如何在R语言中从ctree提取t=150时刻的生存率？

你当前代码里用的是ctree()（条件推断生存树），并非Kaplan-Meier模型——这也是你用summary(pred_k)得不到想要的生存率结果的原因。下面分两种情况给出解决方案：

情况1：用Kaplan-Meier模型计算整体生存率 #

如果你的目标是基于Kaplan-Meier方法计算t=150时刻的生存率，按以下步骤操作：

1. 拟合Kaplan-Meier模型 #

调用survival包的survfit()函数拟合模型：

library(survival)
library(dplyr)

# 拟合无分组的KM模型（若需要按变量分组，把~1换成~你的分组变量，比如~sex）
km_model <- survfit(Surv(time, DEATH_EVENT) ~ 1, data = K)

2. 提取t=150时刻的生存率 #

方法一：直接指定时间点输出

用summary()函数指定times=150，结果里的surv字段就是目标生存率：

summary(km_model, times = 150)

输出会包含生存率、标准误和置信区间，示例输出类似：

Call: survfit(formula = Surv(time, DEATH_EVENT) ~ 1, data = K)

 time n.risk n.event survival std.err lower 95% CI upper 95% CI
  150    xxx      xx     x.xx    x.xx        x.xx        x.xx

方法二：单独提取数值

如果需要把生存率单独提取出来用，可将KM结果转成数据框后筛选：

# 把KM模型的时间和生存率转成数据框
km_df <- data.frame(
  time = km_model$time,
  surv = km_model$surv
)

# KM是阶梯函数，若150不在观测时间点，取小于等于150的最后一个时间点的生存率
target_surv <- km_df$surv[max(which(km_df$time <= 150))]
print(target_surv)

情况2：从ctree模型中提取预测生存率 #

如果你的需求是基于已拟合的ctree生存树获取t=150的生存率，用predict()函数获取每个样本的生存曲线，再汇总：

# 从ctree模型获取每个样本的生存曲线
ctree_surv_curves <- predict(pred_k, type = "surv")

# 提取每个样本在t=150时刻的生存率，再取均值（或根据需求计算分组统计量）
t150_surv_values <- sapply(ctree_surv_curves, function(curve) {
  # 找到小于等于150的最后一个时间点对应的生存率
  last_idx <- max(which(curve$time <= 150))
  curve$surv[last_idx]
})

# 计算整体平均生存率
mean_t150_surv <- mean(t150_surv_values)
print(mean_t150_surv)

内容的提问来源于stack exchange，提问作者Antonio