77921020：/* 相关条目 */

2025-12-19T09:00:41Z

77921020：建立内容为“== Kaplan-Meier 曲线 == File:Kaplan_Meier_Curve_Example.jpg|thumb|350px|right|典型的 Kaplan-Meier 生存曲线图：展示了两组患者（治疗组 vs…”的新页面

2025-12-19T08:59:47Z

建立内容为“== Kaplan-Meier 曲线 == File:Kaplan_Meier_Curve_Example.jpg|thumb|350px|right|典型的 Kaplan-Meier 生存曲线图：展示了两组患者（治疗组 vs…”的新页面

新页面

== Kaplan-Meier 曲线 ==
[[File:Kaplan_Meier_Curve_Example.jpg|thumb|350px|right|典型的 Kaplan-Meier 生存曲线图：展示了两组患者（治疗组 vs 对照组）随时间推移的生存概率。]]
'''Kaplan-Meier 曲线'''（Kaplan-Meier Curve），又称'''乘积极限法'''（Product-Limit Method），是一种用于估算生存概率的非参数统计方法。

在医学（尤其是肿瘤学）研究中，它是展示和分析[[临床试验终点]]（如 [[总生存期]] OS、[[无进展生存期]] PFS）的标准可视化工具。它解决了临床数据中常见的'''删失 (Censoring)''' 问题，即如何处理那些中途失访或在研究结束时仍存活的患者数据。

== 基本信息 ==
{| class="wikitable"
|-
! 中文名称 || Kaplan-Meier 曲线 / 生存曲线
|-
! 英文名称 || Kaplan-Meier Estimator
|-
! 提出者 || Edward Kaplan & Paul Meier (1958年)
|-
! 核心用途 || 估算生存率、可视化 OS/PFS
|-
! 关键统计量 || 中位生存期 (mOS/mPFS)、Log-rank 检验
|-
! 处理难点 || 删失数据 (Censored Data)
|}

== 曲线解读指南 ==
一张标准的 K-M 曲线图包含以下核心要素，是医生和科研人员必须掌握的“语言”：

=== 1. 坐标轴 ===
* '''X轴 (时间)'''：从随机化入组开始计算的时间（通常单位为月或年）。
* '''Y轴 (生存概率)'''：患者存活（或未进展）的比例，起点通常为 1.0 (100%)。

=== 2. 台阶 (Steps) 与标记 (Ticks) ===
* '''垂直下降 (Drop)'''：曲线每次发生垂直下降，代表发生了一个'''终点事件'''（如患者死亡或肿瘤进展）。下降幅度取决于当时的在险人数 (Number at Risk)。
* '''垂直短线 (Tick Marks)'''：曲线上的小竖线代表'''删失数据 (Censored Data)'''。这意味着该患者在该时间点最后一次随访时仍存活，之后情况未知（失访或研究结束）。K-M 方法的伟大之处在于它利用了这些患者在失访前提供的信息，而不是直接剔除。

=== 3. 关键指标 ===
* '''中位生存期 (Median Survival Time)'''：Y轴 50% 概率处对应的 X轴时间点。代表“有一半患者活过了这个时间”。
* '''Log-rank 检验 P值'''：用于统计学上比较两条曲线是否有显著差异（如 P < 0.05，说明新药组显著优于对照组）。
* '''HR 值 (Hazard Ratio, 风险比)'''：量化两条曲线分离程度的指标。HR < 1 代表治疗组风险降低（疗效好）。

== 计算原理 (乘积极限法) ==
K-M 估计量的核心思想是：'''累积生存率 = 每个时间区间生存概率的连乘积'''。

公式表达为：
\( \hat{S}(t) = \prod_{t_i \leq t} (1 - \frac{d_i}{n_i}) \)
* \( d_i \)：在时刻 \( t_i \) 发生的死亡人数。
* \( n_i \)：在时刻 \( t_i \) 的在险人数（尚未死亡且未删失的人数）。

=== 1. 曲线数字化 (Digitization) ===
利用计算机视觉 (CV) 技术，AI 可以自动从海量医学文献的 PDF 中识别 K-M 图片，提取曲线上的像素坐标并转化为原始数据 (Raw Data)。
* '''价值'''：可以构建竞品药物的疗效数据库，进行跨试验的非头对头比较 (Indirect Treatment Comparison)。

=== 2. 深度生存学习 (Deep Survival Learning) ===
传统 K-M 分析只能处理少量变量。现代 AI 模型（如 DeepSurv）可以整合多模态数据（[[PET-CT]] 影像、基因组学、病历文本）：
* '''个性化预测'''：不再只看群体的“中位生存期”，而是为特定患者绘制专属的生存概率曲线。
* '''虚拟对照臂'''：基于历史 K-M 数据生成“合成对照组”，在单臂 CAR-T 试验中辅助疗效评估。

== 局限性 ==
* '''交叉现象'''：当生存曲线发生交叉（前期一组好，后期另一组好）时，Log-rank 检验失效，且 HR 值失去意义。这在[[免疫治疗]]中很常见（起效慢但长尾）。
* '''非随机化偏倚'''：K-M 方法本身无法消除混杂因素，需配合 Cox 回归模型使用。

== 参考文献 ==
<references />
* [1] Kaplan EL, Meier P. Nonparametric estimation from incomplete observations. ''J Am Stat Assoc''. 1958. (统计学史上引用率最高的论文之一)
* [2] Bland JM, Altman DG. Survival probabilities (the Kaplan-Meier method). ''BMJ''. 1998.
* [3] Katzman JL, et al. DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. ''BMC Med Res Methodol''. 2018.

== 相关条目 ==
* [[临床试验终点]]
* [[生物统计学]]
* [[Cox比例风险模型]]
* [[免疫治疗]]

[[Category:生物统计学]]
[[Category:数据可视化]]
[[Category:临床试验]]
[[Category:人工智能医疗]]

@@ 第1行： / 第1行： @@
 == Kaplan-Meier 曲线 ==
-[[File:Kaplan_Meier_Curve_Example.jpg|thumb|350px|right|典型的 Kaplan-Meier 生存曲线图：展示了两组患者（治疗组 vs 对照组）随时间推移的生存概率。]]
+[[File:Kaplan_Meier_Curve_Example.jpg|thumb|350px|right|典型的 Kaplan-Meier 生存曲线图：展示了两组患者（治疗组 vs 对照组）随时间推移的生存概率。|链接=Special:FilePath/Kaplan_Meier_Curve_Example.jpg]]
 '''Kaplan-Meier 曲线'''（Kaplan-Meier Curve），又称'''乘积极限法'''（Product-Limit Method），是一种用于估算生存概率的非参数统计方法。
@@ 第43行： / 第43行： @@
 \( \hat{S}(t) = \prod_{t_i \leq t} (1 - \frac{d_i}{n_i}) \)
 * \( d_i \)：在时刻 \( t_i \) 发生的死亡人数。
-* \( n_i \)：在时刻 \( t_i \) 的在险人数（尚未死亡且未删失的人数）。
+* \( n_i \)：在时刻 \( t_i \) 的在险人数（尚未死亡且未删失的人数）。<br />
 === 1. 曲线数字化 (Digitization) ===
 利用计算机视觉 (CV) 技术，AI 可以自动从海量医学文献的 PDF 中识别 K-M 图片，提取曲线上的像素坐标并转化为原始数据 (Raw Data)。

Kaplan-Meier曲线 - 版本历史

77921020：/* 相关条目 */

77921020：建立内容为“== Kaplan-Meier 曲线 == File:Kaplan_Meier_Curve_Example.jpg|thumb|350px|right|典型的 Kaplan-Meier 生存曲线图：展示了两组患者（治疗组 vs…”的新页面