间列：

• start_age：受试者入组时的年龄（即原数据中的age列）
• stop_age：受试者发生事件或被截尾时的年龄，计算方式为 age + timeToDiagnosis

步骤2：拟合以年龄为时间尺度的Cox模型 #

调用fit方法时，除了指定duration_col为终止年龄列，还需要通过start_duration_col参数指定起始年龄列，以此将年龄设为模型的时间尺度。

示例代码：

from lifelines import CoxPHFitter

# 处理数据，生成起始/终止年龄列
inputDf['start_age'] = inputDf['age']
inputDf['stop_age'] = inputDf['age'] + inputDf['timeToDiagnosis']

cph = CoxPHFitter()
cph.fit(
    inputDf,
    start_duration_col='start_age',
    duration_col='stop_age',
    event_col='caseCancer',
    formula="sex"  # 无需将age作为协变量，它已是时间尺度的一部分
)

# 输出模型结果
cph.print_summary()

核心区别说明 #

• 把年龄作为时间尺度时，模型的时间轴是受试者的实际年龄，估计的是不同年龄阶段的风险率变化，和R中Surv(age, age+time, status)的逻辑完全一致。
• 若仅将age作为协变量加入公式，模型时间轴仍是研究时长（timeToDiagnosis），只是在调整年龄对风险的额外影响，二者的模型假设与结果解释有本质差异。

内容的提问来源于stack exchange，提问作者David Tang