风险数为<；时如何截断Kaplan-Meier曲线；10

为了在同行评议的科学杂志（）上发表文章，我们想准备Kaplan-Meier图。《华尔街日报》对这些绘图有以下具体指南：

“如果您的数据包括使用Kaplan-Meier法或累积关联法分析生成的曲线，则以下是这些曲线的表示要求：

指出有风险的患者人数

包括审查标志

当风险患者少于10名时，曲线将被截断；以及

置信区间的估计值应包含在图本身或文本中。”

在这里，我将说明我的老兵数据集问题（很好！）。 我们可以使用survminer软件包轻松处理1、2和4：

库（生存）
图书馆（survminer）
#>警告：包“survminer”是在R版本3.4.3下生成的
#>加载所需包：ggplot2
#>加载所需包：ggpubr
#>警告：包“ggpubr”是在R版本3.4.3下生成的
#>装载所需包装：magrittr
fit.obj
#>细胞类型=鳞状细胞
#>时间风险事件存活标准误差下限95%CI上限95%CI
#>     1     35       2    0.943  0.0392       0.8690        1.000
#>     8     33       1    0.914  0.0473       0.8261        1.000
#>    10     32       1    0.886  0.0538       0.7863        0.998
#>    11     31       1    0.857  0.0591       0.7487        0.981
#>    15     30       1    0.829  0.0637       0.7127        0.963
#>    25     29       1    0.800  0.0676       0.6779        0.944
#>    30     27       1    0.770  0.0713       0.6426        0.924
#>    33     26       1    0.741  0.0745       0.6083        0.902
#>    42     25       1    0.711  0.0772       0.5749        0.880
#>    44     24       1    0.681  0.0794       0.5423        0.856
#>    72     23       1    0.652  0.0813       0.5105        0.832
#>    82     22       1    0.622  0.0828       0.4793        0.808
#>   110     19       1    0.589  0.0847       0.4448        0.781
#>   111     18       1    0.557  0.0861       0.4112        0.754
#>   112     17       1    0.524  0.0870       0.3784        0.726
#>   118     16       1    0.491  0.0875       0.3464        0.697
#>   126     15       1    0.458  0.0876       0.3152        0.667
#>   144     14       1    0.426  0.0873       0.2849        0.636
#>   201     13       1    0.393  0.0865       0.2553        0.605
#>   228     12       1    0.360  0.0852       0.2265        0.573
#>   242     10       1    0.324  0.0840       0.1951        0.539
#>   283      9       1    0.288  0.0820       0.1650        0.503
#>   314      8       1    0.252  0.0793       0.1362        0.467
#>   357      7       1    0.216  0.0757       0.1088        0.429
#>   389      6       1    0.180  0.0711       0.0831        0.391
#>   411      5       1    0.144  0.0654       0.0592        0.351
#>   467      4       1    0.108  0.0581       0.0377        0.310
#>   587      3       1    0.072  0.0487       0.0192        0.271
#>   991      2       1    0.036  0.0352       0.0053        0.245
#>999 110.000南纳纳纳
#> 
#>celltype=小单元
#>时间风险事件存活标准误差下限95%CI上限95%CI
#>     2     48       1   0.9792  0.0206      0.93958        1.000
#>     4     47       1   0.9583  0.0288      0.90344        1.000
#>     7     46       2   0.9167  0.0399      0.84172        0.998
#>     8     44       1   0.8958  0.0441      0.81345        0.987
#>    10     43       1   0.8750  0.0477      0.78627        0.974
#>    13     42       2   0.8333  0.0538      0.73430        0.946
#>    16     40       1   0.8125  0.0563      0.70926        0.931
#>    18     39       2   0.7708  0.0607      0.66065        0.899
#>    20     37       2   0.7292  0.0641      0.61369        0.866
#>    21     35       2   0.6875  0.0669      0.56812        0.832
#>    22     33       1   0.6667  0.0680      0.54580        0.814
#>    24     32       1   0.6458  0.0690      0.52377        0.796
#>    25     31       2   0.6042  0.0706      0.48052        0.760
#>    27     29       1   0.5833  0.0712      0.45928        0.741
#>    29     28       1   0.5625  0.0716      0.43830        0.722
#>    30     27       1   0.5417  0.0719      0.41756        0.703
#>    31     26       1   0.5208  0.0721      0.39706        0.683
#>    51     25       2   0.4792  0.0721      0.35678        0.644
#>    52     23       1   0.4583  0.0719      0.33699        0.623
#>    54     22       2   0.4167  0.0712      0.29814        0.582
#>    56     20       1   0.3958  0.0706      0.27908        0.561
#>    59     19       1   0.3750  0.0699      0.26027        0.540
#>    61     18       1   0.3542  0.0690      0.24171        0.519
#>    63     17       1   0.3333  0.0680      0.22342        0.497
#>    80     16       1   0.3125  0.0669      0.20541        0.475
#>    87     15       1   0.2917  0.0656      0.18768        0.453
#>    95     14       1   0.2708  0.0641      0.17026        0.431
#>    99     12       2   0.2257  0.0609      0.13302        0.383
#>   117      9       1   0.2006  0.0591      0.11267        0.357
#>   122      8       1   0.1755  0.0567      0.09316        0.331
#>   139      6       1   0.1463  0.0543      0.07066        0.303
#>   151      5       1   0.1170  0.0507      0.05005        0.274
#>   153      4       1   0.0878  0.0457      0.03163        0.244
#>   287      3       1   0.0585  0.0387      0.01600        0.214
#>   384      2       1   0.0293  0.0283      0.00438        0.195
#>392110.0000南纳纳纳
#> 
#>细胞类型=腺
#>时间风险事件存活标准误差下限95%CI上限95%CI
#>     3     27       1   0.9630  0.0363      0.89430        1.000
#>     7
ss <- subset(surv_summary(fit.obj), n.risk>=10)
ggsurvplot(ss,
      conf.int = T)

ggrisktable(fit.obj, tables.theme = theme_cleantable())

library(survival)
library(survminer)

# ungrouped KM estimate to determine cutoff
fit1_ss <- surv_summary(survfit(Surv(time, status) ~ 1, data=veteran))

# time cutoff with fewer than 10 at risk
cutoff  <- min(fit1_ss$time[fit1_ss$n.risk < 10])

# KM fit and subset to cutoff
fit.obj <- survfit(Surv(time, status) ~ celltype, data = veteran)
fit_ss  <- subset(surv_summary(fit.obj), time < cutoff)

# KM survival plot and risk table as separate plots
p1 <- ggsurvplot(fit_ss, conf.int=TRUE)
# note options xlim and break.time.by
p2 <- ggsurvtable_mod(fit.obj,
                      survtable="risk.table",
                      tables.theme=theme_cleantable(),
                      xlim=c(0, cutoff),
                      break.time.by=100)

# turn ggplot objects into grobs and arrange them (needs tweaking)
g1  <- ggplotGrob(p1)
g2  <- ggplotGrob(p2)
lom <- rbind(c(NA, rep(1, 14)),
             c(NA, rep(1, 14)),
             c(rep(2, 15)))

gridExtra::grid.arrange(grobs=list(g1, g2), layout_matrix=lom)

library(survival)
library(survminer)

# truncate each line when fewer than 10 at risk
atrisk <- 10

# KM fit
fit.obj <- survfit(Surv(time, status) ~ celltype, data = veteran)

# subset each stratum separately
maxcutofftime = 0 # for plotting
strata <- rep(names(fit.obj$strata), fit.obj$strata)
for (i in names(fit.obj$strata)){
    cutofftime <- min(fit.obj$time[fit.obj$n.risk < atrisk & strata == i])
    maxcutofftime = max(maxcutofftime, cutofftime)
    cutoffs <- which(fit.obj$n.risk < atrisk & strata == i)
    fit.obj$lower[cutoffs] <- NA
    fit.obj$upper[cutoffs] <- NA
    fit.obj$surv[cutoffs] <- NA
}


# plot
ggsurvplot(fit.obj, data = veteran, risk.table = TRUE, conf.int = T, pval = F, 
           tables.theme = theme_cleantable(), xlim = c(0,maxcutofftime), break.x.by = 90)