如何在R中为多事件或复发事件生存分析结构化数据？

首先明确结论：你提到的两种方案均存在偏倚风险，正确的标记逻辑需要基于时间依存暴露的计数过程（Counting Process）格式构建数据，核心是避免永生时间偏倚，准确匹配每个时间区间内的暴露状态与事件发生情况。

两种现有方案的核心缺陷 #

方案2（同ID全量标记）：存在严重永生时间偏倚 #

这种方式会将暴露发生前的时间错误归类为暴露状态，完全违背因果时序。以你给出的ID001为例，2012年4月才首次服用研究药物X，但2011年1月的理赔记录已经被标记为exposed=1，相当于默认2011年的事件是由尚未发生的暴露导致的，结果会完全失真，是生存分析中需要严格避免的错误。

方案1（仅对应行标记）：低估暴露时长 #

绝大多数处方药的暴露效应不是仅存在于开药当日，而是会持续一段时间（从数天到数年不等）。如果仅在开药理赔行标记exposed=1，相当于漏算了开药后到下一次理赔之间的暴露时段，会严重低估暴露的真实效应。

正确数据处理逻辑 #

你使用带共享脆弱项的Cox模型分析复发事件，需要先将原始理赔数据转换为start-stop长格式，这也是R的survival包的标准输入格式，处理步骤如下：

1. 先为每个ID梳理完整时间线：
   • 确定入组时间：研究起始时间、个体首次进入医保系统时间的较晚值
   • 确定暴露起止时间：首次出现X药理赔的日期为暴露起始时间；如果药物需要连续服用，中断超过临床界定的阈值（如30天无购药记录）则标记为暴露终止
   • 提取所有Y事件的发生日期，按时间先后排序
   • 确定删失时间：研究结束时间、个体失访时间的较早值
2. 按时间节点拆分无状态变化的区间，每个区间对应一行数据，核心字段包括：
   • start：区间起始日期
   • stop：区间结束日期
   • exposed：本区间内的暴露状态（0/1）
   • event：本区间结束时是否发生Y事件（0/1）
   • 不随时间变化的协变量（如geo）所有区间取相同值，随时间变化的协变量按区间更新
3. 模型调用代码示例：

   library(survival)
   # 共享脆弱项Cox模型，frailty(ID)校正个体内相关性
   cox_model <- coxph(Surv(start, stop, event) ~ exposed + geo + 其他协变量 + frailty(ID), data = 你的处理后数据集)
   summary(cox_model)
   

适配你给出的ID001示例的正确格式 #

如果你的研究仅关注首次Y事件，则首次事件发生后（即2011-01-30之后）的所有行无需纳入分析。

内容的提问来源于stack exchange，提问作者logjammin