【原】临床系列R包 | 第8期. 生物标志物临界值选择的利器：survminer包

BE声明学写文章②

 往期回顾

   REVIEWS  

1）临床系列R包 | 第1期. 一个函数快速绘制基线表

2）临床系列R包 | 第2期. autoReg自动生成回归分析结果

3）临床系列R包 | 第3期. 探索生存分析的利器：survival包

4）临床系列R包 | 第4期. 高效处理LASSO回归的利器：glmnet包

5）临床系列R包 | 第5期. 精准绘制ROC曲线的利器：pROC包

6）临床系列R包 | 第6期. 回归建模与预测可视化的利器：rms包

7）临床系列R包 | 第7期. 随访数据生存预测的利器：timeROC 包

本系列推送旨在为临床科研人提供临床研究中常用R包的系统性学习分享。

本期内容

在生存分析中，如何对连续变量进行分组是一个常见且关键的步骤。传统做法往往依赖研究者的主观判断，比如采用中位数、四分位数或临床经验设定阈值，这种方法虽然简便，但存在较大的主观性，可能导致结果的不稳定或不具备重复性。为了解决这一问题，survminer 包中的surv_cutpoint() 函数提供了一种更加客观和可重复的策略。该函数通过系统地遍历所有可能的截断点，计算每个切点对应的 log-rank 检验统计量，并最终选取能使组间生存差异最大的那个切点，作为最优 cutoff，从而实现对连续变量的最优分组。

surv_cutpoint() 的使用不仅简化了分组流程，还提高了结果的科学性与解释力。该函数输出的不仅是最优cutoff点，同时还可以通过 surv_categorize() 函数进一步生成对应的分组变量，使得后续的建模分析更加方便和规范。在实际操作中，这一方法常常搭配 surv_fit() 或 coxph() 进行生存模型的构建，并结合 ggsurvplot() 进行可视化展示，从而直观呈现不同组之间的生存差异。

·

✦

R Package

✦

·

本期演示数据将通过 R 语言自行模拟，帮助大家独立掌握数据处理的完整流程。

01

survminer包的核心功能

1. 自动搜索连续变量的最优cutoff点

借助surv_cutpoint() 函数，用户可以自动寻找能最大化生存差异的最优分组点，避免了人为设定阈值所带来的偏差。

2.支持多变量生存建模

与surv_fit() 或 coxph() 等函数无缝配合，能够在分组后进行进一步的多因素生存分析。

3.内置分组变量生成函数

使用surv_categorize() 可将 surv_cutpoint() 输出结果快速转化为因子变量，便于模型输入和图形绘制。

4.可视化直观的生存曲线绘制

结合ggsurvplot()，能够以简洁、美观的方式绘制出不同分组之间的生存曲线，方便结果解读和展示。

02

survminer包的使用示例

# 加载必要的包library(survminer)library(survival)library(ggplot2) # 模拟生存数据set.seed(2025)n <- 200data <- data.frame(  time = rexp(n, rate = 0.05),                       # 生存时间  status = sample(0:1, n, replace = TRUE),           # 0=删失，1=事件  marker = rnorm(n, mean = 50, sd = 10)              # 连续变量) # 选择cutoffcut <- surv_cutpoint(data,                     time = "time",                     event = "status",                     variables = "marker") # 查看cutoff位置summary(cut)

# 创建分组变量（marker_high vs marker_low）data_cat <- surv_categorize(cut) # 生存分析建模fit <- survfit(Surv(time, status) ~ marker, data = data_cat) # 绘图ggsurvplot(fit,           data = data_cat,           risk.table = TRUE,              # 显示风险表           pval = TRUE,                    # 显示P值           conf.int = TRUE,                # 显示置信区间           palette = "jama",               # 美观配色           legend.title = "Marker group",           legend.labs = c("Low", "High"),           xlab = "Time (days)",           ylab = "Survival probability")

03

参考文档与相关指南链接

CRAN 文档：https: // cran .r - project .org /web /packages /

survminer/survminer.pdf

通过本期推送，大家可以初步掌握survminer包的基本功能与应用方法。如果你有其他感兴趣的 R 包，欢迎留言告诉我们，我们将为你量身定制相关内容！