如何在中位随访时间计算研究人群的人年事件发生率？

要解决这个问题，你可以按以下步骤操作：

步骤1：计算中位随访时间 #

先提取所有研究对象的随访时长（无论是否发生事件），再计算其中位数：

# 提取所有个体的随访时间
followup_days <- dat1$days2death
# 计算中位随访时间（单位：天）
median_followup <- median(followup_days)
median_followup

步骤2：截断数据至中位随访时间 #

对每个个体的随访时间和事件状态做截断处理：

• 若个体实际随访时间 ≤ 中位随访时间：保留原随访时间和事件状态
• 若个体实际随访时间 > 中位随访时间：随访时间取中位值，事件状态设为0（到该时间点未发生事件）

# 创建截断后的数据集
dat_trunc <- dat1 %>%
  mutate(
    truncated_days = pmin(days2death, median_followup),
    truncated_death = ifelse(days2death <= median_followup, death, 0)
  )

步骤3：计算事件数和总人时，推导发生率 #

# 统计到中位随访时间点的事件总数
event_count <- sum(dat_trunc$truncated_death)

# 计算总人时（转换为年，除以365.25）
total_person_years <- sum(dat_trunc$truncated_days) / 365.25

# 计算事件发生率（事件数/人年）
incidence_rate <- event_count / total_person_years
incidence_rate

用pyears()函数直接实现（可选） #

也可以直接结合pyears()的截断逻辑来计算，指定随访时间上限为中位随访时间：

# 使用pyears计算截断到中位随访时间的人年和事件数
py_result <- pyears(Surv(pmin(days2death, median_followup), truncated_death) ~ 1, 
                    data = dat_trunc, scale = 365.25)

# 提取事件数和人年
event_count_py <- py_result$events
person_years_py <- py_result$pyears

# 计算发生率
incidence_rate_py <- event_count_py / person_years_py
incidence_rate_py

两种方法结果一致，可根据习惯选择。

内容的提问来源于stack exchange，提问作者Fabian.m