1. 这不是画图，是用R语言讲清楚生存数据的故事

“R语言 KM曲线作图及logrank检验”——这行字看起来像一句技术指令，但在我带过的十几个生物统计项目里，它其实是临床研究者、流行病学学生、甚至药企医学部同事第一次真正“听懂”患者随访数据时的起点。KM曲线（Kaplan-Meier曲线）不是一张普通的折线图，它是把“谁活下来了、谁什么时候失访、谁在什么时间点发生事件”这些零散、不完整、甚至带偏倚的随访信息，压缩成一条有统计学重量的阶梯状曲线；而logrank检验也不是一个p值输出动作，它是站在两条（或多条）KM曲线之间，冷静地问：“这两组患者的生存模式，真的不一样吗？还是只是随机波动？”我见过太多人用survminer::ggsurvplot()一键出图后就截图交差，结果在伦理审查或论文返修时被审稿人一句“logrank检验未校正分层因素”打回重做。这背后缺的不是代码，而是对生存分析底层逻辑的理解：删失（censoring）不是缺失值，是信息受限；风险集（risk set）不是固定样本量，是随时间动态收缩的“活着且可观察”的人群；而logrank的卡方统计量，本质是在每个事件时间点上，把“实际死亡数”和“按比例预期死亡数”之间的偏差加总起来。这篇文章不教你怎么复制粘贴代码，而是带你从原始数据结构开始，亲手搭起整套生存分析流水线：从Surv()对象怎么构造、为什么必须用+连接时间和状态、survfit()里的公式写法如何影响分组逻辑，到ggsurvplot()中risk.table = TRUE背后的风险表到底在算什么，再到logrank检验的自由度怎么来、p值小到多少才算有临床意义。无论你是刚跑通第一个coxph()模型的研究生，还是需要快速验证三期临床亚组结果的医学经理，只要你的数据里有“时间”和“是否发生终点事件”这两个字段，这篇就是为你写的实操手册。

2. 核心设计思路：为什么KM曲线不能用普通绘图函数硬套？

2.1 生存数据的特殊性决定了必须专用工具链

普通散点图或折线图处理的是“每个观测点都有确定Y值”的数据，但生存数据天然携带三重不确定性：时间截断（censoring）、非等距事件点、动态风险集。举个具体例子：某肿瘤队列中，患者A在第12个月复发，记录为time=12, status=1；患者B随访到第18个月仍无复发，但因搬家失联，记录为time=18, status=0；患者C在第6个月死于车祸（非研究终点），也记为time=6, status=0。这三个status=0看似都是“没事件”，但统计含义完全不同：B是“删失”，说明他在18个月内确实没复发，只是后续不可观察；C是“竞争风险”，他的死亡直接终止了复发观察机会。如果强行用ggplot2::geom_line()去连这些点，会错误地把B的18个月当作“生存到18个月后才复发”，把C的6个月当作“6个月后复发”，彻底扭曲生存概率估计。KM方法的精妙之处，在于它只在实际发生事件的时间点更新生存概率，且每次更新都基于当前“仍在风险中”的患者子集计算。比如在第6个月，只有A和B还在风险集中（C已退出），若此时A复发，则A的死亡贡献给该时间点的“实际死亡数”，而A和B两人构成该时间点的“风险集大小”。这个过程无法用静态坐标系表达，必须由survival包中的survfit()函数驱动，它内部维护着事件时间排序、风险集动态更新、删失点标记等一整套状态机。我试过用基础R的plot()硬画，结果发现横轴时间点全是重复的、纵轴概率跳变不规则，最后不得不重写循环——这不是代码能力问题，而是模型错配。所以整个流程的第一道铁律是：所有生存分析必须始于Surv()对象构造，止于survfit()拟合，中间任何环节跳过都会导致统计失效。

2.2 logrank检验的本质是分层卡方检验，不是t检验平移

很多初学者看到logrank输出的p值，下意识类比t检验的“两组均值差异”，这是危险的误解。logrank检验的原假设（H₀）是“两组的生存函数完全相同”，备择假设（H₁）是“至少有一个时间点生存概率不同”。它的统计量计算过程是：

1. 将所有事件时间点（无论哪组发生）合并排序，得到唯一事件时间序列t₁, t₂, ..., tₖ；
2. 对每个tᵢ，分别计算：
   - 实际观察到的该时间点死亡数O₁ᵢ, O₂ᵢ（下标1/2代表组别）；
   - 基于两组在tᵢ时刻的风险集大小n₁ᵢ, n₂ᵢ和总风险集nᵢ = n₁ᵢ + n₂ᵢ，计算期望死亡数E₁ᵢ = dᵢ × (n₁ᵢ / nᵢ), E₂ᵢ = dᵢ × (n₂ᵢ / nᵢ)，其中dᵢ是tᵢ时刻总死亡数；
3. 统计量U = Σ(O₁ᵢ - E₁ᵢ)，其方差V = Σ[ E₁ᵢ × E₂ᵢ × (nᵢ - dᵢ) ] / [ nᵢ² × (nᵢ - 1) ]；
4. 最终χ² = U² / V服从自由度为1的卡方分布。

这个推导过程揭示了三个关键事实：第一，logrank对早期事件更敏感，因为早期风险集大，E₁ᵢ的权重高；第二，它默认各时间点权重相等，所以对晚期差异检测力弱——这也是为什么后来发展出Peto、Fleming-Harrington等加权检验；第三，当某组在某个时间点风险集为0（比如全删失或全事件），E₁ᵢ分母为0，检验自动失效。我在某次真实项目中遇到过：对照组10例患者全部在3个月内复发（status=1），试验组15例中12例删失在12个月后，导致3个月后对照组风险集归零，logrank检验报错NaNs produced。解决方案不是换软件，而是改用survMisc::comp包的logrank函数，它内置了风险集为0时的平滑处理。但更根本的解决思路是：提前检查各组事件时间分布，若存在严重不平衡（如一组事件全集中在前3个月，另一组全在12个月后），logrank本身就不适用，应转向Cox比例风险模型或限制性立方样条建模。

2.3 可视化不是装饰，是生存数据诊断的X光片

KM曲线图上的每一个阶梯下降，都对应一个或多个实际事件；每一段水平线，都代表该时间段内无新事件发生；而右端的悬空终点，往往暗示大量删失。因此，一张合格的KM图必须同时承载三重信息：生存概率趋势、事件时间分布密度、删失点位置提示。survminer::ggsurvplot()之所以成为行业标准，不是因为它美观，而是它把risk.table = TRUE、ncensor.plot = TRUE、pval = TRUE这些参数设计成可开关的“诊断探头”。比如开启risk.table后，图下方会显示每个时间点的风险集人数，让你一眼看出：在12个月时，试验组风险集从50人骤降到35人，说明有15人在此前删失——这提示你检查随访记录，是否12个月是某个中期分析节点，导致大量患者退出？再比如ncensor.plot = TRUE会在图底部绘制删失点的小竖线，若发现某组删失点密集堆叠在某个时间（如6个月），就要警惕是否存在系统性失访（如问卷发放周期导致的集中失联）。我曾帮某高校团队复现一篇顶刊论文的KM图，他们用base::plot()只画了曲线，结果审稿人质疑：“图中24个月后试验组曲线突然变陡，但风险表显示此时风险集仅剩3人，统计效力严重不足”。补上风险表后，问题立刻暴露。所以，不要把KM图当成汇报PPT的配图，而要把它当作生存数据质量的实时监控屏——删失模式异常、风险集坍塌、事件时间偏倚，都会在图上留下蛛丝马迹。

3. 实操全流程：从原始数据到可发表级KM图的7个关键步骤

3.1 数据准备：Surv对象构造的3个致命陷阱

Survival分析的第一步，也是最容易翻车的一步，是构造Surv()对象。正确语法是Surv(time, event)，其中time是随访时间（单位需统一，如“月”或“天”），event是事件指示变量（通常1=发生事件，0=删失）。但这里有三个新手必踩的坑：

陷阱1：事件变量类型错误
event必须是数值型（numeric）或逻辑型（logical），不能是因子（factor）或字符型（character）。我见过最典型的错误是：原始数据中status列为"dead"/"alive"，直接传入Surv(time, status)，R会静默将其转为因子并按字母序编码（"alive"=1,"dead"=2），导致event=1反而是删失！正确做法是显式转换：event = as.numeric(status == "dead")或event = ifelse(status == "dead", 1, 0)。

陷阱2：时间单位不一致
临床数据常混用“天”“周”“月”，若直接拼接，time=30可能指30天（约1个月）或30个月，logrank检验的p值会完全失真。解决方案是统一转为“天”：time_days = time * unit_factor，其中unit_factor根据原始单位设定（周=7，月=30.44，年=365.25）。某次合作中，对方提供的时间列标注为“month”，但实际录入的是“week”，导致KM曲线在12个月处出现诡异平台——因为12*7=84天，远小于12个月的真实随访长度。

陷阱3：删失与事件定义冲突
event=0必须严格对应“未发生研究终点且随访终止”，不能包含“发生竞争事件”（如死于心脏病的癌症患者）。若数据中混有竞争事件，必须用survival::Surv(time, event, type="mstate")构建多状态模型，或先清洗：event_clean = ifelse(competing_event == 1, 0, original_event)。我在处理某心血管队列时发现，event列中0包含了“失访”和“死于非心源性原因”两类，直接使用会导致生存概率高估。最终方案是：将非心源性死亡设为event=2（竞争事件），用cmprsk::cuminc()计算累积发病率，而非KM估计。

# 正确构造Surv对象的模板代码 library(survival) # 假设原始数据框df包含：time_col（随访时间，单位：月）、status_col（"recurrence"=1, "censored"=0） df$surv_obj <- Surv( time = df$time_col * 30.44, # 统一转为天 event = as.numeric(df$status_col == "recurrence") # 确保数值型 )

3.2 拟合KM模型：survfit()公式的隐藏逻辑

survfit()是KM分析的核心引擎，其公式语法~ group_var表面简单，但内部逻辑深刻影响结果解读。以survfit(surv_obj ~ treatment)为例，treatment必须是分类变量（factor），若为数值型（如1,2,3），R会尝试拟合线性趋势而非分组比较，导致summary()输出中n（样本量）显示为NA。正确做法是强制转换：df$treatment_f <- factor(df$treatment, levels = c(1,2), labels = c("control", "drug"))。

更关键的是分组变量的参考水平设置。survfit()默认以因子第一个水平为参考组，logrank检验的p值是针对“所有组间无差异”的全局检验，但print()输出的中位生存时间（median）和95%CI是各组独立计算的。若想指定参考组（如让“drug”组作为分母计算HR），需在coxph()中用relevel()，但KM本身不输出HR。这里有个实用技巧：用survminer::ggsurvplot()的fun = "event"参数绘制累积事件率曲线，此时参考组的曲线会位于上方，便于直观对比。

# 正确拟合KM模型 fit_km <- survfit( surv_obj ~ treatment_f, # 必须是factor data = df, conf.type = "log-log" # 推荐log-log置信区间，避免概率<0或>1 ) # 查看拟合摘要 summary(fit_km, times = c(180, 365, 730)) # 输出特定时间点的生存概率

3.3 高级绘图：ggsurvplot()的12个关键参数详解

survminer::ggsurvplot()是KM可视化事实标准，但其30+参数中，真正影响科学严谨性的核心参数不过12个。以下是我在50+个项目中验证过的必调参数清单：

特别强调conf.int = TRUE：KM置信区间有多种算法（log, log-log, plain），log-log法在生存概率接近0或1时更稳定，避免出现CI上限>1的荒谬结果。某次投稿被拒，原因就是审稿人指出“图中36个月生存率95%CI为0.85-1.02，上限超1，违反概率公理”。

# 生产级KM图代码（含中文支持） library(survminer) ggsurvplot( fit = fit_km, data = df, risk.table = TRUE, ncensor.plot = TRUE, pval = TRUE, conf.int = TRUE, conf.int.style = "step", # 置信区间用阶梯状，匹配KM曲线 surv.median.line = "hv", legend.labs = c("对照组", "试验组"), break.time.by = 365, xlim = c(0, 1095), ylim = c(0.4, 1), fontsize = 12, font.main = list(size = 14), tables.height = 0.25, ggtheme = theme_bw(base_family = "SimHei") # 中文字体支持 )

3.4 logrank检验：手算验证与结果解读的黄金法则

虽然survminer::ggsurvplot()自动输出p值，但必须掌握手算验证方法，以防软件bug或数据异常。核心是提取survfit对象的n.risk、n.event、n.censor矩阵：

# 提取logrank所需原始数据 surv_sum <- summary(fit_km) # surv_sum$n.risk 是各时间点风险集矩阵（行=时间点，列=组） # surv_sum$n.event 是各时间点事件数矩阵 # 计算每组总事件数 total_events <- colSums(surv_sum$n.event, na.rm = TRUE) # 计算每组总风险人时（用于期望值） total_risk_time <- colSums(surv_sum$n.risk * diff(c(0, surv_sum$time)), na.rm = TRUE) # 手算logrank统计量（简化版） observed <- total_events[1] # 第一组实际事件数 expected <- sum(surv_sum$n.risk[,1] * surv_sum$n.event[,1] / rowSums(surv_sum$n.risk)) variance <- sum((surv_sum$n.risk[,1] * surv_sum$n.risk[,2] * surv_sum$n.event) / (rowSums(surv_sum$n.risk)^2 * (rowSums(surv_sum$n.risk) - 1))) chi2_manual <- (observed - expected)^2 / variance p_manual <- pchisq(chi2_manual, df = 1, lower.tail = FALSE)

结果解读有三条黄金法则：
第一，p<0.05不等于临床有意义。某次分析显示p=0.03，但两组中位生存时间仅差2个月（18.1 vs 20.3），HR=0.89（95%CI: 0.72-1.10），此时应报告“统计学显著但临床获益微弱”。
第二，关注置信区间宽度。若95%CI从0.5到1.5，说明数据不足以支持任何结论，p值再小也无意义。
第三，检查比例风险假设。用survival::cox.zph()检验Cox模型残差，若p<0.05，说明HR随时间变化，KM的logrank检验效力下降，应改用time-dependent Cox或分段分析。

3.5 多组比较与亚组分析：避免p值膨胀的3种策略

当涉及≥3组（如安慰剂、低剂量、高剂量）或亚组（如年龄<65、≥65）时，直接做多次两两logrank会引发I类错误膨胀。例如3组两两比较，α=0.05时整体错误率升至1-(1-0.05)³≈0.14。解决方案有三种：

策略1：全局logrank + 事后检验
survfit()拟合多组后，print(fit_km)给出全局p值；若显著，再用pairwise_survdiff()进行Bonferroni校正的两两比较：

library(survminer) pairwise_survdiff(Surv(time, event) ~ group, data = df, p.adjust.method = "bonferroni")

策略2：分层logrank
当存在强混杂因素（如基线ECOG评分），用survdiff()的strata()指定分层变量：

survdiff(Surv(time, event) ~ treatment + strata(ecog_score), data = df)

策略3：Cox模型替代
对亚组分析，直接拟合coxph(Surv(time, event) ~ treatment * subgroup)，交互项p值即亚组效应差异，比分层KM更高效。

我在某肺癌研究中处理PD-L1表达亚组（阴性/阳性）与治疗分组的四格表，初始用4次两两logrank得p=0.012，但Bonferroni校正后p=0.048，结论逆转。改用Cox交互模型后，发现治疗×PD-L1交互项p=0.008，证实PD-L1阳性者获益更大——这才是稳健结论。

3.6 导出与发表：矢量图与期刊格式的终极适配

期刊对图形有严苛要求：Nature系列要求EPS或PDF矢量图，Lancet要求TIFF（300dpi），JAMA要求PNG（600dpi）。ggsurvplot()导出需分三步：

第一步：保存为PDF矢量图

p <- ggsurvplot(...) # 构建图表对象 ggsave("km_plot.pdf", plot = p$plot, width = 8, height = 6, units = "in", dpi = 300)

第二步：添加期刊指定字体
多数期刊禁用Helvetica，要求Times New Roman或Arial。用showtext包加载系统字体：

library(showtext) showtext_auto() # 在ggsurvplot中设置font.main = list(family = "Times New Roman")

第三步：手动调整图例与坐标轴
期刊常要求图例置于图内右上角，用theme(legend.position = c(0.85, 0.85))；横轴标签需改为“Months”或“Years”，用scale_x_continuous(labels = function(x) x/365)。

最后检查：图中所有文字（包括风险表）是否均为10-12号；生存曲线线宽≥1pt；置信区间透明度alpha=0.2；无任何R默认灰色背景。我曾因PDF导出时未关闭showtext导致字体嵌入失败，被编辑部退回重交——矢量图的字体管理，比想象中更琐碎。

3.7 实战案例：从原始CSV到Nature子刊图的全流程复现

以某公开结直肠癌数据集（n=500）为例，演示端到端流程：

原始数据结构：id, age, sex, stage, treatment, follow_up_days, recurrence（1=复发，0=删失）

Step 1：数据清洗

df <- read.csv("crc_data.csv") # 处理缺失值：删除follow_up_days缺失的记录（n=12） df <- df[!is.na(df$follow_up_days), ] # 构造Surv对象 df$surv_obj <- Surv(time = df$follow_up_days, event = df$recurrence) # 创建分组变量 df$treatment_f <- factor(df$treatment, levels = c("surgery", "chemo", "combo"), labels = c("手术", "化疗", "联合"))

Step 2：KM拟合与检验

fit <- survfit(surv_obj ~ treatment_f, data = df) # 全局logrank survdiff(surv_obj ~ treatment_f, data = df) # p=0.0012 # 两两比较 pairwise_survdiff(surv_obj ~ treatment_f, data = df, p.adjust.method = "BH") # 结果：手术vs化疗 p=0.021，化疗vs联合 p=0.003，手术vs联合 p=0.0004

Step 3：绘图定制

p <- ggsurvplot( fit = fit, data = df, risk.table = TRUE, pval = TRUE, conf.int = TRUE, conf.int.style = "step", legend.labs = c("手术", "化疗", "联合"), break.time.by = 365, xlim = c(0, 1825), # 5年 ylim = c(0.2, 1), font.main = list(size = 14, family = "Times New Roman"), font.x = list(size = 12), font.y = list(size = 12), font.tickslab = list(size = 11), tables.height = 0.22, ggtheme = theme_classic() )

Step 4：导出与微调

# 导出为PDF ggsave("fig1_km.pdf", plot = p$plot, width = 8, height = 6, units = "in", dpi = 300) # 用Adobe Illustrator微调：加粗生存曲线（1.2pt），调整风险表行高，添加图注“中位随访时间：42.3个月”

最终图被Nature Communications接收，编辑特别表扬“风险表清晰显示各组晚期随访完整性，增强了结果可信度”。这张图背后，是23次参数调试、7次重绘、以及对删失模式的3轮人工核查。

4. 常见问题与避坑指南：那些没人告诉你的实战细节

4.1 “Warning: cannot compute confidence intervals for the survival curve” 怎么办？

这个警告通常出现在某组样本量过小（n<5）或事件数极少（<3）时。survfit()默认使用Greenwood方差估计，当n.event=0或n.risk极小时，方差计算溢出。解决方案有三：

方案1：降低置信水平
survfit(..., conf.level = 0.90)将95%CI改为90%，减少极端值影响。某次分析中，试验组仅4例，95%CI报错，改90%后成功输出（CI: 0.45-0.92）。

方案2：改用正态近似法
survfit(..., conf.type = "plain")直接用SE = sqrt(variance)计算，虽不如log-log稳健，但能出结果。需在图注中说明：“置信区间采用正态近似法，因样本量小”。

方案3：合并稀疏组别
若某亚组（如“stage IV且年龄>80”）仅2例，应与邻近组（“stage IV且年龄70-80”）合并，而非强行单列。我坚持的原则是：任何KM曲线，若某时间点风险集<3，该点生存概率不报告，CI不绘制。

4.2 “Error in survfit.formula(): object 'x' not found” 的5种根源

这个错误看似简单，实则暗藏玄机。排查顺序如下：

根源1：数据框未指定
survfit(surv_obj ~ group)中若surr_obj在全局环境，而group在数据框df中，必须写survfit(surv_obj ~ group, data = df)，否则R在df中找不到group。

根源2：变量名含空格或特殊字符
原始数据列名"Treatment Group"含空格，R会解析失败。用反引号包裹：survfit(surv_obj ~Treatment Group, data = df)，或预处理names(df) <- make.names(names(df))。

根源3：因子水平缺失
group有3个水平（A,B,C），但数据中C组无记录，factor(group, levels=c("A","B","C"))会保留空水平，survfit报错。用droplevels()清理：df$group_clean <- droplevels(df$group)。

根源4：Surv对象未在数据框内
df$surv_obj是Surv对象，但survfit()要求公式中变量名必须与数据框列名一致。若Surv对象名为s，不能写survfit(s ~ group, data = df)，而应df$surv_obj <- s; survfit(surv_obj ~ group, data = df)。

根源5：R版本兼容性
R 4.2+中survival包对Surv对象构造更严格。若用旧代码Surv(time, event, type="right")，新版本可能报错，删掉type参数即可。

4.3 如何判断KM曲线是否“足够好”？我的4条验收标准

在交付给临床团队前，我用以下4条标准自查KM图：

标准1：风险表必须“自洽”
检查任意时间点：风险集人数 = 上一时间点风险集 - 该点事件数 - 该点删失数。例如t=12月：上期风险集100，本期事件8，删失12，则本期风险集应为80。若表格显示75，说明数据清洗有误。

标准2：删失点必须“合理分布”
删失不应集中于某几个时间（如全在6/12/18月），否则提示随访计划缺陷。理想模式是随时间缓慢递减，反映自然失访。

标准3：曲线终点必须“有解释”
若曲线在36个月处突然截断，图注必须说明：“截至分析日，36个月后仍有23例患者处于随访中（删失）”。

标准4：p值必须“有上下文”
单独写“p=0.021”毫无意义。必须搭配：“logrank检验，χ²=5.32，df=1，p=0.021；中位生存时间：对照组24.1个月（95%CI: 21.2-27.0），试验组31.5个月（95%CI: 28.3-34.7）”。

4.4 那些被忽略的“小细节”，却决定审稿人第一印象

• 时间轴标签单位：写“Time (months)”而非“Months”，括号统一用英文半角；
• 风险表标题：写“Number at risk”而非“At risk”，符合统计学惯例；
• 删失点符号：用小竖线“|”，不用“+”或“x”，因“+”在文献中易与加法混淆；
• 置信区间颜色：用浅灰（fill="#e0e0e0"）而非蓝色，避免与生存曲线冲突；
• 图注位置：放在图下方居中，字号比图例小1号，内容包含：数据来源、随访截止日、分析日期。

某次投稿，审稿人专门指出：“图1风险表中‘Number at risk’拼写为‘Num at risk’，建议全文统一术语”。一个单词的疏忽，足以让专业性打折扣。

4.5 从KM到Cox：何时该停止画图，开始建模？

KM是描述性工具，Cox是推断性工具。当出现以下任一情况，必须转向Cox回归：

• 存在混杂因素：如年龄、性别、基线指标影响生存，KM无法校正；
• 需要量化效应大小：KM只能回答“是否不同”，Cox给出HR及95%CI；
• 时间依赖协变量：如治疗过程中PS评分变化，KM无法处理；
• 多终点分析：如复发和死亡两个终点，需竞争风险模型。

我的经验阈值是：若研究目的含“独立预测因子”“校正混杂”“效应量化”，KM图仅作探索性展示，正文必须用Cox结果。曾有学生执着用KM证明某基因高表达组生存更好（p=0.04），但Cox校正年龄后HR=1.02（p=0.78），最终结论被推翻。记住：KM是眼睛，Cox是大脑——眼睛看到差异，大脑解释原因。

5. 工具链升级：超越基础survminer的5个生产力插件

5.1 survminer进阶：ggsurvplot的隐藏功能

ggsurvplot()远不止画图，它内置了强大的诊断工具：

• fun = "pct"：绘制生存概率百分比曲线，适合向非统计背景的临床医生展示；
• fun = "event"：绘制累积事件率（1-S(t)），直观显示复发/死亡比例；
• fun = "cumhaz"：绘制累积风险函数，用于检验比例风险假设；
• data = TRUE：在图中叠加原始数据点（小圆圈），暴露离群值；
• cpositions = c(0.1, 0.2)：自定义风险表列宽，避免长组名换行。

我常用fun = "event"生成向药企汇报的幻灯片，因为“36个月复发率62%”比“36个月生存率38%”更直击业务痛点。

5.2 survMisc：处理复杂场景的瑞士军刀

survMisc包专治survival和survminer的短板：

• comp::logrank()：支持自定义权重的logrank变体，如weight = "S1"实现Peto检验；
• comp::survComp()：批量比较多组，输出整齐的p值矩阵；
• misc::survSplit()：将长随访数据按时间窗切片，用于时变Cox；
• misc::survTab()：生成符合STROBE声明的生存分析表格。

某次处理免疫治疗超进展数据，需检验“3个月