1、背景

某研究人员拟观察一种新型癌症药物的疗效情况，首先将50名癌症患者随机分成两组，对照组使用传统治疗方式，实验组使用新式药物治疗方式。并且随访时间为2年，以是否死亡为作为结局。希望通过研究了解到新式药物是否对于生存时间带来影响，同时性别和年龄有可能对于生存时间产生影响，因而性别和年龄也考虑在内。

原始数据如下图，下图中药物组别0表示传统治疗，1表示新式药物；性别0表示女性，1表示男性；年龄0表示50以下，1表示50及以上；生存时间以周为单位；生存状态1表示死亡，0表示生存。

当前使用Cox回归研究药物对于疗效的影响作用，并且将性别和年龄纳入考虑范畴中，并希望生成列线图来直观展示预测情况。

2、理论

SPSSAU中进行列线图时，其共支持二元Logit回归和Cox回归两类模型，并且均支持放入定类或者定量数据，关于列线图的解读上，如下述：

比如上图是cox回归之后，可以得到很多个X，比如age, male sex, smoker, hypertension, dyslipidemia, diabeter…等的回归系数。按cox回归的原理来看，这些X的具体取值（假定其它不变化时）时会对应有一个Points即第1行的数字。比如Age为60的时候大概可对应着55，Smoker为1的时候对应18左右。每个变量的具体值时可对应一个Points，然后全部加起来就有个total points去对应。

比如新来一个病人，60岁吸烟然后其它X的属性都有，然后就可以快速的计算得到各个points并且得到total points。Total points得到后，目的是得到比如该病人5年的生存概率，也或者10年的生存概率，也或者15年的生存概率，比如上图时total points为165左右，大概来看，5年的生存概率是0.7(70%)，10年是0.48即48%，15年为0.25即25%。

3、操作

当前研究药物对于疗效的影响作用，并且将性别和年龄纳入考虑范畴中，药物和性别均是定类数据，年龄分成两组（数字0表示50以下，数字1表示50及以上），因此也是定类数据，操作如下图所示：

回归模型处下拉选择为‘Cox回归’，以及分别放入生成时间和生存状态项。将年龄选择进入‘定量’下拉框中，以及‘定类’下拉框中选择药物组别和性别。需要提供如下：

关于‘展示标签’，选中该项后，列线图上的坐标轴将显示变量的具体分类名称（比如男或者女），如果在SPSSAU并没有设置过标签其依旧会展示成对应的数字比如1或者2，可通过SPSSAU数据处理之数据标签功能进行设置后分析即可。

关于‘列线图设置’，预测时间点共包括3个时间点，完全不填写或者填写1/2/3个预测时间点均可，另时间点有着单位，比如本案例的单位为‘周’，那么比如希望研究10周的生存概率，那么就填入数字10，后面内容为比如“10 weeks survival”。

关于‘展示线性预测’，其被选中后，列线图中会生成一行‘Linear Predictor’来标识，其表示各变量分值汇总后的原始回归系数，实际意义很小通常可忽略，也可不展示在列线图中。

4、SPSSAU输出结果

SPSSAU共输出列线图和一个列线图评价表格：

列线图的解读上，首先计算出各项X因素的得分，比如某个病人，使用传统治疗方式并且是女性并且50以下，那么分别对应的分值Points分别是：100、2左右和42左右，那么3项Points加和的Total Points为144分左右，其对应的‘10 weeks survival’大约为0.69左右，也即意味着10周的生存率为69%左右。

列线图评价是具体列线图的数字展示，比如上述中传统治疗方式为100分，女性为2.022分，年龄50以下为41.222分，也可通过列线图评价表格进行查看。

5、剖析