您可以在模型上使用predict函数，提供连续变量的值和希望测量生存概率的时间。
让我们使用survival包中的lung示例，其中age作为感兴趣的连续变量：

library(survival)

model <- coxph(Surv(time, status) ~ age, data = lung)

字符串
现在，我们创建一个30 - 80岁的所有年龄段的数据框架，随访时间为6个月、1年和5年：

newdata <- expand.grid(age = 30:80, time = c(182, 365, 5*365), status = 1)

型
我们可以将其馈送到predict并获得生存概率，95%置信区间：

preds <- predict(model, newdata = newdata, type = 'expected', se.fit = TRUE)

newdata$pred <- exp(-preds$fit)
newdata$upper <- exp(-(preds$fit + 1.96 * preds$se.fit))
newdata$lower <- exp(-(preds$fit - 1.96 * preds$se.fit))

型
现在我们可以使用vanilla ggplot来绘制：

library(ggplot2)

ggplot(newdata, aes(age, pred, color = factor(time))) +
  geom_ribbon(aes(ymax = upper, ymin = lower, fill = factor(time)),
              alpha = 0.2, color = NA) +
  geom_line() +
  scale_fill_discrete('Time', labels = c('6 months', '1 year', '5 years')) +
  scale_color_discrete('Time', labels = c('6 months', '1 year', '5 years')) +
  scale_y_continuous('Survival probability', labels = scales::percent) +
  theme_minimal() +
  ggtitle(paste('Survival Probability according to age',
                'at 6 months, 1 year, 5 years'))

型
x1c 0d1x的数据

我最近发表了一篇关于这个主题的文章，名为“可视化连续变量对时间事件结果的（因果）影响”（https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10392888/）。它描述了多种不同的方法来可视化连续变量对生存概率的影响。例如，这是生存面积图：

的数据
您可以使用contsurvplot R程序包创建此图和其他类似的图，该程序包位于CRAN上：https://robindenz1.github.io/contsurvplot/
如果你想在x轴上显示连续变量，在y轴上显示生存概率，并在某些特定时间点上显示彩色线，你可以使用plot_surv_at_t函数。在这种情况下，与Allan卡梅隆给出的答案唯一的区别是，它允许你在考克斯模型中包括调整变量。