Słownik metodologiczny · Wielkość efektu

RMST – ograniczony średni czas przeżycia: alternatywa dla ilorazu hazardów

RMST to średni czas przeżycia do ustalonego horyzontu, czyli pole pod krzywą Kaplana–Meiera. Pokazujemy, jak go interpretować, jak wybrać horyzont τ i jak policzyć różnicę RMST w R pakietem survival.

W skrócie: RMST (ograniczony średni czas przeżycia) to średni czas wolny od zdarzenia od 0 do ustalonego horyzontu τ, równy polu pod krzywą przeżycia. Nie wymaga proporcjonalności hazardów, a różnicę RMST podaje się w jednostkach czasu: w przykładzie leczenie daje 3.02 miesiąca więcej w ciągu 24 miesięcy, 95% CI [1.33, 4.70].

Co to jest RMST?

RMST (ang. restricted mean survival time, ograniczony średni czas przeżycia) to średni czas przeżycia od 0 do wybranego horyzontu τ. Można go oszacować jako pole pod krzywą Kaplana–Meiera do tego punktu (Royston i Parmar, 2013). RMST przy τ = 24 miesiące mówi, ile miesięcy z pierwszych dwóch lat przeciętna osoba przeżywa bez zdarzenia. Ograniczenie do τ jest potrzebne, bo przy obserwacjach cenzurowanych krzywa często nie schodzi do zera i zwykłej średniej nie da się wyznaczyć.

Dlaczego zamiast ilorazu hazardów?

W analizie przeżycia efekt podaje się zwykle jako iloraz hazardów z modelu Coxa, co zakłada proporcjonalność hazardów. Uno i in. (2014) zwracają uwagę, że przy naruszeniu tego założenia HR jest trudny lub niemożliwy do interpretacji klinicznej, i zalecają z góry określoną, klinicznie sensowną miarę niezależną od modelu. Royston i Parmar (2013) proponują RMST i test różnicy RMST jako alternatywę także przy planowaniu badania. Różnica RMST ma jednostkę czasu, więc łatwo ją przekazać pacjentom i decydentom.

Przykład

W symulacji dwóch grup po 200 osób, przy τ = 24 miesiące, RMST wynosi 13.4 miesiąca w grupie kontrolnej i 16.4 miesiąca w grupie leczonej. Różnica to 3.02 miesiąca, 95% CI [1.33, 4.70]. Ten sam efekt jako HR = 0.65 [0.52, 0.83] mówi o względnym spadku hazardu, ale nie o tym, ile czasu zyskują pacjenci.

Na rysunku

Oba rysunki korzystają z danych z przykładu (2 × 200 osób, obserwacja do 36 miesięcy).

Dwa rzędy paneli. A: dwie krzywe Kaplana–Meiera od 0 do 24 miesięcy w osobnych panelach z zacienionym polem pod krzywą; w grupie kontrolnej (niebieskiej) pole opisano RMST = 13.4 mies., w grupie leczonej (pomarańczowej) RMST = 16.4 mies. B: obie krzywe na jednym wykresie od 0 do 36 miesięcy, krzywa leczenia (przerywana) leży wyżej, szare pole między krzywymi do pionowej linii w 24. miesiącu opisano jako różnicę RMST = 3.02 mies.
Rysunek 1. RMST jako pole pod krzywą Kaplana–Meiera do τ = 24 miesiące (A) i różnica RMST jako pole między krzywymi (B). Obliczenia: R, pakiety survival, ggplot2 i patchwork (dane symulowane, set.seed(604)).

Co widać. Pole pod krzywą do 24. miesiąca to 13.4 miesiąca w grupie kontrolnej i 16.4 miesiąca w grupie leczonej. Szare pole między krzywymi w panelu B to ich różnica, 3.02 miesiąca: tyle czasu bez zdarzenia zyskuje przeciętnie osoba leczona w pierwszych dwóch latach. Część krzywych za linią τ nie wchodzi do wyniku.

Na co uważać. Pole liczy się pod krzywą Kaplana–Meiera, a nie pod prostą łączącą punkty, więc przy kilku dużych schodkach na końcu wynik zależy od pojedynczych osób. Rysunek nie pokazuje też, ile osób zostało w obserwacji w okolicy τ – podaj to pod wykresem.

Podpis do pracy:

Rysunek 1. Krzywe Kaplana–Meiera w grupie kontrolnej i leczonej (n = 200 w każdej grupie) z zaznaczonym ograniczonym średnim czasem przeżycia (RMST) do 24 miesięcy. Uwaga. Panel A: pole pod krzywą każdej grupy do τ = 24 miesiące; panel B: pole między krzywymi odpowiada różnicy RMST.
Linia różnicy RMST (leczenie minus kontrola) z pasmem 95% przedziału ufności dla horyzontu τ od 6 do 36 miesięcy co 3 miesiące; różnica rośnie od 0.29 miesiąca przy τ = 6, gdy przedział obejmuje zero, przez 3.02 przy τ = 24 (zaznaczone kółkiem), do 4.78 miesiąca przy τ = 36; pasmo przedziału rozszerza się z τ
Rysunek 2. Różnica RMST (leczenie − kontrola) z 95% CI w zależności od horyzontu τ; kółko oznacza τ = 24 miesiące z przykładu. Obliczenia: R, pakiety survival i ggplot2 (dane symulowane, set.seed(604)).

Co widać. Te same dane dają różnicę 0.29 miesiąca, 95% CI [−0.02, 0.60], przy τ = 6, 1.11 miesiąca przy τ = 12, 3.02 przy τ = 24 i 4.78 miesiąca, 95% CI [2.32, 7.23], przy τ = 36. Przy hazardach proporcjonalnych krzywe rozchodzą się z czasem, więc dłuższy horyzont daje większe pole między nimi.

Na co uważać. To ilustracja, dlaczego τ ustala się przed analizą: wybór horyzontu po obejrzeniu tego wykresu pozwala „dobrać” wynik. Wartości z prawego końca, przy τ = 36, opierają się na nielicznych osobach, które pozostały w obserwacji. Rysunek 2 przeznaczony jest do analizy wrażliwości w aneksie, a nie zamiast wyniku głównego.

Kod obu rysunków jest samowystarczalny. Rysunki na stronie powstały z tego samego kodu, w którym podmieniono tylko motyw (krój czcionki, siatka).

Kod R rysunku 1 i 2
# Rysunki 1–2. RMST jako pole pod krzywą Kaplana–Meiera do τ i różnica RMST w funkcji τ
library(survival)
library(ggplot2)
library(patchwork)

kol <- c(kontrola = "#0072B2", leczenie = "#D55E00")   # Okabe–Ito, czytelne przy deuteranopii
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold", size = rel(0.95)))

set.seed(604)                                    # dane z przykładu w haśle
n <- 200; tau <- 24
t_k <- rexp(n, rate = 1 / 20); t_l <- rexp(n, rate = 1 / 30)
d <- data.frame(grupa = rep(c("kontrola", "leczenie"), each = n), t = c(t_k, t_l))
d$czas <- pmin(d$t, 36, runif(2 * n, 12, 48))
d$zd <- as.numeric(d$t <= d$czas)
km <- survfit(Surv(czas, zd) ~ grupa, data = d)

# Krzywe jako schodki: dla każdego czasu zdarzenia punkt przed spadkiem i po nim
schodki <- function(f, g, do = 36) {
  ff <- f[g]; t <- ff$time[ff$time <= do]; s <- ff$surv[ff$time <= do]
  data.frame(grupa = g, czas = c(0, rep(t, each = 2), do),
             S = c(1, 1, rep(s, each = 2)[-2 * length(s)], s[length(s)], s[length(s)])[seq_len(2 * length(t) + 2)])
}
krzywe <- rbind(schodki(km, "grupa=kontrola"), schodki(km, "grupa=leczenie"))
krzywe$grupa <- sub("grupa=", "", krzywe$grupa)
pole <- subset(krzywe, czas <= tau)
pole <- rbind(pole, do.call(rbind, lapply(split(pole, pole$grupa), function(x) transform(x[nrow(x), ], czas = tau))))
pole <- pole[order(pole$grupa, pole$czas, -pole$S), ]

# RMST do τ = 24 (pole pod krzywą) – te same liczby co w przykładzie
rm24 <- summary(km, rmean = tau)$table[, "rmean"]; names(rm24) <- c("kontrola", "leczenie")
round(c(rm24, roznica = unname(diff(rm24))), 2)

# A: pole pod każdą krzywą osobno
etyk <- data.frame(grupa = names(rm24), x = tau / 2, y = 0.25,
                   txt = sprintf("RMST = %.1f mies.", rm24))
pA <- ggplot(pole, aes(czas, S)) +
  geom_polygon(data = do.call(rbind, lapply(split(pole, pole$grupa), function(x)
    rbind(x, data.frame(grupa = x$grupa[1], czas = c(tau, 0), S = 0)))), aes(fill = grupa), alpha = 0.35) +
  geom_path(aes(colour = grupa), linewidth = 0.8) +
  geom_vline(xintercept = tau, linetype = "22") +
  geom_text(data = etyk, aes(x, y, label = txt), size = 3.8) +
  facet_wrap(~ grupa) + scale_fill_manual(values = kol) + scale_colour_manual(values = kol) +
  scale_x_continuous("Miesiące", breaks = seq(0, 24, 6), limits = c(0, tau)) +
  scale_y_continuous("Odsetek bez zdarzenia", labels = function(x) paste0(100 * x, "%")) +
  labs(title = "A. RMST = pole pod krzywą do τ = 24") + guides(fill = "none", colour = "none")

# B: różnica RMST = pole między krzywymi (dwie krzywe na wspólnej siatce czasu)
siatka <- seq(0, tau, by = 0.05)
S_t <- sapply(c(kontrola = "grupa=kontrola", leczenie = "grupa=leczenie"), function(g)
  stepfun(km[g]$time, c(1, km[g]$surv))(siatka))
miedzy <- data.frame(czas = siatka, dol = pmin(S_t[, 1], S_t[, 2]), gora = pmax(S_t[, 1], S_t[, 2]))
pB <- ggplot() +
  geom_ribbon(data = miedzy, aes(czas, ymin = dol, ymax = gora), fill = "grey60", alpha = 0.5) +
  geom_path(data = subset(krzywe, czas <= 36), aes(czas, S, colour = grupa, linetype = grupa), linewidth = 0.8) +
  geom_vline(xintercept = tau, linetype = "22") +
  annotate("text", x = 15, y = 0.82, hjust = 0, size = 3.8,
           label = sprintf("szare pole = różnica RMST\n= %.2f mies.", diff(rm24))) +
  scale_colour_manual(NULL, values = kol) + scale_linetype_manual(NULL, values = c("solid", "22")) +
  scale_x_continuous("Miesiące", breaks = seq(0, 36, 6)) +
  scale_y_continuous("Odsetek bez zdarzenia", limits = c(0, 1), labels = function(x) paste0(100 * x, "%")) +
  labs(title = "B. Różnica RMST = pole między krzywymi")
p1 <- (pA / pB) & motyw
p1

# Rysunek 2: różnica RMST (leczenie − kontrola) z 95% CI dla różnych τ
taus <- seq(6, 36, by = 3)
wg_tau <- do.call(rbind, lapply(taus, function(tt) {
  r <- summary(km, rmean = tt)$table[, c("rmean", "se(rmean)")]
  roz <- r[2, 1] - r[1, 1]; se <- sqrt(sum(r[, 2]^2))
  data.frame(tau = tt, roznica = roz, dolny = roz - 1.96 * se, gorny = roz + 1.96 * se)
}))
print(round(wg_tau, 2), row.names = FALSE)
p2 <- ggplot(wg_tau, aes(tau, roznica)) +
  geom_hline(yintercept = 0, colour = "grey40") +
  geom_ribbon(aes(ymin = dolny, ymax = gorny), fill = kol[["leczenie"]], alpha = 0.2) +
  geom_line(colour = kol[["leczenie"]], linewidth = 0.8) + geom_point(colour = kol[["leczenie"]], size = 2) +
  geom_point(data = subset(wg_tau, tau == 24), shape = 21, size = 4.5, stroke = 1.1) +
  scale_x_continuous("Horyzont τ (miesiące)", breaks = seq(6, 36, 6)) +
  scale_y_continuous("Różnica RMST (miesiące)") +
  labs(title = "Różnica RMST rośnie z τ; kółko: τ = 24 z przykładu") + motyw
p2
Wynik w R
kontrola leczenie  roznica 
   13.36    16.38     3.02 
 tau roznica dolny gorny
   6    0.29 -0.02  0.60
   9    0.67  0.14  1.20
  12    1.11  0.34  1.87
  15    1.62  0.62  2.62
  18    2.16  0.93  3.39
  21    2.62  1.16  4.08
  24    3.02  1.33  4.70
  27    3.53  1.63  5.42
  30    4.06  1.96  6.16
  33    4.48  2.20  6.77
  36    4.78  2.32  7.23

Na co uważać

  • Horyzont τ ustal przed analizą. Wynik zależy od τ; jego dobór po obejrzeniu krzywych to ukryta elastyczność analizy.
  • Nie wychodź poza dane. Gdy pod koniec obserwacji w zbiorze ryzyka zostaje niewiele osób, oszacowanie jest niestabilne.
  • RMST to nie średni czas przeżycia w ogóle. Opisuje tylko okres do τ i zawsze trzeba podać τ.
  • Brak proporcjonalności, wykryty np. resztami Schoenfelda, to typowy powód, by raportować RMST obok HR albo zamiast niego.

Analizę przeżycia od krzywych do modelu pokazuje wpis Kaplan–Meier i model Coxa krok po kroku.

Przykład reprodukowalny

RMST w R

Kod symuluje dwie grupy z cenzurowaniem, liczy RMST do τ = 24 miesiące funkcją survfit() z argumentem rmean, różnicę RMST z 95% CI (błędy standardowe z survival, grupy niezależne) i dla porównania HR z modelu Coxa. Na końcu powtarza obliczenia funkcją rmst2() z pakietu survRM2. Liczby w tekście pochodzą z tego kodu.

RMST, różnica RMST i HR

Dane wejściowe: 2 × 200 osób, czasy z rozkładu wykładniczego (średnio 20 i 30 miesięcy), cenzurowanie losowe i po 36 miesiącach (dane symulowane, set.seed(604)).

Co odczytać: kolumna rmean: 13.4 i 16.4 miesiąca; różnica RMST = 3.02 [1.33, 4.70]; HR = 0.65 [0.52, 0.83]. Funkcja survRM2::rmst2() daje ten sam wynik co obliczenie ręczne: RMST 13.359 i 16.377, różnica 3.019 [1.334, 4.703], p < .001.

R
library(survival)
set.seed(604)                                    # 2 × 200 osób, obserwacja do 36 miesięcy
n <- 200; tau <- 24                              # τ = 24 miesiące, ustalone przed analizą
t_k <- rexp(n, rate = 1 / 20)                    # grupa kontrolna: mediana ok. 14 miesięcy
t_l <- rexp(n, rate = 1 / 30)                    # leczenie: hazard niższy o 1/3
d <- data.frame(grupa = rep(c("kontrola", "leczenie"), each = n), t = c(t_k, t_l))
d$czas <- pmin(d$t, 36, runif(2 * n, 12, 48))     # cenzurowanie administracyjne i losowe
d$zd <- as.numeric(d$t <= d$czas)
km <- survfit(Surv(czas, zd) ~ grupa, data = d)
print(km, rmean = tau)                           # kolumny rmean i se(rmean)
rm <- summary(km, rmean = tau)$table[, c("rmean", "se(rmean)")]
roznica <- unname(rm[2, 1] - rm[1, 1]); se <- sqrt(sum(rm[, 2]^2))
round(c(roznica = roznica, dolny = roznica - 1.96 * se, gorny = roznica + 1.96 * se), 2)
round(summary(coxph(Surv(czas, zd) ~ grupa, data = d))$conf.int[, c(1, 3, 4)], 2)
# To samo funkcją rmst2() z pakietu survRM2 (arm = 1: leczenie)
survRM2::rmst2(d$czas, d$zd, arm = as.numeric(d$grupa == "leczenie"), tau = tau)
Wynik w R
Call: survfit(formula = Surv(czas, zd) ~ grupa, data = d)

                 n events rmean* se(rmean) median 0.95LCL 0.95UCL
grupa=kontrola 200    156   13.4     0.617   12.2    10.8    15.3
grupa=leczenie 200    129   16.4     0.598   19.8    17.0    24.6
    * restricted mean with upper limit =  24 
roznica   dolny   gorny 
   3.02    1.33    4.70 
exp(coef) lower .95 upper .95 
     0.65      0.52      0.83 

The truncation time: tau = 24  was specified. 

Restricted Mean Survival Time (RMST) by arm 
               Est.    se lower .95 upper .95
RMST (arm=1) 16.377 0.598    15.204    17.550
RMST (arm=0) 13.359 0.617    12.150    14.568


Restricted Mean Time Lost (RMTL) by arm 
               Est.    se lower .95 upper .95
RMTL (arm=1)  7.623 0.598     6.450     8.796
RMTL (arm=0) 10.641 0.617     9.432    11.850


Between-group contrast 
                      Est. lower .95 upper .95     p
RMST (arm=1)-(arm=0) 3.019     1.334     4.703 0.000
RMST (arm=1)/(arm=0) 1.226     1.092     1.376 0.001
RMTL (arm=1)/(arm=0) 0.716     0.592     0.867 0.001

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety survival i survRM2; rysunki 1 i 2 – także pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. survRM2 (wersja 1.0.4): Uno, H., Tian, L., Horiguchi, M., Cronin, A., Battioui, C., & Bell, J. (2022). survRM2: Comparing restricted mean survival time [R package]. https://doi.org/10.32614/CRAN.package.survRM2
  3. survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R (R package version 3.8-6) [Computer software]. https://CRAN.R-project.org/package=survival
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Jak zinterpretować różnicę RMST?

To różnica średniego czasu przeżytego bez zdarzenia w okresie od 0 do τ. W przykładzie różnica 3.02 miesiąca przy τ = 24 oznacza, że w ciągu pierwszych dwóch lat osoby leczone przeżywają średnio o około 3 miesiące dłużej niż osoby z grupy kontrolnej.

Jak wybrać horyzont τ dla RMST?

Horyzont ustal przed analizą, najlepiej w protokole, na podstawie klinicznie sensownego okresu. Nie wybieraj go po obejrzeniu krzywych, bo wynik zależy od τ. Horyzont nie powinien wykraczać poza okres, w którym w obu grupach pozostaje jeszcze wystarczająco wiele osób w obserwacji.

Czym RMST różni się od mediany czasu przeżycia?

Mediana to jeden punkt krzywej – czas, w którym przeżycie spada do 50%, i nie istnieje, gdy krzywa nie zejdzie poniżej tej wartości. RMST podsumowuje całą krzywą do τ jako pole pod nią, więc wykorzystuje informację z całego okresu obserwacji.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Royston, P., & Parmar, M. K. B. (2013). Restricted mean survival time: An alternative to the hazard ratio for the design and analysis of randomized trials with a time-to-event outcome. BMC Medical Research Methodology, 13(1), Article 152. https://doi.org/10.1186/1471-2288-13-152 ● Otwarty dostęp
  2. Uno, H., Claggett, B., Tian, L., Inoue, E., Gallo, P., Miyata, T., Schrag, D., Takeuchi, M., Uyama, Y., Zhao, L., Skali, H., Solomon, S., Jacobus, S., Hughes, M., Packer, M., & Wei, L.-J. (2014). Moving beyond the hazard ratio in quantifying the between-group difference in survival analysis. Journal of Clinical Oncology, 32(22), 2380–2385. https://doi.org/10.1200/jco.2014.55.2208 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{royston2013restricted, author={Royston, Patrick and Parmar, Mahesh K. B.}, title={{Restricted mean survival time: An alternative to the hazard ratio for the design and analysis of randomized trials with a time-to-event outcome}}, journal={BMC Medical Research Methodology}, year={2013}, volume={13}, number={1}, eid={152}, doi={10.1186/1471-2288-13-152}}
@article{uno2014moving, author={Uno, Hajime and Claggett, Brian and Tian, Lu and Inoue, Eisuke and Gallo, Paul and Miyata, Toshio and Schrag, Deborah and Takeuchi, Masahiro and Uyama, Yoshiaki and Zhao, Lihui and Skali, Hicham and Solomon, Scott and Jacobus, Susanna and Hughes, Michael and Packer, Milton and Wei, Lee-Jen}, title={{Moving beyond the hazard ratio in quantifying the between-group difference in survival analysis}}, journal={Journal of Clinical Oncology}, year={2014}, volume={32}, number={22}, pages={2380--2385}, doi={10.1200/jco.2014.55.2208}}
R