R语言Surv()函数左删失处理、Cox回归及竞争风险分析问询

1. 左删失的处理 #

在你的研究场景中，左删失主要对应初诊时已发生转移的患者——这类患者的转移事件发生在首次就诊之前，我们无法获取准确的“初诊到转移”时间。处理方式分两种：

• 若你的研究目标是分析初诊后首次转移的时间，这类左删失患者无法提供有效生存时间数据，必须排除，否则会严重干扰结果的准确性。
• 若你有特殊需求要纳入这类患者，可考虑使用区间删失模型（比如survival包的survreg函数），需要将转移时间定义为“确诊前某时间点至初诊时间”的区间，但这种方法分析复杂度高，对结果解读要求严格，一般不推荐用于常规的早期转移基因筛选。

2. 初诊时已发生转移的患者是否需直接排除 #

取决于你的研究终点：

• 核心终点是**“初诊后发生转移的时间”**：必须排除。这类患者的转移事件不是在初诊后发生的，不符合“早期转移”（初诊后出现的转移）的研究定义。
• 若研究目标是分析基因突变与“转移状态”（包括初诊时转移）的关联：可以换用逻辑回归直接分析转移状态（0=未转移，1=初诊时/随访中转移），但这不属于生存分析范畴。

3. 将死亡作为竞争风险的分析方法 #

死亡是典型的竞争事件——患者死亡后就不会再发生转移，普通Cox回归无法处理这种情况，需要用竞争风险模型，推荐使用R的cmprsk包实现：

1. 先定义结局变量：status取值为0（随访结束未转移未死亡）、1（发生转移，目标事件）、2（死亡，竞争事件）
2. 构建竞争风险模型的代码示例：

   library(cmprsk)
   # 构造协变量矩阵（注意去掉截距项）
   cov_matrix <- model.matrix(~ gene1 + gene2 + gene3 - 1, data = my_df)
   # 拟合竞争风险模型，指定目标事件为转移（failcode=1），删失为0
   crr_model <- crr(ftime = my_df$Time,
                    fstatus = my_df$status,
                    cov1 = cov_matrix,
                    failcode = 1,
                    cencode = 0)
   # 查看结果
   summary(crr_model)
   

3. 结果解读：模型输出的是亚风险比（sHR），代表在考虑死亡竞争事件的前提下，基因突变对转移事件发生风险的影响，这比普通Cox回归的结果更贴合研究实际。

4. 用普通coxph处理status=0/1/2是否可行？ #

完全不可行。
普通coxph()函数默认将所有非0的status值视为同一类“感兴趣事件”，也就是会把死亡和转移合并成同一个事件处理，这完全违背了竞争风险的逻辑——死亡是阻止转移发生的事件，而非转移事件的同类。这种错误的分析方式会导致结果严重偏倚，完全不符合你的研究目标。

内容的提问来源于stack exchange，提问作者Cadmus