使用生存套餐的pyears（）计算随访月数

我想按日历月计算随访的人次。在我的例子中，我有三个受试者，有不同的随访时间。我想知道事件的发生率是否因年份而异，所以我想总结一下他们在每一个三分位数中所花费的风险时间

library(lubridate)
library(survival)

event <- c(1,1,1)
id <- c(1,2,2)
followup_time <- c(365, 365*2, 365*3)
right.date <- c(ymd("2012-06-01"), ymd("2013-09-01"), ymd("2011-01-01"))
left.date <- right.date-followup
tertile <- cut(month(right.date), c(0,4,9,12), include.lowest = T)


df <- data.frame(id, left.date, right.date, followup_time, event, tertile); df

使用R中的包

survival

，函数

pyears（）

我得到以下结果。然而，尽管受试者和事件的数量是正确的，但根据我的需要，随访的时间是不正确的

s <- Surv(time =  followup_time, event = event)

summary(pyears(s ~ tertile , scale = 1))

Call: pyears(formula = s ~ tertile , scale = 1)

number of observations = 3

 month    N   Events   Time  
-------- --- -------- ------ 
 [0,4]    1     1      1095 
 (4,9]    2     2      1095 
 (9,12]   0     0         0 

---

有些人使用同一个包中的函数

tcut（）

来执行这种计算人员时间的操作，但我没有得到令人满意的结果。

我不理解这种混淆（或者可能它非常简单，与生存包函数无关）：

它与默认的R

cut

功能的工作方式有关。区间在右侧关闭。我碰巧发现，大多数人都希望间隔在左侧关闭，如果您希望，您可以执行：

> df <- data.frame(id, left.date, right.date, followup_time, event, tertile); df
  id  left.date right.date followup_time event tertile
1  1 2011-06-02 2012-06-01           365     1   [4,9)
2  2 2011-09-02 2013-09-01           730     1  [9,12]
3  2 2008-01-02 2011-01-01          1095     1   [0,4)
> s <- with(df, Surv(time =  followup_time, event = event))
> 
> summary(pyears(s ~ tertile , scale = 1))
Call: pyears(formula = s ~ tertile, scale = 1)

number of observations = 3

 tertile   N   Events   Time  
--------- --- -------- ------ 
  [0,4)    1     1      1095 
  [4,9)    1     1       365 
 [9,12]    1     1       730 

>dfs
>汇总（Pyear（三分位数，比例=1））
调用：pyears（公式=s~tertile，比例=1）
观察次数=3
三次事件时间
--------- --- -------- ------ 
[0,4)    1     1      1095 
[4,9)    1     1       365 
[9,12]    1     1       730 

我不理解其中的困惑（或者它可能非常简单，与生存包函数无关）：

这与默认的R

cut

功能的工作方式有关。间隔在右侧关闭。我碰巧发现，大多数人都希望间隔在左侧关闭，如果您愿意，您可以执行：

> df <- data.frame(id, left.date, right.date, followup_time, event, tertile); df
  id  left.date right.date followup_time event tertile
1  1 2011-06-02 2012-06-01           365     1   [4,9)
2  2 2011-09-02 2013-09-01           730     1  [9,12]
3  2 2008-01-02 2011-01-01          1095     1   [0,4)
> s <- with(df, Surv(time =  followup_time, event = event))
> 
> summary(pyears(s ~ tertile , scale = 1))
Call: pyears(formula = s ~ tertile, scale = 1)

number of observations = 3

 tertile   N   Events   Time  
--------- --- -------- ------ 
  [0,4)    1     1      1095 
  [4,9)    1     1       365 
 [9,12]    1     1       730 

>dfs
>汇总（Pyear（三分位数，比例=1））
调用：pyears（公式=s~tertile，比例=1）
观察次数=3
三次事件时间
--------- --- -------- ------ 
[0,4)    1     1      1095 
[4,9)    1     1       365 
[9,12]    1     1       730 

您的回答很有帮助，但这不是我想要的。我需要每个人通过每个时间间隔的确切时间。在我的示例中，每个时间间隔在最终输出中的时间应该相等。在这个示例中，他们教您如何使用tcut和年龄和日历时间，但我找不到这个月周期的解决方案：您没有解释为什么你认为每个间隔都应该有相等的“时间”。在我看来，数据帧的检查应该向你表明这是不可能的。当原始数据只有前两个间隔的值时，如果使用默认的

cut

函数定义，就无法在三个间隔内重新分配“时间”。。（你也应该意识到，有时候Therneau使用365.24作为一年中的天数。然而，我不认为这就是这里发生的事情。）在流行病学中，我们使用图像中的这种框架来使用人-时间风险。如果每一行代表多年的每一个特例，每一行代表观察中的人，那么所有人的特定特例之和应该大致平均分布。至少根据我的逻辑。也许我错了。你的答案是helpful，但这不是我想要的。我需要每个人通过每个间隔的确切时间。在我的例子中，每个间隔在最终输出中应该有相等的时间。在这个例子中，他们教如何使用年龄和日历时间的tcut，但我找不到这个月周期的解决方案：你没有解释为什么你认为每个间隔rval应该有相等的“时间”。在我看来，对数据帧的检查应该表明这是不可能的。当原始数据在使用默认的

cut

函数定义的前两个间隔中只有值时，就无法在三个间隔内重新分配“时间”。。（你也应该意识到，有时候Therneau使用365.24作为一年中的天数。然而，我不认为这就是这里发生的事情。）在流行病学中，我们使用图像中的这种框架来使用人-时间风险。如果每一行代表多年的每一个特例，每一行代表观察中的人，那么所有人的特定特例之和应该大致平均分布。至少根据我的逻辑。也许我错了

df
#--------
  id  left.date right.date followup_time event tertile
1  1 2011-06-02 2012-06-01           365     1   (4,9]
2  2 2011-09-02 2013-09-01           730     1   (4,9]
3  2 2008-01-02 2011-01-01          1095     1   [0,4]

month(right.date)
#[1] 6 9 1

> df <- data.frame(id, left.date, right.date, followup_time, event, tertile); df
  id  left.date right.date followup_time event tertile
1  1 2011-06-02 2012-06-01           365     1   [4,9)
2  2 2011-09-02 2013-09-01           730     1  [9,12]
3  2 2008-01-02 2011-01-01          1095     1   [0,4)
> s <- with(df, Surv(time =  followup_time, event = event))
> 
> summary(pyears(s ~ tertile , scale = 1))
Call: pyears(formula = s ~ tertile, scale = 1)

number of observations = 3

 tertile   N   Events   Time  
--------- --- -------- ------ 
  [0,4)    1     1      1095 
  [4,9)    1     1       365 
 [9,12]    1     1       730