前些天我的学徒写了教程：人人都可以学会生存分析（学徒数据挖掘） 吸引到了读者：武汉大学金文意，他希望可以分享一下生存分析的新玩法：

受限平均生存时间

大家好，我是武汉大学金文意。很荣幸受曾老师邀请，与大家简短地分享一下我对受限平均生存时间的一点薄见。水平有限，有不足之处敬请指正！

背景

在诸如JAMA oncology等顶级期刊中，我们经常会看到如图1所示的Restricted mean survival time（RMS time），即受限平均生存时间1。基于RMS time的组间评价方法既往多见于前瞻性的临床对照实验中，但是近年来，RMS time在预后模型（prognostic signature）领域亦逐渐开始普及。

单从与生物信息学息息相关的prognostic signature领域来说，假如你构建了一个prognostic signature，该signature可将患者分成不同风险组（例如高、中、低风险）。传统的做法是直接绘制K-M生存曲线并log-rank计算组间差异，如果p-value小于0.05即可判断组间的生存率有显著差异。

但是，仅仅这样就足够了吗？log-rank test比较的是存在删失的情况下组间的生存时间分布2。对于更精确的医学研究，我们更想知道的是，截止至某一年的时间点，组间的生存差异。这个时候，就要引出我们的RMS time了。

图1

定义

RMS time, 其描述的是纳入研究的患者在随访t时间段内的平均生存时间，可以估计为生存曲线下直至预定时间点的面积，因此可以考虑该时间范围之前的所有生存信息3。这恰恰是其相对于传统生存分析的优势所在。

R语言实现

survRM2 package常用来计算RMS time，方便起见，使用包中的示例数据进行展示。

require(survRM2)

data =rmst2.sample.data() #input data

我们看一下数据结构，我们只需要三列数据（生存时间、生存状态、及你的依据处理因素/风险因素的分组arm）

简单调用函数进行计算,依序输入，其中，tau指的是你所设置的时间点。函数的其他参数的具体说明可自行查看R中该包的说明手册。