• 可以提取table 1人群基线表、Cox回归分析、KM曲线生存率等条件结果，自动成表。
• 学会该包将大幅度提高处理数据结果的效率。
• 该包的说明文件接近100页，这里只做简单介绍。
• PDF见文末。

1、table 1绘制

install.packages("gtsummary")
library(gtsummary)
rm(list = ls()) 
#数据放入工作路径，加载
R14<- read.csv('R14.csv')
#查看结局:0为局部区域复发（55人）
R14$status<-factor(R14$status)
summary(R14$status)
#查看数据变量名字
names(R14)

#1.建立函数(挑几个变量进行统计)
table<-R14%>% select(Age,T.stage,LNM,ER,KI67)

#tbl_summary()函数直接出图
table1<-tbl_summary(table);table1

#出图-2，HER2分组、%>%看做添加的意思
table2<-tbl_summary(table,by =ER, # 分组
                     statistic = list(all_continuous() ~ "{mean} ({sd})"),  
                     missing = "no"  ) %>%
                     add_n() %>% # 变量数N
                     add_p() %>% # 添加P值
                     add_overall() %>% #添加全部人群列
                     modify_header(label ="**Variable**") %>% #标签列header
                     bold_labels();table2 #变量粗体

更多变换见说明文件

2、KM曲线生存率/p值提取成表

library(survival)
#install.packages("gtsummary")
library(gtsummary)
head(trial)

fit1 <- survfit(Surv(ttdeath, death) ~ 1, trial)
fit2 <- survfit(Surv(ttdeath, death) ~ trt, trial)
# 按时间提取例如1.2年发生率
add_nevent.tbl_survfit_ex1 <-
  list(fit1, fit2) %>%
  tbl_survfit(times = c(12, 24)) %>%
  add_n() %>%
  add_nevent();add_nevent.tbl_survfit_ex1 

library(survival)
# 汇报中位时间
fit1 <- survfit(Surv(ttdeath, death) ~ trt, trial)
fit2 <- survfit(Surv(ttdeath, death) ~ 1, trial)
# sumarize survfit objects
tbl1 <-tbl_survfit(fit1,times = c(12, 24),
              label = "Treatment",label_header = "**{time} Month**")%>%
               add_p();tbl1

tbl2 <-tbl_survfit(fit2,probs=0.5,
                  label_header = "**Median Survival**");tbl2 

3、Cox回归表

#只需一行代码，做完表格
#library(survival)
t2 <-coxph(Surv(ttdeath, death) ~ trt + grade + age,
           trial) %>%tbl_regression(exponentiate = TRUE);t2

library(survival)

rm(list = ls())#清理
aa<- read.csv('R14.csv')
#查看数据前6行
head(aa)
#查看数据数据性质
str(aa)

log_rank<-survdiff(Surv(time, status==0)~ER,rho=0,data=aa)

1. 常规提取log-rank的办法（信息多）

log_rank

#结果
#   survdiff(formula = Surv(time, status == 0) ~ ER, data = aa, rho = 0)
# 
# N Observed Expected (O-E)^2/E (O-E)^2/V
# ER=Negative  67       21     9.76     12.93      15.8
# ER=Positive 283       34    45.24      2.79      15.8
# 
# Chisq= 15.8  on 1 degrees of freedom, p= 7e-05 #结果
#   survdiff(formula = Surv(time, status == 0) ~ ER, data = aa, rho = 0)
# 
# N Observed Expected (O-E)^2/E (O-E)^2/V
# ER=Negative  67       21     9.76     12.93      15.8
# ER=Positive 283       34    45.24      2.79      15.8
# 
# Chisq= 15.8  on 1 degrees of freedom, p= 7e-05 

2. 直接提取法（简单）

p<- 1-pchisq(log_rank$chisq,length(log_rank$n)-1);p

[1] 7.1e-05

行列提取、删除、排序

rm(list = ls()) 
#数据放入工作路径，加载
R14<- read.csv('R14.csv')

#提取第一行入a表,看逗号与数字关系
a<-R14[1, ]

#提取第2.3列入c表
b<-R14[,c(2,3)] 

#删除2.3列变为c表，删除2.3行放逗号前即可
c<-R14[,c(-2,-3)] 

#把第1.2列status/time放最后
d<-R14[c(3:8,1,2)]

在R语言|10. KM曲线代码进阶：各种亚组分析助你深入分析数据介绍了KM曲线的亚组分析。

但是遇到很多亚组时怎么办？想总结某个治疗方法在不同亚组的5年生存率有无差异怎么办？

或许基于生存率的亚组分析森林图也是一种不错的办法！

library(survival)
library(survminer)
#常见的KM曲线亚组分析
rm(list = ls()) 
#数据放入工作路径，加载
R15<- read.csv('R15.csv')
f <-survfit(Surv(time,status==0)~rt,data=R15)

#只需修改facet.by函数引号内的变量即可做出RT在不同变量的亚组分析
ggsurvplot_facet(f,R15,facet.by ="er",
                 palette="lancet",#颜色
                 pval=T)

上图，放疗与否在ER阳性或阴性组生存率差异的的KM曲线，曲线够直观，能显示总体走势，也汇报了p值。

但，若是想观察pr、her2、surg等7个变量的亚组的生存率、差异等，需要画7次这样的图，将占用大量文章篇幅，不够简洁。

此时，配合一张森林图可能有助于解决该问题！！！