Co to jest wykres pływaka?
Wykres pływaka (ang. swimmer plot) to wykres, na którym każdy pacjent ma własny poziomy pasek – od włączenia do badania do końca obserwacji. Na pasku zaznacza się zdarzenia w chwili, gdy wystąpiły: początek odpowiedzi na leczenie, progresję, zgon, zmianę dawki. Strzałka na końcu paska oznacza, że obserwacja trwa, czyli czas jest ocenzurowany. Wykres jest popularny w małych badaniach klinicznych, zwłaszcza onkologicznych, ale nadaje się do każdej niewielkiej kohorty obserwowanej w czasie. Masuoka (2025) użył go np. do pokazania reoperacji u wszystkich 130 pacjentów po zabiegu i narysował ten sam przebieg na dwóch osiach: lat od operacji i wieku.
Jak czytać wykres
- Długość paska to czas obserwacji, a nie czas przeżycia – pasek ze strzałką mógłby być dłuższy.
- Symbole na pasku to zdarzenia; odcinek od początku odpowiedzi do progresji to czas trwania odpowiedzi.
- Kolejność pasków wybiera autor – najczęściej według długości obserwacji albo według grupy leczenia.
- Kolor lub wypełnienie paska może oznaczać grupę, dawkę lub podtyp choroby; wtedy dodaj też podpis albo osobne panele.
Przykład
Symulowano 20 pacjentów włączanych przez 12 miesięcy; analizę wykonano 24 miesiące od startu badania, więc pacjenci włączeni później byli obserwowani krócej. Progresja wystąpiła u 17 pacjentów, a 3 nadal byli obserwowani. Odpowiedź na leczenie stwierdzono u 8 osób; obserwowany czas jej trwania wynosił od 1.7 do 14.6 miesiąca (mediana 6.8), przy czym u jednej osoby odpowiedź trwała w chwili analizy. Mediana czasu do progresji z krzywej Kaplana–Meiera (Kaplan i Meier, 1958) wyniosła 5.7 miesiąca, 95% CI [4.5, 11.2]. Parametry symulacji (tempo progresji, odsetek odpowiedzi 45%) ustawiono ręcznie; ziarna 739 nie zmieniano.
Na rysunku
set.seed(739)).Co widać. Każdy pacjent jest widoczny osobno: kto odpowiedział na leczenie, jak szybko i jak długo odpowiedź się utrzymała, u kogo obserwacja jeszcze trwa. Pacjenci z odpowiedzią mają wyraźnie dłuższe paski – mediana czasu obserwacji 8.65 wobec 4.25 miesiąca.
Na co uważać. Ta różnica nie dowodzi, że odpowiedź wydłuża czas do progresji. W symulacji odpowiedź losowano niezależnie od czasu do progresji; jedynym warunkiem było to, że pacjent musiał dotrwać bez progresji do pierwszej oceny. Anderson i in. (1983) pokazali, że takie porównanie pacjentów z odpowiedzią i bez niej jest obciążone na korzyść tych z odpowiedzią. Poprawne podejścia to analiza landmark albo odpowiedź jako zmienna zależna od czasu; ten sam mechanizm opisuje błąd czasu nieśmiertelnego.
Podpis do pracy:
Co widać. Krzywa streszcza te same 20 pasków w jedną funkcję: odsetek pacjentów bez progresji w każdym momencie, z poprawnym uwzględnieniem cenzurowania.
Na co uważać. Krzywa nie pokazuje, kto odpowiedział na leczenie, jak długo trwała odpowiedź ani który pacjent jest wciąż obserwowany. Wykres pływaka nie zastępuje jednak krzywej – na pojedynczych paskach nie da się odczytać mediany czasu do progresji, a zliczanie końców pasków ignoruje cenzurowanie. W małym badaniu warto pokazać oba.
Podpis do pracy:
Jak opisać w pracy
Na co uważać
- Brak oznaczenia cenzurowania. Pasek bez strzałki czytelnik weźmie za pełny czas do zdarzenia.
- Wnioski o skuteczności z porównań według odpowiedzi. To opis, nie test – patrz wyżej.
- Za dużo pacjentów. Powyżej kilkudziesięciu pasków wykres przestaje być czytelny; wtedy lepsza jest krzywa Kaplana–Meiera z tabelą liczby zagrożonych (wpis Kaplan–Meier i model Coxa krok po kroku). Procentową zmianę wyniku u każdego pacjenta pokazuje osobny wykres wodospadowy.
Wykres pływaka w R
Kod symuluje kohortę z rekrutacją rozłożoną w czasie, liczy podstawowe podsumowania i krzywą Kaplana–Meiera (survfit() z pakietu survival), a potem rysuje oba rysunki w ggplot2. Pasek to geom_segment(), zdarzenia to geom_point() z kształtem w legendzie, strzałka to geom_segment() z argumentem arrow. Rysunki na stronie powstały z obiektów p1 i p2 z motywem serwisu (krój, siatka); dane, geometrie i skale są identyczne.
Paski pacjentów i krzywa Kaplana–Meiera
R
# Wykres pływaka (swimmer plot) i krzywa Kaplana–Meiera dla 20 pacjentów (dane symulowane)
suppressPackageStartupMessages({library(ggplot2); library(survival)})
kol <- c(obserwacja = "grey75", odpowiedz = "#0072B2", progresja = "#D55E00") # Okabe–Ito + szarość
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank())
set.seed(739)
n <- 20
wejscie <- runif(n, 0, 12) # miesiąc włączenia do badania (rekrutacja przez rok)
t_prog <- rexp(n, rate = 1 / 9) # czas do progresji (miesiące)
t_max <- 24 - wejscie # analiza po 24 miesiącach od startu badania
czas <- round(pmin(t_prog, t_max), 1)
progresja <- as.integer(t_prog <= t_max) # 0 = obserwacja trwa (ocenzurowana)
odp_start <- round(runif(n, 1.5, 4), 1) # moment pierwszej oceny odpowiedzi
odpowiedz <- rbinom(n, 1, 0.45) == 1 & odp_start < czas
d <- data.frame(id = factor(seq_len(n)), czas, progresja, odpowiedz,
odp_start = ifelse(odpowiedz, odp_start, NA))
d$id <- factor(d$id, levels = d$id[order(d$czas)]) # najdłuższa obserwacja na górze
c(pacjenci = n, z_odpowiedzia = sum(d$odpowiedz), progresje = sum(d$progresja),
obserwacja_trwa = sum(d$progresja == 0))
round(summary(d$czas[d$odpowiedz] - d$odp_start[d$odpowiedz]), 1) # obserwowany czas trwania odpowiedzi
tapply(d$czas, ifelse(d$odpowiedz, "z_odpowiedzia", "bez_odpowiedzi"), median) # mediana czasu obserwacji
km <- survfit(Surv(czas, progresja) ~ 1, data = d)
round(summary(km)$table[c("median", "0.95LCL", "0.95UCL")], 1)
p1 <- ggplot(d, aes(y = id)) +
geom_segment(aes(x = 0, xend = czas, yend = id), colour = kol[["obserwacja"]], linewidth = 4) +
geom_segment(data = subset(d, odpowiedz), aes(x = odp_start, xend = czas, yend = id),
colour = kol[["odpowiedz"]], linewidth = 1.6) +
geom_point(data = subset(d, odpowiedz), aes(x = odp_start, shape = "początek odpowiedzi"),
colour = kol[["odpowiedz"]], size = 3) +
geom_point(data = subset(d, progresja == 1), aes(x = czas, shape = "progresja"),
colour = kol[["progresja"]], size = 3, stroke = 1.3) +
geom_segment(data = subset(d, progresja == 0), aes(x = czas, xend = czas + 1.2, yend = id),
arrow = arrow(length = unit(0.12, "inches"), type = "closed"), linewidth = 0.6) +
scale_shape_manual(values = c("początek odpowiedzi" = 17, "progresja" = 4), name = NULL) +
scale_x_continuous(breaks = seq(0, 24, 4), limits = c(0, 25.5)) +
labs(title = "Wykres pływaka: 20 pacjentów", x = "Miesiące od włączenia do badania", y = "Pacjent",
caption = "Szary pasek: czas obserwacji; niebieski odcinek: trwająca odpowiedź; strzałka: obserwacja trwa") +
motyw + theme(legend.position = "bottom")
krzywa <- data.frame(czas = c(0, km$time), s = c(1, km$surv))
cenz <- data.frame(czas = km$time[km$n.censor > 0], s = km$surv[km$n.censor > 0])
p2 <- ggplot(krzywa, aes(czas, s)) + geom_step(linewidth = 1) +
geom_point(data = cenz, shape = 3, size = 3) +
scale_x_continuous(breaks = seq(0, 24, 4), limits = c(0, 25.5)) +
scale_y_continuous(limits = c(0, 1)) +
labs(title = "Krzywa Kaplana–Meiera tych samych danych", x = "Miesiące od włączenia do badania",
y = "Odsetek bez progresji", caption = "Krzyżyki: obserwacje ocenzurowane") + motyw
p1
p2Wynik w R
pacjenci z_odpowiedzia progresje obserwacja_trwa
20 8 17 3
Min. 1st Qu. Median Mean 3rd Qu. Max.
1.7 2.8 6.8 7.1 9.9 14.6
bez_odpowiedzi z_odpowiedzia
4.25 8.65
median 0.95LCL 0.95UCL
5.7 4.5 11.2 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje bazowe runif(), rexp(), rbinom(), tapply(); krzywa Kaplana–Meiera – pakiet survival; rysunki – pakiet ggplot2). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R [R package]. https://CRAN.R-project.org/package=survival
Najczęstsze pytania
Skąd nazwa wykresu pływaka?
Poziome paski ułożone jeden nad drugim przypominają pływaków na torach basenu: każdy płynie swoim torem, a długość paska to dystans, czyli czas obserwacji. Nazwa jest umowna, wykres to odmiana poziomego wykresu słupkowego.
Czym wykres pływaka różni się od wykresu wodospadowego?
Wykres wodospadowy pokazuje u każdego pacjenta jedną liczbę, zwykle procentową zmianę wyniku, bez czasu. Wykres pływaka pokazuje czas: jak długo trwała obserwacja, kiedy pojawiła się odpowiedź i jak długo się utrzymała. Często publikuje się je razem.
Jak oznaczyć na wykresie pływaka pacjentów, którzy nadal są obserwowani?
Strzałką na końcu paska, skierowaną w prawo. Oznacza ona, że zdarzenie jeszcze nie wystąpiło i czas jest ocenzurowany – pasek pokazuje dolną granicę, a nie pełny czas do zdarzenia. W legendzie lub podpisie trzeba to wyjaśnić.
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 studentówBibliografia i dalsza literatura naukowa (APA 7)
- Anderson, J. R., Cain, K. C., & Gelber, R. D. (1983). Analysis of survival by tumor response. Journal of Clinical Oncology, 1(11), 710–719. https://doi.org/10.1200/jco.1983.1.11.710
- Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481. https://doi.org/10.1080/01621459.1958.10501452
- Masuoka, T. (2025). A modification of swimmer plot for overviewing the postoperative longitudinal course. JPRAS Open, 46, 50–53. https://doi.org/10.1016/j.jpra.2025.08.018 ● Otwarty dostęp
Cytowania BibTeX
@article{anderson1983analysis, author={Anderson, J. R. and Cain, K. C. and Gelber, R. D.}, title={{Analysis of survival by tumor response}}, journal={Journal of Clinical Oncology}, year={1983}, volume={1}, number={11}, pages={710--719}, doi={10.1200/jco.1983.1.11.710}}@article{kaplan1958nonparametric, author={Kaplan, E. L. and Meier, Paul}, title={{Nonparametric estimation from incomplete observations}}, journal={Journal of the American Statistical Association}, year={1958}, volume={53}, number={282}, pages={457--481}, doi={10.1080/01621459.1958.10501452}}@article{masuoka2025modification, author={Masuoka, Takeshi}, title={{A modification of swimmer plot for overviewing the postoperative longitudinal course}}, journal={JPRAS Open}, year={2025}, volume={46}, pages={50--53}, doi={10.1016/j.jpra.2025.08.018}}