國(guó)家癌癥中心/中國(guó)醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)學(xué)院腫瘤醫(yī)院（100021） 楊 召 王少明 梁 赫 喬友林 范金虎

·綜述·

競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)統(tǒng)計(jì)分析理論研究進(jìn)展

國(guó)家癌癥中心/中國(guó)醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)學(xué)院腫瘤醫(yī)院（100021） 楊 召 王少明 梁 赫 喬友林 范金虎△

在醫(yī)學(xué)隨訪研究中，受試者在觀察期間常常由于出現(xiàn)其他結(jié)局事件而阻礙目標(biāo)結(jié)局事件的發(fā)生或改變目標(biāo)結(jié)局事件發(fā)生的概率。例如，在人群原因別死亡率的研究中目標(biāo)結(jié)局事件為腫瘤相關(guān)死亡，但隨訪過(guò)程中常出現(xiàn)心腦血管相關(guān)死亡而阻止了腫瘤相關(guān)死亡事件的發(fā)生，即競(jìng)爭(zhēng)風(fēng)險(xiǎn)（competing risk）［1］。在此理論框架下可能出現(xiàn)：（1）目標(biāo)結(jié)局事件（event of interest）；（2）競(jìng)爭(zhēng)事件（competing event）；（3）刪失事件（cersored）。競(jìng)爭(zhēng)風(fēng)險(xiǎn)在醫(yī)學(xué)研究中十分普遍［2－5］，其最早可以追溯到1760年伯努利接種“疫苗”根除天花對(duì)人群死亡率的影響［6］。

本研究系統(tǒng)性地回顧競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)的分析方法，主要從下面幾個(gè)方面對(duì)其研究進(jìn)展進(jìn)行系統(tǒng)性的描述：（1）競(jìng)爭(zhēng)風(fēng)險(xiǎn)（competing risk）的定義；（2）常見(jiàn)競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)分析方法的簡(jiǎn)介：原因別風(fēng)險(xiǎn)模型（cause－specific hazard model）、累積風(fēng)險(xiǎn)模型（subdistribution hazard model）、加性模型（additivemodel）、基于虛擬觀測(cè)的回歸模型、混合模型（mixture）和縱向模型（verticalmodel）；（3）競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)統(tǒng)計(jì)分析的研究進(jìn)展。

競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)

在隨訪研究中，目標(biāo)結(jié)局事件短時(shí)間內(nèi)可能無(wú)法確定，因此為了評(píng)價(jià)研究因素對(duì)特定人群中目標(biāo)結(jié)局事件的影響，所有受試者從基線開始隨訪，到發(fā)生目標(biāo)結(jié)局事件或試驗(yàn)結(jié)束。若隨訪期間未觀察到受試者出現(xiàn)目標(biāo)結(jié)局事件則被定義為刪失（censored），如失訪（lost to follow－up），且在經(jīng)典的生存分析中假設(shè)刪失為“非信息性刪失（non－informative censored）”，即相同條件下受試者在某時(shí)刻發(fā)生刪失事件的概率和發(fā)生結(jié)局事件的概率相等［7］。若隨訪期間，受試者只出現(xiàn)目標(biāo)結(jié)局事件，則可以通過(guò)經(jīng)典的分析方法，如KM法［8］和Cox等比例風(fēng)險(xiǎn)模型［7］進(jìn)行分析，詳見(jiàn)圖1a。若隨訪期間出現(xiàn)多個(gè)結(jié)局事件，則為競(jìng)爭(zhēng)風(fēng)險(xiǎn)［1］，其根據(jù)對(duì)目標(biāo)結(jié)局事件的影響程度分為兩類：

1.經(jīng)典競(jìng)爭(zhēng)風(fēng)險(xiǎn)（classical competing risk）

經(jīng)典的競(jìng)爭(zhēng)風(fēng)險(xiǎn)，指隨訪期間受試者出現(xiàn)多種互斥結(jié)局事件，即某一結(jié)局事件的發(fā)生常阻止其他結(jié)局事件的發(fā)生，詳見(jiàn)圖1b。譬如，在人群死亡研究中，若受試者出現(xiàn)腫瘤相關(guān)的死亡，則不會(huì)出現(xiàn)心腦血管疾病相關(guān)的死亡；反之亦然。

2.半式競(jìng)爭(zhēng)風(fēng)險(xiǎn)（semi-competing risk）

半式競(jìng)爭(zhēng)風(fēng)險(xiǎn)，也叫狀態(tài)轉(zhuǎn)移風(fēng)險(xiǎn)，指隨訪期間受試者由于出現(xiàn)其他結(jié)局事件而導(dǎo)致目標(biāo)結(jié)局事件出現(xiàn)的概率發(fā)生改變，詳見(jiàn)圖1c。例如，在乳腺癌預(yù)后研究中，若目標(biāo)結(jié)局事件為死亡，則受試者可能會(huì)因?yàn)槌霈F(xiàn)復(fù)發(fā)轉(zhuǎn)移而使其死亡的風(fēng)險(xiǎn)發(fā)生改變。

圖1 競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)模式圖（λi為風(fēng)險(xiǎn)函數(shù)）

與經(jīng)典的生存分析方法相同，競(jìng)爭(zhēng)風(fēng)險(xiǎn)模型數(shù)據(jù)的分析主要從以下三個(gè)方面：（1）時(shí)間效應(yīng)，即目標(biāo)結(jié)局事件的發(fā)病率如累積發(fā)病率（cumulative incidence）或發(fā)病密度（incidence densities）；（2）干預(yù)效應(yīng)，即不同干預(yù)措施對(duì)目標(biāo)結(jié)局事件發(fā)病率的影響；（3）存在混雜因素時(shí)，干預(yù)因素對(duì)目標(biāo)結(jié)局事件的累積發(fā)病率的影響。

競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)的常用統(tǒng)計(jì)分析方法

為了能夠更加清晰明了地介紹下述常見(jiàn)競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)的統(tǒng)計(jì)分析方法，做出以下假設(shè)：隨訪過(guò)程中會(huì)出現(xiàn)2個(gè)競(jìng)爭(zhēng)事件（J，J＝1提示發(fā)生結(jié)局事件1；J＝2提示發(fā)生結(jié)局事件2），則該研究中所收集得到的競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)為｛ti，εi，εi×J，Xi｝，其中：ti為第i名受試者的最短觀察時(shí)間ti＝min（TiJ＝1，TiJ＝2，Ci）；εi為第i名受試者是否出現(xiàn)結(jié)局事件（εi＝1，發(fā)生結(jié)局事件；εi＝0，未發(fā)生結(jié)局事件）；εi×J為第i名受試者發(fā)生結(jié)局事件的類型（εi×J＝1，發(fā)生結(jié)局事件1；εi×J＝2，發(fā)生結(jié)局事件2）；Xi為第i名受試者協(xié)變量的狀態(tài)。那么，受試者發(fā)生結(jié)局事件的風(fēng)險(xiǎn)函數(shù)（hazard function）為λ（t）；生存函數(shù)（survival function）為S（t）；累積發(fā)病率函數(shù)（cumulative incidence function，CIF）為F（t）。

在經(jīng)典的生存分析中，統(tǒng)計(jì)學(xué)家將干預(yù)因素對(duì)目標(biāo)結(jié)局事件發(fā)病率/死亡率的影響，通過(guò)Kaplan-Meier經(jīng)驗(yàn)估計(jì)法轉(zhuǎn)化為干預(yù)因素對(duì)目標(biāo)結(jié)局事件發(fā)生風(fēng)險(xiǎn)的影響，即：將原始無(wú)效假設(shè)H0：F（g＝1）（t）＝F（g＝2）（t）轉(zhuǎn)化為H0′：λ（g＝1）（t）＝λ（g＝2）（t）或H0′：S（g＝1）（t）＝S（g＝2）（t）。這種轉(zhuǎn)化在競(jìng)爭(zhēng)風(fēng)險(xiǎn)理論中卻不是等價(jià)的［9］。下文將著重從風(fēng)險(xiǎn)函數(shù)、生存函數(shù)和累積發(fā)病率函數(shù)的角度介紹幾種常見(jiàn)的競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)分析方法：

1.風(fēng)險(xiǎn)函數(shù)為基礎(chǔ)的分析方法

（1）原因別風(fēng)險(xiǎn)模型（cause-specific hazard model）

原因別風(fēng)險(xiǎn)模型，作為Cox等比例風(fēng)險(xiǎn)模型的衍生模型，最早由Prentice［10］引進(jìn)到競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)的分析中，隨后在爭(zhēng)議中迅速發(fā)展并得到廣泛的應(yīng)用［1］。該理論直接將競(jìng)爭(zhēng)結(jié)局事件定義為刪失事件，然后依次對(duì)每個(gè)結(jié)局事件輪流擬合經(jīng)典的Cox等比例風(fēng)險(xiǎn)模型。此時(shí)，t時(shí)刻發(fā)生目標(biāo)結(jié)局事件j風(fēng)險(xiǎn)函數(shù)

則t時(shí)刻的總體生存函數(shù)SCS（t）和t時(shí)間內(nèi)累積發(fā)病率函數(shù)分別為：

當(dāng)存在干預(yù)因素時(shí)，該模型與經(jīng)典分析方法一樣需要做出以下假設(shè)：（1）干預(yù)因素對(duì)目標(biāo)結(jié)局事件的影響不隨時(shí)間的變化而改變，即滿足等比例風(fēng)險(xiǎn)假設(shè)（proportional hazard assumption，PHA）；（2）各結(jié)局事件之間的發(fā)生互不影響，即獨(dú)立性。根據(jù)經(jīng)典Cox等比例風(fēng)險(xiǎn)模型［7］的定義，則原因別風(fēng)險(xiǎn)模型即為：

為了能夠直觀形象地描述協(xié)變量與目標(biāo)結(jié)局事件發(fā)生風(fēng)險(xiǎn)，exp（βj）＝HRCS表示協(xié)變量每改變1個(gè)單位結(jié)局事件j發(fā)生風(fēng)險(xiǎn)的變化。此時(shí)，該模型不能直接評(píng)價(jià)協(xié)變量對(duì)目標(biāo)結(jié)局事件累積發(fā)病率影響，究其原因主要是因?yàn)椋航Y(jié)局事件1的累積發(fā)病率函數(shù)不僅僅與結(jié)局事件1的原因別風(fēng)險(xiǎn)函數(shù)有關(guān)系，而且與結(jié)局事件2的原因別風(fēng)險(xiǎn)函數(shù)有關(guān)系。當(dāng)結(jié)局事件1的原因別風(fēng)險(xiǎn)函數(shù)增加時(shí)，其累積發(fā)病率函數(shù)不一定增加；反之亦然［9］。因此，原因別風(fēng)險(xiǎn)模型不能直接用來(lái)評(píng)價(jià)競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)中目標(biāo)結(jié)局事件的累積發(fā)病率；當(dāng)利用HRCS描述協(xié)變量與目標(biāo)結(jié)局事件發(fā)生風(fēng)險(xiǎn)之間的關(guān)聯(lián)時(shí)，需謹(jǐn)慎下結(jié)果。此外，該模型中回歸系數(shù)的估計(jì)采用部分似然函數(shù)（partial likelihood function）用最大似然估計(jì)方法得到，對(duì)模型的假設(shè)檢驗(yàn)常采用似然比檢驗(yàn)（maximum likelihood ratio test），其擬合過(guò)程可以借助標(biāo)準(zhǔn)統(tǒng)計(jì)分析軟件包如SAS、R或SPSS實(shí)現(xiàn)。當(dāng)存在時(shí)依性協(xié)變量時(shí)，該模型和Cox模型一樣可拓展為時(shí)依性協(xié)變量的原因別風(fēng)險(xiǎn)模型（time－dependent causespecific hazard model），具體理論介紹詳見(jiàn)［11］。

（2）累積風(fēng)險(xiǎn)模型（subdistribution hazard model）

考慮到原因別風(fēng)險(xiǎn)模型存在前提假設(shè)嚴(yán)格且不能直接估計(jì)競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)中目標(biāo)結(jié)局事件累積發(fā)病率等缺點(diǎn)，F(xiàn)ine和Cray［12］提出利用累積風(fēng)險(xiǎn)模型直接估計(jì)協(xié)變量對(duì)目標(biāo)結(jié)局事件累積發(fā)病率的影響。該理論充分考慮了競(jìng)爭(zhēng)風(fēng)險(xiǎn)事件對(duì)目標(biāo)結(jié)局事件的影響，其定義t時(shí)刻目標(biāo)結(jié)局事件j的風(fēng)險(xiǎn)函數(shù)

則，t時(shí)間內(nèi)目標(biāo)結(jié)局時(shí)間j的累積風(fēng)險(xiǎn)函數(shù)與經(jīng)典生存分析相同：

當(dāng)存在干預(yù)因素或協(xié)變量時(shí)，該模型也需要滿足等比例風(fēng)險(xiǎn)假設(shè)和非信息性刪失。此時(shí)，累積風(fēng)險(xiǎn)模型為：

（3）加性模型（additivemodel）

在經(jīng)典的競(jìng)爭(zhēng)風(fēng)險(xiǎn)理論假設(shè)中，結(jié)局事件之間的發(fā)生是互斥事件。Klein［13］參照Aalen加性模型提出各結(jié)局事件之間的累積發(fā)病率具有可加性，則在累積風(fēng)險(xiǎn)模型中，定義t時(shí)間內(nèi)結(jié)局事件j＝｛1，2｝的累積發(fā)病率（詳見(jiàn)公式（8））分別為：

根據(jù)加性模型理論，結(jié)局事件j＝｛1，2｝在t時(shí)間內(nèi)的累積發(fā)病率函數(shù)為：

當(dāng)存在協(xié)變量時(shí)，根據(jù)累積風(fēng)險(xiǎn)模型理論：

式中，g（·）為轉(zhuǎn)換函數(shù)。若進(jìn)一步將公式（14）代入（12）：

此時(shí)，在公式（14）中出現(xiàn)了悖論，即在t＝0時(shí)刻，公式兩側(cè)是不相等的。但是，該加性模型同時(shí)將各個(gè)競(jìng)爭(zhēng)事件納入同一個(gè)模型中進(jìn)行研究，可以直觀地比較協(xié)變量同時(shí)對(duì)多個(gè)結(jié)局事件的影響。該模型多采用偏似然估計(jì)法（partial likelihood approach）進(jìn)行擬合，且可以在R中“survival”軟件包實(shí)現(xiàn)。此外，實(shí)際應(yīng)用中研究者更注重協(xié)變量對(duì)目標(biāo)結(jié)局事件遠(yuǎn)期的影響［1］。

2.虛擬觀測(cè)（pseudo－observations）為基礎(chǔ)的分析方法

Andersen［14－15］認(rèn)為競(jìng)爭(zhēng)風(fēng)險(xiǎn)本質(zhì)上為多狀態(tài)模型的一種特殊形式，其將原因別風(fēng)險(xiǎn)看作為轉(zhuǎn)移風(fēng)險(xiǎn)，并引入潛在失效時(shí)間的分析方法。其主要思想是構(gòu)造虛擬觀測(cè)替換刪失個(gè)案，然后通過(guò)廣義線性模型擬合協(xié)變量對(duì)目標(biāo)結(jié)局事件的影響。該理論定義t時(shí)間內(nèi)目標(biāo)結(jié)局事件j累積發(fā)病率函數(shù)為

若假設(shè)隨訪期間有i＝｛1，2，…，n｝個(gè)刪失觀測(cè)，隨訪時(shí)間點(diǎn)為τt＝｛τ1，τ2，…，τT｝，則虛擬觀測(cè)定義為：

其中，θit為τt時(shí)刻第i個(gè)刪失的虛擬觀測(cè)值，則分別為τt時(shí)間內(nèi)結(jié)局事件j的累積發(fā)病率函數(shù)、剔除刪失事件i之后τt時(shí)間內(nèi)結(jié)局事件j的累積發(fā)病率函數(shù)。當(dāng)不存在刪失事件時(shí)，可以按照經(jīng)典廣義線性模型的方式分析各個(gè)協(xié)變量對(duì)目標(biāo)結(jié)局事件的影響。定義連接函數(shù)g（·）為logit函數(shù)，則在協(xié)變量X存在情況下，虛擬觀測(cè)是否發(fā)生結(jié)局事件的擬合過(guò)程即為多元logistic回歸分析的過(guò)程：

此時(shí)，針對(duì)各協(xié)變量對(duì)結(jié)局事件影響的解釋與logistic回歸分析相同。此外，Klein［16］發(fā)表了基于該理論的SAS和R統(tǒng)計(jì)分析代碼，通過(guò)案例研究證實(shí)該模型的擬合結(jié)果與累積風(fēng)險(xiǎn)模型的擬合效果相近。

3.聯(lián)合分布函數(shù)為基礎(chǔ)的分析方法

考慮到競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)包含多結(jié)局事件及其對(duì)應(yīng)的觀測(cè)時(shí)間，前者構(gòu)成結(jié)局事件的分布函數(shù)，后者構(gòu)成觀測(cè)時(shí)間的分布函數(shù)。Larson和Dinse［17］提出利用聯(lián)合分布P（J，T）的來(lái)擬合目標(biāo)結(jié)局事件P（J）的邊際分布及其觀測(cè)時(shí)間P（T｜J）的條件分布，即混合模型（mixturemodel）：

該聯(lián)合分布函數(shù)要求隨訪已經(jīng)結(jié)束，且需要利用EM（expectation-maximization）法修復(fù)刪失觀測(cè)，最后通過(guò)廣義線性模型進(jìn)行估計(jì)。鑒于混合模型理論過(guò)于復(fù)雜且要求研究已經(jīng)完成，Nicolaie［18］提出使用觀測(cè)時(shí)間分布P（T）和觀察期內(nèi)結(jié)局事件J的條件分布P（J｜T）擬合聯(lián)合分布P（T，J），即縱向模型（vertical model）：

該理論定義結(jié)局事件J發(fā)生的條件概率P（J＝j(luò)｜T＝t）為相對(duì)原因別風(fēng)險(xiǎn)（relative cause-specific hazards，csRH），則在上述原因別風(fēng)險(xiǎn)模型的基礎(chǔ)上csRH（t）可描述為：

值得注意的是，csRH與風(fēng)險(xiǎn)比（hzarad ratio，HR）是相同的，其也要求刪失為非信息性刪失，即：

式中，P（J＝j(luò)｜T＝t，C≥t）和P（J＝j(luò)｜T＝t，T≤t）分別表示t時(shí)刻受試者發(fā)生右刪失和左刪失的概率。若假設(shè)任意結(jié)局事件發(fā)生的時(shí)間為τt＝｛τ1，τ2，…，τT，根據(jù)公式（1）和公式（20）csRHj（τt）可以表達(dá)為：

若假定csRHj（τt）為連續(xù)變量，則需要引入平滑函數(shù)B（τt）擬合每個(gè)時(shí)間點(diǎn)的csRHj（τt），此時(shí)通過(guò)多元logistic模型建立csRHj（τt）和B（τt）之間的關(guān)聯(lián)，即為：

此外，在原因別風(fēng)險(xiǎn)模型的理論框架下，建立csRHj（τt）與結(jié)局事件j在t時(shí)間內(nèi)累積發(fā)病率的關(guān)系如下：

式中，f′為全部結(jié)局事件發(fā)生時(shí)間的密度函數(shù)。此時(shí)，csRHj（t）可以描述為全部結(jié)局時(shí)間的分布密度函數(shù)在累積發(fā)病率函數(shù)中的比例。當(dāng)存在協(xié)變量時(shí)，該模型可以進(jìn)一步拓展，考慮到其擬合過(guò)程較為復(fù)雜，因此此處不再詳述［18］。

競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)統(tǒng)計(jì)分析研究進(jìn)展及其應(yīng)用

縱觀競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)統(tǒng)計(jì)分析發(fā)展史，我們不難發(fā)現(xiàn)競(jìng)爭(zhēng)風(fēng)險(xiǎn)的本質(zhì)是將刪失事件進(jìn)行更細(xì)致的歸類和處理，其主要的理論分析框架仍為生存分析。然而，傳統(tǒng)的生存分析，沒(méi)有充分地認(rèn)識(shí)到競(jìng)爭(zhēng)事件對(duì)目標(biāo)結(jié)局事件的影響或直接將競(jìng)爭(zhēng)事件視為刪失事件，導(dǎo)致結(jié)局事件的風(fēng)險(xiǎn)函數(shù)λ（t）出現(xiàn)有偏估計(jì)，繼而引起生存函數(shù)S（t）和累積發(fā)病率函數(shù)F（t）出現(xiàn)有偏估計(jì)。現(xiàn)有競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)分析方法，在考慮競(jìng)爭(zhēng)事件的同時(shí)，直接研究干預(yù)因素對(duì)目標(biāo)結(jié)局事件發(fā)生率的影響，改變了經(jīng)典生存分析中將目標(biāo)結(jié)局事件發(fā)生率的研究轉(zhuǎn)換為發(fā)生風(fēng)險(xiǎn)研究的思路，更加直觀、真實(shí)地評(píng)價(jià)干預(yù)對(duì)目標(biāo)結(jié)局事件發(fā)生率的應(yīng)用。但是，復(fù)雜的理論研究基礎(chǔ)導(dǎo)致其缺少標(biāo)準(zhǔn)的統(tǒng)計(jì)分析軟件包，進(jìn)而阻礙了其在實(shí)際研究中的應(yīng)用。值得慶幸的是，近年來(lái)國(guó)內(nèi)越來(lái)越多的研究也開始關(guān)注競(jìng)爭(zhēng)風(fēng)險(xiǎn)型數(shù)據(jù)的分析［19－20］。

［1］Lau B，Cole SR，Gange SJ．Competing risk regressionmodels for epidem iologic data．Am JEpidem iol，2009，170：244-256．

［2］Austin PC，Lee DS，F(xiàn)ine JP．Introduction to the Analysis of Survival Data in the Presence of Competing Risks．Circulation，2016，133：601-609．

［3］de Glas NA，Kiderlen M，Vandenbroucke JP，et al．Perform ing Survival Analyses in the Presence of Competing Risks：A Clinical Example in Older Breast Cancer Patients．JNatl Cancer Inst，2016：108．

［4］Suri RM，ClavelMA，Schaff HV，etal．Effectof RecurrentM itral Regurgitation Follow ing Degenerative M itral Valve Repair：Long－Term Analysis of Competing Outcomes．J Am Coll Cardiol，2016，67：488-498．

［5］Ryser MD，Worni M，Turner EL，et al．Outcomes of Active Surveillance for Ductal Carcinoma in Situ：A Computational Risk Analysis．J Natl Cancer Inst，2016：108．

［6］Chiang CL．Competing risks in mortality analysis．Annu Rev Public Health，1991，12：281-307．

［7］David CR．Regression models and life tables（w ith discussion）．Journal of the Royal Statistical Society，1972，34：187-220．

［8］Kaplan EL，Meier P．Nonparametric estimation from incomplete observations．Journal of the American statistical association，1958，53：457-481．

［9］Gray RJ．A class of K-sample tests for comparing the cumulative incidence of a competing risk．The Annals of statistics，1988：1141-1154．

［10］Prentice RL，Kalbfleisch JD，Peterson AV，Jr．，et al．The analysis of failure times in the presence of competing risks．Biometrics，1978，34：541-554．

［11］Sun Y，Hyun S，Gilbert P．Testing and estimation of time-varying cause-specific hazard ratios w ith covariate adjustment．Biometrics，2008，64：1070-1079．

［12］Fine JP，Gray RJ．A proportional hazardsmodel for the subdistribution of a competing risk．Journal of the American statistical association，1999，94：496-509．

［13］Klein JP．Modelling competing risks in cancer studies．Stat Med，2006，25：1015-1034．

［14］Andersen PK，Abildstrom SZ，Rosthφj S．Competing risks as a multistatemodel．Statisticalmethods inmedical research，2002，11：203-215．

［15］Andersen PK，Klein JP，Rosthφj S．Generalised linearmodels for correlated pseudo-observations，with applications to multi-state models．Biometrika，2003，90：15-27．

［16］Klein JP，Gerster M，Andersen PK，et al．SAS and R functions to compute pseudo-values for censored data regression．Comput Methods Programs Biomed，2008，89：289-300．

［17］Larson MG，Dinse GE．A mixturemodel for the regression analysisof competing risks data．Applied statistics，1985：201-211．

［18］Nicolaie MA，van Houwelingen HC，Putter H．Vertical modeling：a pattern mixture approach for competing risks modeling．Stat Med，2010，29：1190-1205．

［19］江一濤，胡海蘭，魏巧玲，等．競(jìng)爭(zhēng)風(fēng)險(xiǎn)模型的發(fā)展與應(yīng)用．中國(guó)衛(wèi)生統(tǒng)計(jì)，2009，26：445-447．

［20］肖媛媛，許傳志，趙耐青．常用生存分析模型及其對(duì)時(shí)依性協(xié)變量效應(yīng)的估計(jì)方法．中國(guó)衛(wèi)生統(tǒng)計(jì)，2016：543-547+552．

（責(zé)任編輯：劉 壯）

△通信作者：范金虎，E-mail：fanjh＠cicams.ac.cn