第5章
SPSS在医疗行业中的应用

5.1　研究背景及意义

随访是指医院或医疗保健机构根据医疗、科研、教学需要，对曾在医院就诊的患者以通信或其他方式保持联系，或预约患者定期来院复查，以了解患者疾病疗效、病情变化和指导患者康复的一种观察方法和工作手段。有效的随访可了解疾病的并发症、生存期、复发率等疗效相关信息，还可有效提高治疗效果，改善生活质量，促进医疗水平的提高。

随访往往从病人出院以后不久开始，一般每3个月至1年一次，视不同疾病的病期和治疗方法而定。在近期随访中，医生主要观察病人治疗的效果及某些反应，并根据随访情况和复查结果来调整用药；远期随访可获得某一治疗方案的长期效果、远期并发症及生存时间，有利于筛选出更有效的治疗方法，并可建立资料档案，掌握某一疾病的发展规律，有助于医学科学的发展。目前，随访间隔缺乏明确依据和相关标准。随访工作人员应根据患者疾病种类、病情严重程度等，制定不同的随访时间、频次的规范，并根据患者病情变化、患者需求等机动增减随访次数和时间。

在制定患者随访计划前应评估患者及家属的需求，共同制定有针对性的随访计划，这样才能为提出正确的随访问题，制定相应的随访计划和进行恰当的效果评价提供依据，这也是出院后随访服务成功的关键。

一般而言，出院前评估应包括：患者自我照顾能力、出院后治疗需求、家属照护人力及能力需求等，根据收集资料的结果给予指导，并提供必需的转介资源。在部分特殊人群和疾病中，出院前评估对后续医疗服务及结局产生了重要的影响，但尚未得到普及和全面应用。

由于病情易变性、治疗复杂性、并发症多样性等原因，患者可能出现悲观、失望等抑郁情绪，降低患者治疗的依从性和自我管理的积极性。尤其对于造口患者、截肢手术患者、严重烧伤患者等，由于外表的改变严重影响患者自信，因此心理支持显得尤为重要。随访人员应关注这一问题，密切观察患者心理变化，在疾病的不同阶段及时给予有针对性的心理疏导和干预，帮助患者树立信心，尽早融入社会。

随访人员要相信患者疾病管理的能力与责任，教育方式始终遵循以人为中心、相互协作的原则，重点强调健康的概念和内涵，注重培养患者的自我健康意识，促使患者实行躯体上的自我保护、心理上的自我调节，以及行为和生活方式上的自我控制和人际关系的自我调整。

总之，随访的作用和意义主要有以下几方面。

（1）提高患者自我效能和自我管理能力。有效的随访服务能促进患者积极参与力所能及的活动，增强患者体力活动能力、稳定情绪，提高患者自我效能和自我管理能力，从而改善患者的健康状况和生活质量，对于慢性疾病、康复期较长的患者更有意义。

（2）有利于疾病康复和患者满意度的提高。随访服务使医疗护理服务延伸到患者出院后，实现院内外健康教育活动一体化，避免患者从医院过渡到家庭的脱节；同时，随访为患者提供了必要的心理支持，帮助患者建立有效的社会支持系统，促进患者全面康复。随访服务有助于控制诱发疾病的危险因素，达到二级预防水平的作用；并拓宽医疗护理服务的范畴，满足患者对医疗护理服务的需求，提高患者满意度。

（3）促进护士综合素质的提高和医院形象的提升。随访服务要求护士具备高度责任心、扎实的专业知识，能高质量解决患者实际问题；促进护士主动关注患者、与患者充分交流，并不断学习以提高业务能力和服务水平。随访服务提升了医护人员在患者心中的地位和形象，增进了护患关系，能为医院带来良好的经济和社会效益。

5.2　数据建模思路

本实例在临床诊疗工作的评价中使用生存分析。慢性疾病的预后一般不适合用治愈率、病死率等指标来考核，因为其无法在短时间内明确判断预后情况。为此，只能对患者进行长期随访，统计一定时期后的生存或死亡情况以判断诊疗效果。

建模过程的流程图如图5-1所示。

5.3　生存分析模型

5.3.1　模型定义

（1）寿命表

在多数情况下，都会希望考察两个事件之间的时间分布，比如雇用时长（员工从雇用到离开公司的时间）。但是，这类数据通常包含没有记录其第二次事件的个案（例如，在调查结束后仍然为公司工作的员工）。出现这种情况有多种原因：对于某些个案，事件在研究结束前没有发生；对于另一些个案，我们在研究结束前的某段时间未能跟踪其状态；还有一些个案可能因一些与研究无关的原因（例如员工生病或请假）无法继续。这些个案总称为已审查的个案，它们使得此类研究不适合t检验或线性回归等传统方法。

用于此类数据的统计方法称为跟进寿命表。寿命表的基本概念是将观察区间划分为较小的时间区间。对于每个区间，使用所有观察至少该时长的人员计算该区间内发生终端事件的概率。然后使用从每个区间估计的概率估计在不同时间点发生该事件的整体概率。

• 示例。新尼古丁贴片疗法是否比传统贴片疗法更有助于戒烟？可以对两组吸烟者进行调查，一组接受传统疗法，另一组接受实验性疗法。从数据构造寿命表将允许比较两组的整体戒烟率，以确定实验性疗法是否是传统疗法的改进。还可以用图来表示生存或风险函数并对其进行直观比较，以获得更详细的信息。

（2）寿命表数据比较

• 数据。时间变量应是定量的。状态变量应是以整数编码的二分变量或分类变量，事件编码为单值或一段连续值范围。因子变量应是以整数编码的分类变量。
• 假设。所关心事件的概率应只取决于初始事件之后的时间（假设绝对时间下的概率不变）。即从不同时间开始研究的个案（比如，从不同时间开始接受治疗的患者）应有相似的行为。已审查的个案和未审查的个案之间也不应存在系统性差别。例如，如果许多已审查的个案都是情况更为严重的患者，则得到的结果可能会存在偏差。
• 相关过程。“寿命表”过程对此类分析（通常称为“生存分析”）使用保险精算方法。“Kaplan-Meier生存分析”过程使用略有不同的方法计算寿命表，此方法不依赖于将观察期划分为较小的时间区间。如果观察值数量较少，就建议使用此方法。这样每个生存时间区间内将只有较少数量的观察值。如果怀疑变量与要控制的生存时间或变量（协变量）相关，就应使用“Cox回归”过程。如果同一个个案中协变量在不同的时间点可以具有不同的值，就应使用带有“依时协变量”的“Cox回归”。

（3）Life Tables过程

调用此过程时，系统将采用寿命表分析法，完成对病例随访资料在任意指定时点的生存状况评价。

（4）Kaplan-Meier过程

Kaplan-Meier过程是已审查的个案出现时估计时间事件模型的一种方法。Kaplan-Meier模型的依据是估计事件发生的每个时间点的条件概率，并取这些概率的乘积估计每个时间点的生存率。

• 示例。新的AIDS疗法在延长寿命方面是否具有治疗优势？可以对两组AIDS患者进行研究，一组接受传统疗法，另一组接受实验性疗法。从数据构造Kaplan-Meier模型将允许比较两组的整体生存率，以确定实验性疗法是否是传统疗法的改进。还可以用图来表示生存或风险函数并对其进行直观比较，以获得更详细的信息。
• 统计。生存分析表，包括时间、状态、累积生存和标准误差、累积事件和剩余数；以及平均值和中位数生存时间，带有标准误差和95%置信区间。
• 图：生存、风险、对数生存和1减生存的函数图。

Kaplan-Meier过程仅在已安装“高级分析”选项的情况下才可用。

（5）Kaplan-Meier数据注意事项

• 数据。时间变量应为连续变量，状态变量可以是分类变量或连续变量，因子和层次变量应为分类变量。
• 假设。所关心事件的概率应只取决于初始事件之后的时间（假设绝对时间下的概率不变），即从不同时间开始研究的个案（比如，从不同时间开始接受治疗的患者）应有相似的行为。已审查的个案和未审查的个案之间也不应存在系统性差别。例如，许多已审查的个案都是情况更为严重的患者，则得到的结果可能会存在偏差。
• 相关过程。Kaplan-Meier过程使用的计算寿命表的方法估计每个事件发生时的生存或风险函数。“寿命表”过程使用保险精算方法进行生存分析，该方法依赖于将观察期划分为较小的时间区间，可能对处理大样本有用。如果怀疑变量与要控制的生存时间或变量（协变量）相关，就应使用“Cox回归”过程。如果同一个个案中协变量在不同的时间点可以具有不同的值，就应使用带有“依时协变量”的“Cox回归”。

调用此过程，系统将采用Kaplan-Meier方法，对病例随访资料进行生存分析，在对应于每一个实际观察事件时点上作生存率的评价。

（6）Cox Regression过程

Cox回归为时间事件数据建立预测模块。该模块生成生存函数，用于为预测变量的给定值预测被观察事件在给定时间内t发生的概率。从观察主体中估计预测的生存函数形状与回归系数。该方法稍后可应用于具有预测变量测量的新个案。注意，已检查主体中的信息，即未在观察时间内经历被观察事件的信息，为模块估计做出巨大贡献。

• 示例。男性和女性因吸烟引发肺癌的风险是否不同？通过构造一个Cox回归模型，输入吸烟情况（每天吸烟根数）和性别作为协变量，可以检验关于性别和吸烟情况对肺癌发作的影响的假设。

（7）Cox回归数据注意事项

• 数据。时间变量应是定量变量，但状态变量可以是分类或连续变量。自变量（协变量）可以是连续或分类变量。如果是分类变量，它们应经过哑元编码或指示符编码（该过程中有一个自动对分类变量进行编码的选项）。层次变量应是分类变量，编码为整数或短字符串。
• 假设。观察值应是独立的，风险比应是时间恒定值；即各个个案风险的比率不应随时间变化。后一个假设称为比例风险假设。
• 相关过程。如果比例风险假设不成立，可能需要使用带依时协变量的Cox过程。如果没有协变量或者只有一个分类协变量，可以使用寿命表或Kaplan-Meier过程检查样本的生存或风险函数。如果样本中没有已审查的数据（每个个案都出现终端事件），可以使用线性回归过程对预测变量和时间事件之间的关系进行建模。

调用此过程可完成对病例随访资料中事件发生时点与一系列相关独立变量之间关系的评价，即建立Cox回归模型（亦称比例风险模型）。

5.3.2　模型应用

生存分析自1986年被美国国家科学院委员会列为数学六大发展方向以来，经过数十年的探索，现已成长为热门的统计分支。它是一种动态的分析方法，用以研究某群体在经过某一特定时间后，发生某种特定事件的概率的分析，是研究生存现象和响应时间及其统计规律的一门学科。

生存分析最开始被应用于医学、生物制药以及各类可靠性工程实验上，已经取得了丰硕的成果，后来逐渐渗透到人口统计、社会经济、证券市场和经济管理等各个领域。

5.4　模型数据处理

5.4.1　指标选取

收集25名白血病患者的随访数据。他们使用中药+化疗或者单纯化疗两种疗法治疗白血病，随访记录存活情况如表5-1所示，随访观察至2010年5月31日结束。其中：是否死亡，是的输入1、否的输入0；治疗方式，输入值为1代表使用中药+化疗（中药组，12例），输入值为2代表使用单纯化疗（对照组，13例）

此外，我们收集了另外25名患者的生存月数数据，按Ag阳、阴性分组（Ag阳性组14例，Ag阴性组11例），考察白细胞数的影响作用。其中：是否死亡，是的输入1、否的输入0；白细胞数，单位为109/L；Ag阳性与否，Ag阳性的输入1、阴性的输入2。

5.4.2　导入数据

打开SPSS 24.0，导入“随访数据．sav”，包括病人号、随访天数、随访月数、是否死亡、治疗方式5个变量，如图5-2所示。

打开SPSS 24.0，导入“生存数据．sav”，包括病人号、生存月数、是否死亡、白细胞数、Ag阳性与否5个变量，如图5-3所示。

5.5　SPSS操作步骤——生存分析

5.5.1　寿命表

操作步骤：

打开SPSS 24.0软件，在下载资源“SPSS统计分析与行业应用实战\Ch05”文件夹下选择“随访数据．sav”，在数据视图窗口下，选择“分析>生存分析>寿命表”，如图5-4所示。

从“寿命表”对话框左侧的变量列表中选择“随访月数”进入“时间”框；在“显示时间间隔”栏中定义需要显示生存率的时点，本案例要求从0个月显示至48个月，间隔为2个月，故在“0到”框中输入“48”，在“按”框中输入“2”，如图5-5所示。

为状态变量选择的一个或多个值的出现指示这些个案已发生终端事件。所有其他个案视为已审查。输入标识感兴趣事件的单值或值范围。

在图5-5中，选择“是否死亡”进入“状态”框，单击“定义事件”按钮，弹出“寿命表：为状态变量定义事件”对话框。在“单值”栏中输入“1”，表明“是否死亡=1”为发生死亡事件者，单击“继续”按钮返回“寿命表”对话框，如图5-6所示。

因子变量的值所指定范围内的个案将包括在分析中，并会为该范围内的每个唯一值生成单独的表和图。

在图5-5中，选择“治疗方式”进入“因子”框，单击“定义范围”按钮，弹出“寿命表：定义因子范围”对话框。定义分组的范围，在“最小值”框中输入“1”，在“最大值”框中输入“2”，单击“继续”按钮返回“寿命表”对话框，如图5-7所示。

在图5-5中，利用“选项”按钮可以控制寿命表分析的各个方面。单击“选项”按钮，弹出“寿命表：选项”对话框，在“图”栏中选择生存分析项，要求绘制生存率曲线图；在“比较第一个因子的级别”栏中选择“总体”项，要求比较组间的生存状况，如图5-8所示。

• 寿命表。在输出中不显示寿命表时，可取消选择“寿命表”。
• 图。允许请求生存函数图。如果已经定义了因子变量，就会为因子变量定义的每个子组生成图。可用图包括生存分析、生存对数分析、风险、密度和一减生存分析函数。

　生存分析：在线性标度上显示累积生存函数。

　生存分析对数：在对数标度上显示累积生存函数。

　风险：在线性标度上显示累积风险函数。

　密度：显示密度函数。

　一减生存函数：以线性标度绘制一减生存函数。

• 比较第一个因子的级别。如果有一阶控制变量，就可以在此组中选择一个选项执行Wilcoxon（Gehan）检验，该检验比较子组生存。检验对一阶因子执行。如果已经定义了二阶因子，就会对二阶变量的每个水平执行检验。

单击“继续”按钮返回“寿命表”对话框，再单击“确定”按钮即完成分析，设置结果如图5-9所示。

5.5.2　Kaplan-Meier

操作步骤：

在数据视图窗口下，选择“分析>生存分析>Kaplan-Meier”，如图5-10所示。

从Kaplan-Meier对话框左侧的变量列表中选择“随访天数”进入“时间”框，选择“是否死亡”进入“状态”框，如图5-11所示。

单击“定义事件”按钮，弹出“Kaplan-Meier：为状态变量定义事件”对话框，可以输入单值、值的范围或值的列表。其中，只有在状态变量为数值时，“值的范围”选项才可用。

根据本案例，在单值栏中输入“1”，表明“是否死亡=1”为发生死亡事件者；单击“继续”按钮返回Kaplan-Meier对话框，如图5-12所示。

选择“治疗方式”进入“因子”框，允许检验跨因子级别的线性趋势，此选项仅可用于因子级别的整体（而不是成对）比较，如图5-13所示。

（1）比较因子

单击“比较因子”按钮，弹出“Kaplan-Meier比较因子级别”对话框，在“检验统计”栏下选择“秩的对数”项，“因子级别的线性趋势”设为“在层之间汇聚”，如图5-14所示，然后单击“继续”按钮。

（2）保存

单击“保存”按钮，弹出“Kaplan-Meier：保存新变量”对话框，如图5-15所示。可以将Kaplan-Meier表的信息保存为新变量，在以后的分析中用于检验假设或检查假设。可以将生存分析函数、生存分析标准误差、风险和累积事件保存为新变量。

• 生存分析：累积生存概率估计。默认变量名为前缀sur_加上顺序号。例如，已存在sur_1，Kaplan-Meier就分配变量名sur_2。
• 生存分析标准误差：累积生存估计的标准误差。默认变量名为前缀se_加上顺序号。例如，已存在se_1，Kaplan-Meier就分配变量名se_2。
• 风险：累积风险函数估计。默认变量名为前缀haz_加上顺序号。例如，已存在haz_1，Kaplan-Meier就分配变量名haz_2。
• 累积事件：个案按其生存时间和状态代码进行排序时的事件累积频率。默认变量名为前缀cum_加上顺序号。例如，已存在cum_1，Kaplan-Meier就分配变量名cum_2。

选择“生存分析”项，要求将各观察样例的生存率存入原始数据库中，单击“继续”按钮返回Kaplan-Meier对话框。

（3）选项

单击“选项”按钮，弹出“Kaplan-Meier：选项”对话框。

• 统计：可以选择为计算的生存函数显示统计，包括生存分析表、平均值和中位数生存分析函数以及四分位数。如果包含因子变量，就会为每组生成单独的统计。
• 图：通过图可以直观地检查生存分析函数、一减生存分析函数、风险和生存分析函数的对数。如果包含因子变量，就会为每组绘制函数图。

　生存分析函数。在线性标度上显示累积生存函数。

　一减去生存分析函数。以线性标度绘制一减生存函数。

　风险。在线性标度上显示累积风险函数。

　生存分析函数的对数。在对数标度上显示累积生存函数。

勾选“生存分析表”和“生存分析函数”，如图5-16所示。之后单击“继续”按钮，返回Kaplan-Meier对话框，再单击“确定”按钮完成分析。

5.5.3　Cox回归

操作步骤：

打开SPSS 24.0软件，在下载资源“D:\SPSS统计分析与行业应用实战\Ch05”文件夹下选择“生存数据．sav”，在数据视图窗口下，选择“分析>生存分析>Cox回归”，如图5-17所示。

从对话框左侧的变量列表中选择“生存月数”进入“时间”框，选择“是否死亡”，进入“状态”框，选择“白细胞数”和“Ag阳性与否”进入“协变量”框，然后选择“输入”为回归方法，如图5-18所示。

在“方法”处有一个下拉列表，系统提供了以下7种回归运算方法让用户选择。

• 输入：所有自变量强制进入回归方程。
• 向前：有条件：以假定参数为基础做似然比概率检验，向前逐步选择自变量。
• 向前：LR：以最大局部似然为基础做似然比概率检验，向前逐步选择自变量。
• 向前：瓦尔德：做Wald概率统计法，向前逐步选择自变量。
• 向后：有条件：以假定参数为基础做似然比概率检验，向后逐步选择自变量。
• 向后：LR：以最大局部似然为基础做似然比概率检验，向后逐步选择自变量。
• 向后：瓦尔德：做Wald概率统计法，向后逐步选择自变量。

在本例中，由于因自变量较少，故选用输入法。

输入表示已出现终端事件的值。可以输入单值、值的范围或值的列表。只有在状态变量为数值时，“值的范围”选项才可用。单击“定义事件”按钮，弹出“Cox回归：为状态变量定义事件”对话框，在“单值”栏中输入“1”，表明“是否死亡=1”为发生死亡事件者，单击“继续”按钮返回“Cox回归”对话框。

（1）分类

单击“分类”按钮，弹出“Cox回归：定义分类协变量”对话框。

可以详细指定Cox回归过程处理分类变量的方式。

• 协变量：列出在主对话框中指定的所有协变量，无论是直接指定的协变量还是作为交互的一部分在任何层中指定的协变量。如果其中部分协变量是字符串变量或分类变量，就能将它们用作分类协变量。
• 分类协变量：列出标识为分类变量的变量。每个变量都在括号中包含一个表示法，指示要使用的对比编码。字符串变量（由变量名称后的符号<指示）已存在于“分类协变量”列表中。从“协变量”列表中选择其他任意分类协变量并将它们移到“分类协变量”列表中。
• 更改对比：可用于更改对比方法。可用的对比方法有以下几种。

　指示符：这些对比指示类别成员资格是否存在。参考类别在对比矩阵中表示为一排“0”。

　简单：除参考类别外，预测变量的每个类别都与参考类别相比较。

　差分：除第一个类别外，预测变量的每个类别都与前面的类别的平均效应相比较，也称为逆Helmert对比。

　Helmert：除最后一个类别外，预测变量的每个类别都与后面的类别的平均效应相比较。

　重复：除第一个类别外，预测变量的每个类别都与它前面的那个类别进行比较。

　多项式：正交多项式对比。假设类别均匀分布。多项式对比仅适用于数值变量。

　偏差：除参考类别外，预测变量的每个类别都与总体效应相比较。

如果选择偏差、简单或指示符，就可以选择“第一个”或“最后一个”作为参考类别。注意，直到单击更改后，该方法才实际发生更改。

字符串协变量必须是分类协变量。要从“分类协变量”列表中移去某字符串变量，必须从主对话框中的“协变量”列表中移去所有包含该变量的项。

本例没有分类变量，默认即可，如图5-20所示。

（2）图

图有助于评估估计的模型和解释结果。可以对生存分析函数、风险函数、负对数的对数函数和一减生存分析函数绘图。

• 生存分析：在线性标度上显示累积生存函数。
• 风险分析：在线性标度上显示累积风险函数。
• 对数的对数：向估计应用了ln(-ln)转换之后的累积生存估计。
• 一减生存分析函数：以线性标度绘制一减生存函数。

因为这些函数依赖于协变量的值，所以必须对协变量使用常数值来绘制函数与时间的关系图。默认情况下是使用每个协变量的平均值作为常数值，但可以使用“更改值”控制组输入自己的值用于绘图。

可以将分类协变量移入“对应的各条线”文本框，从而为该协变量的每个值单独绘制一条线。此选项仅对分类协变量可用，分类协变量在“协变量值的绘制位置”列表中由名称后的（Cat）指示。

单击“图”按钮弹出“Cox回归：图”对话框（见图5-21），在“图类型”栏中选择“生成分析”项，要求绘制生存率曲线图；同时选择“风险”项，要求绘制风险量变化图。然后单击“继续”按钮返回“Cox回归”对话框。

（3）保存

①保存模型变量：允许将回归的生存分析函数及其标准误差、负对数的对数估计、风险函数、偏残差、DfBeta以及线性预测变量X*Beta保存为新变量。

• 生存分析函数：给定时间的累积剩余函数值，该值等于生存到那个时间段概率。
• 生成分析函数的标准误差：生成分析函数的标准误差是反映结果精密度的指标。
• 生存分析函数负对数的对数：向估计应用了ln(-ln)转换之后的累积生存估计。
• 风险函数：保存累积风险函数估计（又称为Cox-Snell残差）。
• 偏残差：可以对照生存时间来绘制偏残差，以检验比例风险假定。为最终模型中的每个协变量保存一个变量。仅对包含至少一个协变量的模型提供偏残差。
• DfBeta：在剔除了某个个案的情况下系数的估计更改。为最终模型中的每个协变量保存一个变量。仅对包含至少一个协变量的模型提供DfBetas。
• X*Beta．线性预测变量得分：每个个案中以平均值为中心的协变量值及其对应的参数估计值的乘积的合计。

若使用依时协变量运行Cox，则只有DfBeta和线性预测变量X*Beta可保存。

②将模型信息导出到XML文件：将参数估计值导出到指定的XML格式的文件。可以使用该模型文件以应用模型信息到其他数据文件，用于评分目的。

单击“保存”按钮弹出“Cox回归：保存”对话框，选择“生存分析函数”项，要求将生存率计算结果存入原数据库；再在选择“风险函数”项，要求将风险函数计算结果存入原数据库；然后选择X*Beta项，要求计算各自变量与其系数的乘积并存盘，如图5-22所示。

将模型信息导出到XML文件栏下，单击“浏览”按钮，选择存放位置，然后输入模型的名称，如图5-23所示，完成选择后单击“继续”按钮返回“Cox回归”对话框。

（4）选项

单击“选项”按钮弹出“Cox回归：选项”对话框，在“模型统计”栏中选择“在最后一个步骤”项，要求只显示回归方程拟合过程的最终结果；同时选择“显示基线函数”项，要求显示各样本的本底风险量。之后单击“继续”按钮返回“Cox回归”对话框，再单击“确定”按钮完成分析。

可以控制分析和输出的各个方面。

• 模型统计：可以获得模型参数的统计，包括Exp（B）的置信区间和估算值的相关性。可以在每一步或者仅在最后一步请求这些统计。
• 步进概率：如果选择了步进法，就可以指定模型的输入或剔除的概率。如果变量进入F的显著性水平小于“进入”值，则输入该变量；如果变量的该显著性水平大于“除去”值，则移去该变量。“进入”值必须小于“除去”值。
• 最大迭代次数：允许指定模型的最大迭代次数，用于控制过程求解的时间。
• 显示基线函数：允许显示协变量平均值下的基线风险函数和累积生存。如果指定了依时协变量，则此显示不可用。

5.6　SPSS结果介绍

5.6.1　寿命表

（1）寿命表

寿命表分析的寿命表输出如表5-3所示。

（2）累积生存函数曲线

由SPSS输出的累积生存率曲线可知，治疗方式2在前4个月的生存率较治疗方式1高，但是随后会下降，尤其是8个月以后明显低于治疗方式1的生存率，如图5-25所示。

（3）密度函数曲线

由SPSS输出的密度函数曲线可知，大部分随访月数的密度函数都在0附近，如图5-26所示。

（3）风险函数曲线

由SPSS输出的风险函数曲线可知，大部分随访月数的风险函数都在0附近，如图5-27所示。

5.6.2　Kaplan-Meier

（1）生存分析表

Kaplan-Meier分析的生存分析表如表5-4所示。

（2）累积生存函数曲线

SPSS输出的累积生存函数曲线如图5-28所示。

5.6.3　Cox回归

（1）个案处理摘要

个案处理摘要包括可以在分析中使用的个案以及已删除的个案等，如图5-29所示。

（2）方程中的变量

方程中的变量包括白细胞数和Ag阳性与否，如图5-30所示。

（3）生存分析表

输出的生存分析表包括基线累积风险、生存分析函数、SE（标准误差）和累积风险等，如图5-31所示。

（4）累积生存函数曲线

模型输出的按照协变量平均值的生存分析函数曲线如图5-32所示。

（5）累积风险函数曲线

模型输出的按照协变量平均值的风险函数曲线如图5-33所示。

5.7　随访服务建议

随访服务是患者住院期间医疗护理服务的延续，也是医院医疗、教学及科研活动的重要部分，近年来逐渐得到专业人员的重视，并成为优质护理服务的重要内涵之一。为了不断改进医疗服务质量、提升医疗服务品质、完善医疗流程、提高病人满意度、构建和谐医患关系，提出以下几点提升医疗服务的建议。

（1）规范医院随访流程和要求

明确各层次随访人员的职责和内容，在规定时间内完成随访。强调主管医生在随访中的重要性，落实随访职责。建立信息化管理系统，包括患者的基本信息，如姓名、性别、年龄、职业、地址、电话号码、住院号、住院科室、诊断、入出院时间、住院费用、主管医生等。制定各层次询问流程，包括自我介绍、表达问候、询问出院情况、指导治疗、健康教育、收集意见、预约复诊时间等。针对不同病人的需求和不同疾病的特点，采取个性化医患沟通方案。要求使用普通话和规范用语，语音、语调要亲切，注重沟通技巧。

（2）加强医院随访团队建设

构建院科两级随访体系，实行门诊－住院－出院患者全程随访，搭建沟通桥梁，和谐医患关系，持续改进医院工作质量。设立院级随访站，健全随访制度、流程，制定专科随访常规，指导科内随访团队建设，落实患者随访，统筹安排，构建一个院科两级、上下联动、职能部门共同参与的随访体系。

（3）多管齐下完善随访制度

进一步完善现行随访制度，可以利用随访平台管理患者电子健康档案，建立了健康管理师、全科医生和专科医生金字塔式三级责任制，专业问题逐级汇报解决。利用网络医院APP、电话和短信3种方式主动发起随访，接受网络和电话两种咨询方式。通过随访，医生可全面了解患者出院后的治疗及恢复情况，及时修改诊疗方案，提高诊疗准确性，减少或避免失误，从而提高诊疗准确性及医疗质量、加强医患沟通。