Skip to content

Statistics › 存活分析 › Kaplan-Meier

Kaplan-Meier 估計量 (Kaplan-Meier Estimator) ​

從觀察資料估計存活函數 S(t) = P(T > t) 的標準無母數方法,正確處理設限、不假設任何分配。幾乎每份存活分析報告都從 KM 曲線開始,就像連續資料先畫直方圖:建模前先畫 KM。

KM 估計的是「到 t 為止事件尚未發生的機率」,不是平均存活時間,也不是 hazard。

公式 ​

S^(t)=∏ti≤t(1−dini)
符號意義
tᵢ有事件發生的相異時間點
dᵢtᵢ 的事件數
nᵢtᵢ 前一刻仍在追蹤中的人數(風險集 risk set)
1 − dᵢ/nᵢ條件存活:已活到 tᵢ 的人撐過 tᵢ 的機率
Ŝ(t)累積存活:把各區間的條件存活率連乘

為什麼是階梯函數?

  • 事件發生 → 曲線往下跳一階
  • 設限發生 → 不往下跳,但之後的風險集變小(設限標記 + 顯示此人的資訊到此為止)

這正是 KM 處理設限的方式:設限者在設限前貢獻資訊,之後從風險集移除。

手算範例 ​

時間事件 δ
3, 5, 5, 8, 10, 12, 12, 151, 0, 1, 1, 0, 1, 1, 0
tᵢnᵢdᵢ1 − d/nŜ(t)
3810.8750.875
5710.8570.750
8510.8000.600
12320.3330.200

t = 5 有一個事件與一個設限同時發生:慣例上設限視為發生在事件之後,所以 n = 7。t = 8 的風險集為 5,因為 t = 5 的設限者已移除。

python
import pandas as pd

d = pd.DataFrame({"time": [3, 5, 5, 8, 10, 12, 12, 15], "event": [1, 0, 1, 1, 0, 1, 1, 0]})
S, rows = 1.0, []
for t in sorted(d.loc[d.event == 1, "time"].unique()):
    n = (d.time >= t).sum()                          # 風險集
    k = ((d.time == t) & (d.event == 1)).sum()       # 事件數
    S *= 1 - k / n
    rows.append((t, n, k, round(S, 3)))
pd.DataFrame(rows, columns=["t", "n_at_risk", "d", "S"])

lifelines 範例 ​

python
import matplotlib.pyplot as plt
from lifelines import KaplanMeierFitter
from lifelines.datasets import load_rossi
from lifelines.plotting import add_at_risk_counts
from lifelines.utils import restricted_mean_survival_time

rossi = load_rossi()                       # 出獄後再被捕的時間(週)
T, E = rossi["week"], rossi["arrest"]

kmf = KaplanMeierFitter().fit(T, E, label="All")
kmf.median_survival_time_                  # 中位存活時間
kmf.survival_function_at_times([10, 26, 52])
kmf.confidence_interval_                   # Greenwood 公式 + log 轉換的 95% CI

# 單組曲線 + 風險表
ax = kmf.plot_survival_function(ci_show=True)
add_at_risk_counts(kmf, ax=ax)
plt.show()

# 分組比較
fig, ax = plt.subplots()
fits = {}
for g, label in [(1, "Received Aid"), (0, "No Aid")]:
    m = rossi["fin"] == g
    fits[label] = KaplanMeierFitter().fit(T[m], E[m], label=label)
    fits[label].plot_survival_function(ax=ax)
add_at_risk_counts(*fits.values(), ax=ax)
plt.show()

# RMST(到 52 週)
{k: restricted_mean_survival_time(v, t=52) for k, v in fits.items()}

Kaplan-Meier survival curve

R 版本:

r
library(survival); library(survminer)
fit <- survfit(Surv(time, status) ~ sex, data = lung)
ggsurvplot(fit, data = lung, pval = TRUE, conf.int = TRUE, risk.table = TRUE, surv.median.line = "hv")

讀 KM 曲線 ​

  1. 早期下降多陡?
  2. 中位存活時間在哪(若存在)?
  3. 尾端還剩多少人在風險集?
  4. 組間差異是一直存在,還是只在早期 / 晚期?

尾端很脆弱:追蹤後期風險集很小,每個事件影響很大、CI 很寬,曲線右側看起來戲劇化但統計上不穩定。一定要附風險表 (at-risk table)。

信賴區間:lifelines 預設用 Greenwood 公式(並在 log 尺度計算,確保 CI 在 [0, 1] 內):

Var^[S^(t)]=S^(t)2∑ti≤tdini(ni−di)

中位數無法估計時:RMST ​

曲線在觀察期間從未降到 0.5 以下時,中位存活時間未定義。這不代表存活無限長,只代表觀察期內不到一半的人發生事件。此時報告:

  • RMST(τ) = KM 曲線下到 τ 的面積 = 到 τ 為止的平均無事件時間;永遠有定義、可直接比較組間差異(「平均多 x 週無事件」)
  • 或固定時點存活率(1 年、5 年)

曲線交叉時 hazard ratio 不固定、意義不清,RMST 差異是更好的比較指標,見 Log-rank 檢定。

常見解讀錯誤 ​

錯誤為什麼錯
把設限讀成事件設限是追蹤結束,不是事件發生
過度解讀尾端風險集太小,估計不穩
看到曲線分開就當作有差異需要正式檢定(log-rank)
只報中位數漏掉不確定性與 RMST 等其他摘要
用 1 − KM 當作有競爭風險時的累積發生率會高估,見 競爭風險