生存分析结果适用性及Logistic回归用于死亡事件预测的疑问

我最近自学了时间-事件分析，绘制了Kaplan-Meier生存曲线，现在有几个疑问需要解答。

注：尽管各节点观测数量较少，假设样本量充足。

K <- HF %>% 
  filter(serum_creatinine <= 1.8, ejection_fraction <= 25)


## Call: survfit(formula = Surv(time, DEATH_EVENT) ~ 1, data = K)
## 
##  time n.risk n.event survival std.err lower 95% CI upper 95% CI
##    20     36       5    0.881  0.0500        0.788        0.985
##    45     33       3    0.808  0.0612        0.696        0.937
##    60     31       3    0.734  0.0688        0.611        0.882
##    80     23       6    0.587  0.0768        0.454        0.759
##   100     17       1    0.562  0.0776        0.429        0.736
##   110     17       0    0.562  0.0776        0.429        0.736
##   120     16       1    0.529  0.0798        0.393        0.711
##   130     14       0    0.529  0.0798        0.393        0.711
##   140     14       0    0.529  0.0798        0.393        0.711
##   150     13       1    0.488  0.0834        0.349        0.682

一、Kaplan-Meier结果表述验证 #

1. 以下表述是否有效？ #

对于任何血清肌酐≤1.8、射血分数≤25的新入院患者，其140天的生存概率为53%。

2. 以下表述是否正确？ #

上述可视化结果仅对应已分析样本的生存分布，不适用于未来新样本。

二、Logistic回归应用疑问 #

我想确认：Logistic回归是否可用于预测二分类变量DEATH_EVENT？由于TIME变量会影响不同时间点死亡病例的权重，需要对此进行考量。

如果Logistic回归适用于该场景，是否需要保留或移除TIME变量？

内容的提问来源于stack exchange，提问作者Antonio