
用你的追蹤資料畫 Kaplan–Meier 存活曲線
上傳含追蹤時間與事件欄位的資料表,Yila 會畫出附風險人數表的存活曲線,檢定組間差異並配適 Cox 模型,同時附上可重現結果的程式碼。
這是我含事件發生時間的追蹤資料。請畫出比較 的 Kaplan–Meier 存活曲線,附上風險人數表、95% 信賴帶、log-rank 檢定的 p 值,以及中位存活時間(若有達到)。接著以作為調整變數配適 Cox 模型,並檢查比例風險假設。將圖儲存為 PNG 和 SVG,並儲存 Cox 結果表與程式碼。
將在 Yila 工作台中開啟,之後可在對話裡隨時調整。
一份完成的存活分析
這是用公開臨床資料集實際執行一次的官方範例。下方是它儲存的圖;下載檔裡另附 Cox 結果表與 R 程式碼。

1 / 2
你會得到
- Kaplan–Meier 存活曲線圖
- 附設限標記與 95% 信賴帶的曲線,標出 log-rank p 值,並在時間軸下方對齊風險人數表。
- Cox 模型結果表
- 每個共變數的風險比(HR)、95% 信賴區間與 p 值,以及模型的一致性指數(C-index)。
- 假設檢查
- 每個共變數的標準化 Schoenfeld 殘差與整體檢定,讓你判斷比例風險假設是否成立。
- 分析程式碼
- 完整的 R 分析程式碼(需要的話也可以是 Python),審稿人或共同作者都能重跑每一個數字。
運作方式

上傳資料表,指明比較組別
給 Yila 一個含時間欄位與事件欄位的 CSV 或 Excel 檔,並說明要比較哪些組別。像「射出分率 ≤ 30%」這樣的切點,直接用文字寫出即可。

Yila 先核對資料,再選方法
它會讀取各欄、計算各組的病人數與事件數,並在配適任何模型之前,確認哪個數值代表事件發生。不確定的地方會先問你,不會自行假設。

取得圖、結果表和程式碼
存活曲線、Cox 結果表與殘差檢查完成並檢視後,會與程式碼一起儲存。想換切點、換一組共變數或改成期刊要求的尺寸,在同一個對話裡提出即可。
適用情境
臨床世代研究論文
依暴露或風險分組畫出主圖的存活曲線,同時備妥審稿人一定會要求的調整後模型。
學位論文的一章
一套可重現的存活分析,程式碼與輸出結果可以原封不動放進附錄。
重新分析公開資料
在以已發表的存活分析結果為基礎繼續研究之前,先用它的公開資料集核對一次。



