原文链接：http://tecdat.cn/?p=6087

根据生存曲线的估计，可以推断出相比组之间存活时间的差异，因此生存曲线非常有用，几乎可以在每个生存分析中看到。

我们可以创建简单的生存曲线估计。让我们来看看患有卵巢癌（卵巢浆液性囊腺癌）和患有乳腺癌（乳腺浸润癌）的患者之间存活时间的差异。

 
fit <- survfit(Surv(times, patient.vital_status) ~ admin.disease_code,
               data = BRCAOV.survInfo)

这个简单的图表以优雅的方式呈现了生存概率的估计值，该估计值取决于根据癌症类型分组的癌症诊断天数和信息风险集表，其中显示了在特定时间段内观察的患者数量。生存分析是一个特定的数据分析领域，因为事件数据的审查时间，因此风险集大小是视觉推理的必要条件。


ggplot(
   fit,                     # 生存数据对象.
   data = BRCAOV.survInfo,  # 生存数据. 
   risk.table = TRUE,       # 风险表.
   pval = TRUE,             #    Logrank检验p-value
   conf.int = TRUE,         # 生存曲线置信区间.
   xlim = c(0,2000),         
                            #生存预测.
   break.time.by = 500,      
   ggtheme = theme_minimal(),  
 risk.table.y.text.col = T,  
  risk.table.y.text = FALSE  
)

每个参数都在相应的注释中描述，但我想强调xlim控制X轴限制但不影响生存曲线的参数，这些参数考虑了所有可能的时间。