R生存分析 - KM曲线 ，值得拥有姓名和颜值

Posted 2023-05-03

参考技术A

生存分析作为分析疾病/癌症预后的出镜频率超高的分析手段，而其结果展示的 KM曲线也必须拥有姓名和颜值 ！

生存分析相关推文：

生存分析和KM曲线： R|生存分析（1）

分析结果一键输出： R|生存分析-结果整理

时间依赖生存分析： R|timeROC-分析

为方便，使用内置lung数据集

可以很容易的发现与文献中的差异，可优化：

1）区分两条线的颜色和legend

2）坐标轴，标题，主题优化

3）Risk table

4）P值，OR值，CI值等注释信息

呐，线的颜色可以和性别对应起来了，Q1解决！

以上基本就完成了KM曲线颜色，线型大小，标签，横纵坐标，标题，删失点等的修改，Q2搞定！

注意中位生存时间表示50 ％的个体尚存活的时间，而不是生存时间的中位数

注 tables.height可调整为看起来“舒服”的高度

根据risk table 可以看出关键点的当前状态，Q3摆平！

1）添加KM的P值

pval.coord可以调节P值得位置

2）添加COX回归hazard ratio值等相关信息**

3）添加其他信息

可类似上述annotation得方式，使用ggplot2添加文字，箭头，公式等其他信息，下面为你可能需要的ggplot2的几个知识：

ggplot2|详解八大基本绘图要素

ggplot2|theme主题设置，详解绘图优化-“精雕细琢”

ggplot2 |legend参数设置，图形精雕细琢

ggplot2|ggpubr进行“paper”组图合并

参考资料：

更多参数参见官方文档： https://github.com/kassambara/survminer

◆ ◆ ◆ ◆ ◆

精心整理（含图版）|R语言生信分析，可视化，你要的全拿走，建议收藏！

R语言生存分析详解：KM曲线COX比例风险模型HR值解读模型比较残差分析是否比例风险验证：基于survival包lung数据集

R语言生存分析详解：KM曲线、COX比例风险模型、HR值解读、模型比较、残差分析、是否比例风险验证：基于survival包lung数据集

目录