MIMIC-IV数据库患者院内死亡单因素生存分析全流程指南

这篇文章我来聊聊用MIMIC-IV数据库做“患者院内死亡的单因素生存分析”这件事。我估计看到这个标题的你，十有八九是正在忙临床课题、毕业论文或者准备投稿的医学研究生、临床医生，也可能是刚接触公开数据库的数据分析师。这活儿听起来很“数据库+统计”，但实际做下来你会发现，真正的难点往往不在统计方法本身，而在数据提取、变量定义和各种隐形坑上。这篇我就把完整流程、核心代码思路、以及那些不踩一遍根本不知道的细节，一次性摊开讲清楚。

先说清楚这篇文章能帮你解决什么问题：从MIMIC-IV里正确取数，构建一个可用于生存分析的数据集，然后完成单因素生存分析的完整流程——包括Kaplan-Meier曲线、Log-rank检验、单因素Cox回归，以及结果的可视化和表格呈现。不论你是用R、Python还是SPSS，核心思路是一样的。适合谁读？适合已经拿到MIMIC-IV访问权限、准备开始分析但还不清楚具体怎么做的人；也适合对生存分析只懂概念、没在真实数据上跑过的人。

1. 先搞清楚你要分析什么：从临床问题到生存分析建模

1.1 MIMIC-IV是什么、为什么选它做这个课题

MIMIC-IV（Medical Information Mart for Intensive Care IV）是MIT计算生理学实验室发布的重症医学公开数据库，记录了贝斯以色列女执事医疗中心重症监护病房超过5万例住院患者的去标识化临床数据。里面有患者的人口学信息、生命体征、实验室检查、用药记录、护理记录、影像报告、诊断编码等等，数据颗粒度非常细。

用这个数据库做“院内死亡”相关的研究，几乎是重症医学方向入门级但又能出成果的经典套路。原因是三点：第一，数据公开且免费，经过伦理审查和CITI培训后就能下载；第二，样本量大、变量全，病例组合丰富，适合做各种亚组分析；第三，重症患者的结局事件（死亡）发生率高，统计效能足够，不会出现“随访三年就死了5个人”这种尴尬局面。

但我要提醒一句：正因为MIMIC-IV用的人多，单纯靠“某某因素与院内死亡相关”这种结论已经很难发好文章了。所以分析思路要提前设计好——是做预测模型、风险分层，还是机制探索、因素筛选？单因素生存分析通常只是第一步，但却是最关键的一步，因为后续多因素模型纳入哪些变量、怎么分组，都取决于这一步的结果是否扎实。

1.2 单因素生存分析在研究流程中的定位

单因素生存分析，说人话就是：一个一个地看每个变量和“死亡”之间有没有统计学关联，同时考虑“时间”这个维度。

为什么不能像普通回归那样直接把死亡当作二分类结局做Logistic回归？因为院内死亡天然带有一个时间维度——有的患者入院当天就去世，有的治疗两周后去世，还有的住了一个月转出去了。如果只看“死没死”，就丢失了“多久死的”这个极其重要的信息。生存分析把每一个患者的随访时间纳入模型，效率更高、信息更全，也更能反映临床实际。

在研究流程上，单因素分析通常承担两个职责：

• 筛选变量：从几十个潜在影响因素中，先用单因素分析筛出P<0.05或者P<0.10的变量，作为后续多因素Cox回归的候选者。
• 描述分布：用KM生存曲线展示不同组别的生存差异，这个图是论文里的标配，审稿人一定想看。

这个步骤听起来简单，但“怎么做才不被审稿人挑刺”是有讲究的。比如分组截点怎么定、时间起点选入院还是入ICU、截尾怎么处理、PH假定要不要检验，这些都是实际分析中必然遇到的问题。下面我一个个拆开讲。

2. 建库与数据提取：从MIMIC-IV里“捞”出你的研究人群

2.1 访问权限与建库环境

如果你是第一次接触MIMIC-IV，得先明确：数据库不是下载一个文件就能用的，它需要走官方申请流程。具体包括完成CITI项目的人体受试者保护培训课程，通过PhysioNet提交申请并签署数据使用协议。审核通过后，你会拿到PhysioNet的访问凭证，然后通过BigQuery（需要GCP账号）或直接下载CSV文件到本地。

多数人第一次做用的是本地PostgreSQL + pgAdmin的组合：下载的MIMIC-IV压缩包解压后有几十个CSV文件，用官方提供的postgres_load_data脚本导入到PostgreSQL数据库中。表比较大，导入可能需要一两个小时，属正常现象。

我个人建议：如果电脑配置一般，优先用BigQuery跑SQL，查询速度快很多。但BigQuery是收费的（虽然MIMIC-IV数据集本身免费，查询会产生少量费用），本地PostgreSQL胜在免费、离线可用、适合反复调试。我自己习惯本地建库，因为调试SQL非常频繁，省得心疼查询费。

注意：不管用哪种方式，MIMIC-IV的数据使用协议都明确规定，不得尝试重新识别患者身份，结果发布时需要遵守相应的数据使用条款。这是底线问题，别踩。

2.2 人群筛选与表格连接逻辑

MIMIC-IV的核心表结构其实没那么复杂，你只需要抓住几张表的关系：

• patients：患者基本信息（性别、出生日期、死亡日期），每个患者有唯一的subject_id。
• admissions：住院记录（入院时间、出院时间、院内死亡标志、入院科室等），每次住院有唯一的hadm_id。
• icustays：ICU住院记录（入ICU时间、出ICU时间），每次ICU入住有唯一的icustay_id。
• d_icd_diagnoses + diagnoses_icd：诊断编码，用于提取合并症。

如果你的研究定义的是“住院期间死亡”，那么分析单位是“一次住院”，也就是以admissions表为主表；如果你研究的是“ICU内死亡”，那分析单位就是“一次ICU入住”，就要以icustays为主表。注意，一个患者可能多次住院，一次住院也可能多次入ICU，别把层级搞混了。

一个典型的人群筛选SQL逻辑大概是这样的：

SELECT a.subject_id , a.hadm_id , p.gender , a.admittime , a.dischtime , a.hospital_expire_flag , a.deathtime , DATEDIFF(day, a.admittime, a.dischtime) AS los_hospital FROM admissions a LEFT JOIN patients p ON a.subject_id = p.subject_id WHERE a.hospital_expire_flag IS NOT NULL

这里常用的排除标准包括：年龄小于18岁、住院时间小于24小时（这类患者指标收集不全）、重复住院只取第一次、关键变量缺失等。排除标准直接影响队列大小和研究质量，要在论文方法里写清楚，前因后果都要给出来。

2.3 关键时间变量与结局：院内死亡如何判定

我们做的生存分析，核心是一个两元组：生存时间time + 结局事件event。

在MIMIC-IV里，“院内死亡”的判定有两个地方可以看到：admissions表里的hospital_expire_flag（1=死亡，0=存活出院），以及patients表里的dod（死亡日期）。注意，dod是患者的总死亡日期，包含出院后死亡；而hospital_expire_flag才是严格意义上的“院内死亡”。做这个课题，结局变量必须用hospital_expire_flag，不能直接用dod，除非你在研究长期生存。

生存时间的计算方式，我建议这样定义：

• 起点：入院时间（admittime），这是最自然的临床起点。
• 终点：死亡时间（deathtime）减去入院时间；如果存活出院，则将出院时间（dischtime）减去入院时间，并且标记为截尾（event = 0）。

用SQL来算就是：

SELECT a.subject_id , a.hadm_id , a.hospital_expire_flag AS event , CASE WHEN a.hospital_expire_flag = 1 THEN DATEDIFF(hour, a.admittime, a.deathtime)/24.0 ELSE DATEDIFF(hour, a.admittime, a.dischtime)/24.0 END AS time_days FROM admissions a

这里有一个细节很多人一开始不注意：天数是带小数的。ICU患者的生存时间往往以小时计，“入院当天死亡”和“住院0.8天死亡”在生存分析里会被当作不同的时间点处理。有些人在这一步取整，等于白白丢掉了时间精度，不建议这么做。

2.4 变量字典设计：单因素分析到底该纳入哪些因素

单因素分析不是把数据库里所有字段都拿来跑一遍P值。变量的选择必须基于临床意义和研究目的，建议先把变量清单列成一张字典表，包含变量名、类型（连续/分类）、来源表、提取方式、分组方式。

以“院内死亡”这个结局为例，常用变量大概可以分为几类：

• 人口学特征：年龄、性别、BMI。
• 生命体征与病情严重程度：入ICU后24小时内的平均心率、平均动脉压、体温、呼吸频率；SOFA评分、GCS评分、APS-III评分。
• 实验室指标：入ICU后24小时内最差值或首次值，包括白细胞、血红蛋白、血小板、肌酐、尿素氮、乳酸、胆红素、白蛋白等。
• 合并症：高血压、糖尿病、慢性肾脏病、慢性阻塞性肺疾病、心力衰竭、肝硬化、肿瘤等，通常从ICD诊断编码提取。
• 治疗相关：是否机械通气、是否使用血管活性药物、是否CRRT治疗。

这里我想提醒一个常见误区：别把“住院天数”放进去做自变量。住院天数跟院内死亡有时间重叠，会产生时间依赖偏倚，审稿人一眼就能看出来。同样，别把出院时的变量（比如出院去向）放进预测模型，这些变量发生时结局已经差不多了。

变量的提取需要把patients、admissions、icustays、chartevents、labevents、d_items、d_labitems等表关联起来。比如心率和血压在chartevents表，需要先关联d_items找到对应的itemid，然后按subject_id和hadm_id聚合到入ICU后24小时内的均值，这一步是数据提取里最繁琐的部分，因为一个患者24小时内可能有好几百条生命体征记录。

3. 生存分析实操：KM曲线、Log-rank检验与单因素Cox回归

3.1 数据结构准备：从宽表到生存对象

数据提完之后，你会得到一张“一行一个患者”的宽表，每一列是一个变量，外加time和event两列。在做生存分析前，建议先做三件事：

• 检查缺失值：每个变量的缺失比例是多少？如果缺失超过30%，建议考虑剔除或设为“未知”组；缺失不多的连续变量，可以按中位数填补，但这要在论文里说明。
• 连续变量分组：单因素KM分析通常需要把年龄、SOFA评分、乳酸等连续变量变成分类变量，不然没法画两条曲线。分组方式要预设，不能跑完P值再“选一个最好看的分组”。
• 检查“时间=0”的记录：如果time是0，要确认是不是当天入院当天死亡。这种记录在生存分析里可保留，但某些软件（如SPSS的时间格式）可能会出问题。

在R语言里，生存对象构造是这样：

library(survival) library(survminer) df$surv_obj <- with(df, Surv(time = time_days, event = hospital_expire_flag))

这里的time_days必须为数值型，event为0/1。构造完成后，可以用head()检查一下前几行，确认事件编码正确——这是一个很多人忽略的动作，但非常值得做。

3.2 Kaplan-Meier曲线怎么画才有说服力

KM曲线是单因素生存分析的“门面”，论文里几乎必放。画图本身不难，难在设计：

fit <- survfit(Surv(time_days, hospital_expire_flag) ~ age_group, data = df) ggsurvplot( fit, data = df, pval = TRUE, # 显示Log-rank P值 conf.int = TRUE, # 置信区间带 risk.table = TRUE, # 风险人数表 xlab = "Time (days)", ylab = "Survival probability", break.time.by = 5, ggtheme = theme_classic() )

有几个细节：conf.int建议显示，审稿人喜欢；risk.table建议开启，能让读者看到每个时间点的风险人数，特别是随访后期人数少、曲线不稳的时候；pval是Log-rank检验的结果，必须和文中一致，别出现图和文字P值对不上的情况。

时间轴的单位建议用“天”，如果你的分析时间窗口只有30天，可以把x轴截断到30天，别把整个住院过程拉得太长——后期风险人数太少，曲线尾巴会非常难看。如果你的研究聚焦早期死亡（如7天或30天死亡），也可以把结局时间截断在相应的时间点，这叫里程碑生存分析，也是个不错的思路。

3.3 Log-rank检验与单因素Cox回归的配合

KM曲线只能展示“分组差异是否存在”，要得到正式的统计检验结果，用Log-rank检验：这是一个非参数检验，比较的是整条生存曲线的分布差异，不假设风险函数的具体形式，是最常用、审稿人最接受的做法。

在R里，一行代码：

survdiff(Surv(time_days, hospital_expire_flag) ~ age_group, data = df)

如果你想看每个变量对死亡风险的影响大小（HR值），就需要跑单因素Cox回归：

cox_fit <- coxph(Surv(time_days, hospital_expire_flag) ~ age_group, data = df) summary(cox_fit)

单因素Cox回归的输出会有每一组的系数、HR、95%置信区间、P值。这就是你论文结果表格里的核心数据：每一行是一个变量，列分别为变量名、分组、HR（95%CI）、P值。

这里要注意：很多人在单因素分析时直接把连续变量放进去跑Cox，这样得到的HR是“年龄每增加1岁的风险比”。这当然可以，但如果你同时还要画KM曲线，就需要把变量分组后再跑一次，保持图与表的一致性。

另一个容易被忽略的点是PH假定。Cox回归要求各个分组风险成比例，如果你的分组KM曲线有交叉，说明PH假定很可能不成立。可以用cox.zph()检验：

test <- cox.zph(cox_fit) print(test)

如果P<0.05，说明该变量违反了PH假定，这时可以改用时间分层Cox回归、或者把变量作为时变协变量处理，再或者直接放弃该变量的Cox结果、只用Log-rank描述差异。这个内容很多教程不提，但你在回复审稿人意见时几乎一定会遇到。

4. 结果整理与展示：把分析结果变成论文级图表

4.1 森林图的制作要点

单因素分析纳入十几个变量时，结果表格会很长。用森林图（Forest Plot）来展示单因素Cox回归的结果，一页图就能浓缩全部信息：每个变量一行，点代表HR，横线代表95%CI，竖线是HR=1的参考线，点在右侧说明风险增加，在左侧说明风险降低。

R里的survminer包自带ggforest()，适配coxph对象：

ggforest(cox_fit, data = df)

但对多变量模型，多个coxph对象不便于直接绘制森林图。如果是多因素模型，建议用forestplot包手动作图，把每个变量的HR和CI从模型结果中提取出来，做成数据框再画：

• 第一个要点：变量顺序按临床重要性或P值排序，别乱排。
• 第二个要点：HR和CI保留两位小数，P值标记星号。
• 第三个要点：参考组的HR固定为1，不显示CI。
• 第四个要点：分类变量要标注清楚哪个是参考组，避免图表误导。

还有一个小技巧：如果某个变量的HR特别大或者CI特别宽，检查一下是不是该组事件数太少。比如“某些罕见合并症”可能只有10个人、其中9人死亡，HR=8但CI从2到40，这种结果没有实际意义，建议在论文中说明或剔除以避免给读者造成误导。

4.2 三线表与报告呈现规范

除了图，单因素生存分析的结果通常用三线表呈现。表格结构一般是：“变量 | 分组 | 例数（%） | 事件数（%） | HR（95%CI） | P值”。

列名要交代清楚：分类变量通常给出每个类别的例数和事件数；连续变量如果按分组呈现，还要给出中位数和四分位数间距。

如果单因素分析筛选出来的变量较多，建议分两个表格：第一个表放人口学特征和临床特征，第二个表放实验室指标和评分系统。两个表都用相同的格式，方便读者对照。

关于P值的阈值：传统上用0.05，但做单因素筛选变量时建议放宽到0.10甚至0.20，避免漏掉潜在的重要变量。这一点要在文章的统计学方法处明确说明，避免“我先用P<0.05筛选再进多因素”但是把多因素模型里出现了P=0.07的变量挂上去的尴尬情况（其实这也是可以的，只要你写了）. 总之，标准要前后一致。

5. 常见问题与避坑实录

5.1 时间变量“一错毁所有”的坑

我在检查别人代码时见过最多的错误，是把DATEDIFF的单位当成小时、或者把时间单位混用导致生存时间变成负数。比如admittime和deathtime的时区问题：MIMIC-IV的时间都是UTC时间，同一个患者的所有时间是同一时区，做差没问题。但如果你把入院时间和出院时间分别从不同表里取出来，而某一张表的时区被数据库设置改过，那做差就尴尬了。

实操建议：每完成一个时间变量的计算，马上用summary()看一下最小值、最大值和分布。如果出现负数，立刻回头检查连接条件。

5.2 缺失值处理策略

院内死亡研究中，最常缺的是早期实验室指标——有些患者入院不到一小时就死亡，根本没来得及抽血。这种情况下如果直接删除这些患者，等于把最危重的人群删除了，会引入严重的选择偏倚。

我的做法是这样的：先统计每个变量的缺失比例。对于缺失率低的变量，用多重插补或中位数填充；对于缺失率高的变量，在单因素分析时增加一个“缺失”分组。在模型中把“缺失”作为一个类别放进去，既保留了样本量，也能看出“未测量”这个行为本身是否与结局有关——这在重症研究中是一个被广泛认可的策略。

5.3 分组截点怎么定

这是单因素KM分析最容易被质疑的地方：年龄为什么分65岁而不是60？乳酸为什么用2.0而不是2.5？

几个稳妥做法：

• 临床公认截点。比如SOFA≥2分定义器官功能障碍、乳酸>2mmol/L提示组织缺氧，这类截点优先用。
• 中位数或三分位数。如果变量没有公认截点，在中位数或三分位数处分组，并在文中说明。
• ROC曲线找Youden指数最优截点。这种方法适合自己做探索性研究，但容易过拟合，尤其是样本量不大时要小心。

无论用哪种方式，都要在方法部分明确说明“分组截点依据XX文献/中位数/Youden指数”。千万别跑完结果再倒推一个截点，这是学术不端嫌疑。

5.4 PH假定检验未通过怎么办

我在跑乳酸这个变量时，KM曲线在最初24小时分开得特别明显，但5天之后两条曲线基本平行甚至靠在一起，cox.zph检验P<0.001。这说明乳酸的风险效应随时间衰减，单因素Cox的HR是一个“平均效应”，不太准确。

处理办法有几种：

• 用时间分层Cox回归：按时间把随访分为两段，分别估计HR。
• 用时变协变量：在模型里加入“变量×时间”的交互项。
• 如果变量是分组变量，可以考虑用限制性平均生存时间（RMST）代替Cox回归。RMST不依赖PH假定，且临床解释更直观，近年来在医学论文里越来越常见。

对单因素分析来说，我的建议是：如果是连续暴露变量，先看KM曲线；若PH假定明显不满足，就报告Log-rank检验和RMST，而不是强行报告一个违背假定的HR。写论文时在统计方法里加一句“对违背PH假定的变量，采用RMST或分层Cox模型进行敏感性分析”，审稿人对这种细节非常买帐。

5.5 软件操作与报错速查

上面这些坑，说起来都是小事，但每一个都能卡住你半天到一天。我的习惯是，每跑一个变量，就把结果截图放进一个笔记软件，标注日期和数据版本。这样跟导师或合作者讨论时，拿着截图说“这是5月10日队列、排除标准XXX的结果”会非常清楚，免得隔了一周自己都忘了用的哪版数据。

最后分享几个我反复用的小习惯

我在做MIMIC-IV分析的一开始，走过很多弯路，有几个习惯后来一直保留下来：第一，每次跑数之前先把SQL执行时间记录一下，避免改了一个条件就重新全表扫描，浪费时间；第二，所有从数据库导出的数据文件都按日期命名，比如“cohort_20250115.csv”，因为MIMIC数据库会更新版本，旧分析可能在新版本上不成立；第三，正式的论文结果表格里，我倾向保留每一条排除标准的患者数，这是一张流程图，也是论文严谨性的体现。

关于KM曲线，还有一个不多人提的小技巧：如果曲线尾部因为风险人数少变得很粗，可以在ggsurvplot里用censor.shape和censor.size调一下删失点样式，并在figure legend里注明“竖线代表删失”，这样图面干净很多。审稿人对图的观感很敏感，一张干净的图能省去很多解释成本。

做完单因素生存分析之后，自然的路子是进入多因素Cox回归或者构建列线图预测模型。但如果你在这第一步就做到了变量定义合理、时间变量准确、PH假定检验到位、结果展示规范，后面的路会顺畅很多——因为你的数据底子是干净的，后续哪怕加复杂算法，也不会被“垃圾进、垃圾出”的问题反复折磨。

希望这篇文章能让你少走一些弯路。如果后续需要，我也可以把提取合并症ICD编码的SQL、生成MMIC-IV队列的完整代码，以及从宽表到三线表的一站式R脚本整理出来再分享一篇。