引言：
生存分析是临床上较为常用的统计学方法，用于比较不同组别的患者在接受干预之后，生存时间的变化情况。生存分析是医学领域中一个重要的内容，在各个疾病领域的研究中都运用十分广泛。在R中进行生存分析常用的包主要有survival包以及survminer包。
•Survival 包提供了生存函数的建立，Cox模型的建立，以及比较分析。这个包也提供了基于基础绘图系统的生存曲线绘制。•Survminer包提供了基于ggplot2系统对于生存分析的可视化，使得生存分析具有更加美观的图形，以及自我定制方式。
而今天我们的主角就是Survminer包，让我们鼓足精神一起来学习“如何使用Survminer包优雅的绘制生存曲线”吧。
1．Survminer包主要函数介绍
＃该包包含的主要函数有：
主要函数用法ggsurvplot （）利用＇number at risk＇表，事件表的累计数量和被过滤的主体表的累计数绘制生存曲线arrange＿ggsurvplots （）在同一页面上排列多个ggsurvplotsggsurvevents （）绘制事件的时间分布surv＿summary （）生存曲线总结，默认的summary （）函数相比，surv＿summary （）创建一个数据帧，其中包含来自survfit结果的漂亮摘要surv＿cutpoint （）一次确定一个或多个连续变量的最佳切点，提供与生存最显著关系对应的一个切点的值。pairwise＿survdiff （）生存曲线的多重比较，计算分组级别之间的配对比较，以及多个测试的更正ggcoxzph （）比例危害的图形测试，显示缩放的Schoenfeld残差图，以及使用ggplot2的平滑曲线，plot．cox．zph（）的包装器ggcoxdiagnostics （）显示诊断图表显示cr比例危险模型的良好ggcoxfunctional （）显示关于零cox比例危险模型鞅残差的连续解释变量的图，cox模型中连续变量的函数形式的正确选取ggforest （）绘制CoxPH模型的forest plotggcoxadjustedcurves （）绘制coxph模型的调整生存曲线ggcompetingrisks （）绘制竞争风险的累积关联曲线
在以上众多函数中，ggsurvplot （）函数和ggcoxzph （）函数是生存分析中应用最多的函数，arrange＿ggsurvplots （）函数是让多个 ggsurvplots作图生存曲线合并。今天我们也将主要讲解这三个函数。（如果需要其他函数的学习，请自行查阅 Survminer包说明文档）
2．主要函数ggsurvplot（）
2．1 用法：
ggsurvplot（fit， data ＝ NULL， fun ＝ NULL， color ＝ NULL， palette ＝ NULL， linetype ＝ 1， conf．int ＝ FALSE， pval ＝ FALSE， pval．method ＝ FALSE， test．for．trend ＝ FALSE， surv．median．line ＝ ＂none＂， risk．table ＝ FALSE， cumevents ＝ FALSE， cumcensor ＝ FALSE， tables．height ＝ 0．25， group．by ＝ NULL， facet．by ＝ NULL， add．all ＝ FALSE， combine ＝ FALSE， ggtheme ＝ theme＿survminer（）， tables．theme ＝ ggtheme， ．．．）
2．2 主要参数详解：
参数用法fit需要画的生存曲线对象，可以是拟合好的生存对象，也可以是包含生存信息的数据框、列表data用来拟合生存曲线的数据集，如果未提供，则将从“fit”对象中提取数据fun定义生存曲线变换的任意函数。event：f（y） ＝ 1－y；cumhaz：f（y） ＝－log（y）；pct：生存率百分比color绘制生存曲线的颜色设置，可使用调色板palette使用调色板linetype改变线条类型conf．int逻辑值，如果为TRUE，则绘制置信区间pval逻辑中，如果为TRUE，则绘制p值pval．method是否添加一个文本，其中包含用于计算pvalue的检验名称，该文本对应于生存曲线的比较。仅在pval＝TRUE时使用test．for．trend逻辑值，默认为FALSE，如果是TRUE，返回p值的趋势检测surv．median．line用于在中间生存点绘制水平／垂直线的字符向量，可选择的值包括c（＂none＂，＂hv＂，＂h＂，＂v＂）中的一个，其中v：垂直，h：水平risk．table显示绝对数量和风险个体的百分比cumevents指定是否显示累计事件数表的逻辑值，默认值为FALSEcumcensor逻辑值，指定是否显示审查累计次数的表，默认值为FALSEtables．height数值（在［0－1］中），指定主生存图下所有表的一般高度add．all逻辑值如果为真，则将合并患者的生存曲线（空模型）添加到主图中combine逻辑值如果为TRUE，则在同一绘图上合并列表survfit对象2．3 示例：
＃首先，安装并加载包，直接在R中安装即可
install．packages（＂survival＂）install．packages（＂survminer＂）library（survival）library（survminer）
＃示例数据选用R语言中非常出名的lung数据集
＃查看数据组成View（lung）
＃表中数据解释：
•time：患者生存时间，单位是days•status：患者结局，1表示删失，2表示死亡•其余变量：自变量，比如：age表示年龄，sex表示性别等等
＃然后，使用该数据拟合生存曲线 （这里使用Survival包，具体生存分析的方法可以查看Survival包学习文档）
fit＜－ survfit（Surv（time， status） ～ sex， data ＝ lung）
＃构建好fit对象后，开始画图
＃默认参数画图ggsurvplot（fit， data ＝ lung）
＃ 添加中位生存ggsurvplot（fit， data ＝ lung， surv．median．line ＝ ＂hv＂）
＃ 改变标签： title ＆ labelsggsurvplot（fit， data ＝ lung， surv．median．line ＝ ＂hv＂， legend ＝ ＂bottom＂， ＃将图例移动到下方 legend．title ＝ ＂sex＂， ＃改变图例名称 legend．labs ＝ c（＂Male＂， ＂Female＂）， linetype ＝ ＂strata＂）＃ 改变线条类型
＃ 添加p值和置信区间ggsurvplot（fit， data ＝ lung， surv．median．line ＝ ＂hv＂，legend．title ＝ ＂sex＂， legend．labs ＝ c（＂Male＂， ＂Female＂）， pval ＝ TRUE，conf．int ＝ TRUE）
＃ p值其他添加方法＃ 指定p值ggsurvplot（fit， data ＝ lung， pval ＝ 0．04）
＃ 指定字符ggsurvplot（fit， data ＝ lung， pval ＝ ＂The hot p－value is： 0．031＂）
＃ 添加风险表ggsurvplot（fit， data ＝ lung， surv．median．line ＝ ＂hv＂，legend．title ＝ ＂sex＂， legend．labs ＝ c（＂Male＂， ＂Female＂）， pval ＝ TRUE，conf．int ＝ TRUE，risk．table ＝ TRUE， tables．height ＝ 0．2，tables．theme ＝theme＿cleantable（））
＃ 颜色设置：palettes． ggsurvplot（fit， data ＝ lung， surv．median．line ＝ ＂hv＂，legend．title ＝ ＂sex＂， legend．labs ＝ c（＂Male＂， ＂Female＂）， pval ＝ TRUE，conf．int ＝ TRUE，risk．table ＝ TRUE， tables．height ＝ 0．2，tables．theme ＝theme＿cleantable（）， palette ＝ c（＂＃E7B800＂， ＂＃2E9FDF＂））
＃ 同时改变font size， style and colorggsurvplot（fit， data ＝ lung， main ＝ ＂Survival curve＂， font．main ＝ c（16， ＂bold＂， ＂blue＂）， font．x ＝ c（14， ＂bold．italic＂， ＂red＂）， font．y ＝ c（14， ＂bold．italic＂， ＂grey＂）， font．tickslab ＝ c（12， ＂plain＂， ＂darkgreen＂））
＃接下来，我们将讲解如何在一张图片上绘制多个生存曲线，这里使用R内置数据colon（自变量更多）
＃查看colon数据View（colon）
＃我们选择自变量sex（性别）＋ rx（治疗方式）＋adhere（邻近器官）
＃拟合多个生存曲线fit3 ＜－ survfit（ Surv（time， status） ～ sex ＋ rx ＋ adhere，data ＝ colon ）＃ 画多个生存曲线 ggsurvplot（fit3， data ＝ colon， fun ＝ ＂cumhaz＂， conf．int ＝ TRUE， ggtheme ＝ theme＿bw（））
＃以上图形可以看出，图形复杂且杂乱，因此需要分割图片
＃ 分割开多个生存曲线 ggsurv＜－ggsurvplot（fit3， data ＝ colon， fun ＝ ＂cumhaz＂， conf．int ＝ TRUE， risk．table ＝ TRUE， risk．table．col＝＂strata＂， ggtheme ＝ theme＿bw（））curv＿facet ＜－ ggsurv＄plot ＋ facet＿grid（rx ～ adhere）curv＿facet
＃风险表也需要分割
＃每一个facet plot item对应一个风险表，水平垂直都分割ggsurv＄table ＋ facet＿grid（rx ～ adhere， scales ＝ ＂free＂）＋ theme（legend．position ＝ ＂none＂）
＃或者，每一个facet columns对应一个风险表，只分割垂直方向tbl＿facet ＜－ ggsurv＄table ＋ facet＿grid（．～ adhere， scales ＝ ＂free＂）tbl＿facet ＋ theme（legend．position ＝ ＂none＂）
＃最终合并分割后生存曲线和风险表，主要应用ggplot包的gridExtra函数
＃ 合并生存曲线和风险表g2 ＜－ ggplotGrob（curv＿facet）g3 ＜－ ggplotGrob（tbl＿facet）min＿ncol ＜－ min（ncol（g2）， ncol（g3））＃gridExtra：：gtable＿rbind表示合并表格g ＜－gridExtra：：gtable＿rbind（g2［， 1：min＿ncol］， g3［， 1：min＿ncol］， size＝＂last＂）g＄widths ＜－ grid：：unit．pmax（g2＄widths， g3＄widths）＃ 最终绘制于一张图上grid：：grid．newpage（）grid：：grid．draw（g）
＃因图片偏大，建议自行运行代码查看
3．主要函数arrange＿ggsurvplots （）
3．1用法：
arrange＿ggsurvplots（x， print ＝ TRUE， title ＝ NA， ncol ＝ 2， nrow ＝ 1， surv．plot．height ＝ NULL， risk．table．height ＝ NULL， ncensor．plot．height ＝ NULL， ．．．）
3．2 参数详解：
参数用法xggsurvplots的列表print逻辑值。如果为TRUE，则显示排列的图title图片的标题。默认值为NAsurv．plot．height网格上生存点的高度，默认：0．75risk．table．height网格上风险表的高度，默认值为0．25，当risk．table＝FALSE时忽略ncensor．plot．height删失点的高度，当 ncensor．plot ＝ TRUE时使用3．3 示例：
＃ 从lung数据库和colon数据库中分别构建两个生存曲线fit1＜－ survfit（Surv（time， status） ～ sex， data ＝ lung）fit2＜－ survfit（Surv（time， status） ～ adhere， data ＝ colon）＃ 图1选择fit1，图2选择fit2，先分别画图splots ＜－list（）splots［［1］］ ＜－ ggsurvplot（fit1， data ＝ lung， risk．table ＝ TRUE， ggtheme ＝ theme＿minimal（））splots［［2］］＜－ ggsurvplot（fit2， data ＝ colon， risk．table ＝ TRUE， ggtheme ＝ theme＿grey（））＃ 合并在同一张图中arrange＿ggsurvplots（splots， print ＝ TRUE， ncol ＝ 2， nrow ＝ 1， risk．table．height ＝ 0．4）
＃ 也可以不输出，直接保存pdf格式在指定文件夹res ＜－ arrange＿ggsurvplots（splots， print ＝ FALSE）ggsave（＂myfile．pdf＂， res）
4．主要函数ggcoxzph（）
4．1 用法：
ggcoxzph（fit， resid ＝ TRUE， se ＝ TRUE， df ＝ 4， nsmo ＝ 40， var， point．col ＝ ＂red＂， point．size ＝ 1， point．shape ＝ 19， point．alpha ＝ 1， caption ＝ NULL， ggtheme ＝ theme＿survminer（）， ．．．）
4．2 参数：
参数作用fitcox．zph类对象resid逻辑值，如果为TRUE，则残差和拟合度包括在绘图中se如果逻辑值为TRUE，则将在两个标准误差处添加置信区间df拟合曲线的自由度，df＝2，表示线性拟合nsmo用来画拟合的样条平滑曲线点的数目4．3 示例：
＃依旧使用 lung数据＃ 行cox回归和ph检验fit ＜－ coxph（Surv（time， status） ～ sex ＋ age， data ＝ lung）ftest ＜－ cox．zph（fit）＃ 查看cox回归整体模型ftest
＃画所有变量ggcoxzph（ftest）
＃ 用指定变量顺序和变量画图，font．main标题的字体样式ggcoxzph（ftest， var ＝ c（＂age＂， ＂sex＂）， font．main ＝ 10）
＃Cox模型Ph检验图看法：（以上图结果为例）
•cox回归模型cox．zph．fit，模型的整体检验P值（GLOBAL）是0．194，大于0．05，说明模型整体满足PH检验。•从上图可以看出，二个变量的P值均大于0．05，说明每个变量均满足PH检验。•上图中实线是拟合的样条平滑曲线（黑色实线），虚线表示拟合曲线上下2个单位的标准差（黑色虚线）。如果残差曲线（红色的点）偏离2个单位的标准差则表示不满足比例风险假定。从上图中可见，各协变量满足PH风险假设。•正常情况下，以上Schoenfeld残差（图中红色的点）应该与时间无关，如果残差与时间有相关趋势，则违反PH假设的证据。残差图上，横轴代表时间，如果残差均匀的分布，则表示残差与时间相互独立。
5．小结
当然，实现生存分析可视化的方法还有很多，比如：SPSS、Graphpad Prism等多种作图工具，小伙伴们可以依据自己的爱好自行选择哦。
