匯東華

LIVE26-11｜2 小時線上直播

病人先走了，中風還算得出來嗎？

Cox proportional hazards model 不夠用？什麼時候要考慮競爭風險。2 小時，不寫程式：學會判斷「什麼時候 Cox 與 Kaplan–Meier 不夠用」、看懂累積發生率與兩種風險比，並能讀懂一篇競爭風險研究。

在 136,156 位 66 歲以上心房顫動長者中，1−KM 把中風發生率多估了將近四成（相對高估 39%）；5 年內未中風就先過世的有 48.8%，中風只有 5.4%（Abdel-Qadir et al., 2018）。

這堂課幫你解決 4 個卡關點

01

病人先走了，事件還算得出來嗎？

長者中風前先死亡，就是競爭事件。先學會認出它，以及它發生得多不多。

02

把死亡當設限，代價是什麼？

Cox／KM 把它當設限，等於假設「這個人之後仍可能發生事件」，1−KM 因此高估；競爭事件越常見、追蹤越久，高估越多。

03

兩種 HR，到底回答哪個問題？

病因問題用 cause-specific HR；預後與絕對風險用 Fine-Gray（subdistribution HR）。同一變數，兩種 HR 為何不同。

04

讀得懂一篇競爭風險研究嗎？

用「讀競爭風險研究四問」檢視：結論有沒有超過它所用的估計量能說的範圍。

四個主題＋總結，從觀念一路走到文獻解析

01｜25 分鐘Cox 什麼時候不夠用？

競爭事件與 1−KM 高估

競爭事件：先發生，主要事件就不可能再發生（例：長者中風前先死亡）
Cox／KM 把它當設限，等於假設「這個人之後仍可能發生事件」，1−KM 因此高估；競爭事件越常見、追蹤越久，高估越多

02｜25 分鐘改用累積發生率（CIF）

10 位病人手算對照

Kim (2007) 的 10 人假設例：1−KM 得 0.69，CIF 得 0.48
怎麼讀 CIF 圖

03｜30 分鐘兩種 HR，怎麼選？

依研究問題選方法

病因問題 → cause-specific HR；預後／絕對風險 → Fine-Gray（subdistribution HR）
真實案例二（Schuster 2020）：同一變數，兩種 HR 為何不同

04｜25 分鐘文獻解析

真實案例解析

真實案例一（Abdel-Qadir 2018）全程解析
「讀競爭風險研究四問」

05｜5 分鐘總結

三個帶得走的觀念

讀競爭風險研究四問

競爭事件是什麼？發生得多不多？
累積風險用的是 1−KM 還是 CIF？
迴歸模型回答的是病因問題，還是預後問題？
結論有沒有超過它所用的估計量能說的範圍？

主課程 110 分鐘，另含 5 分鐘中場休息與 5 分鐘問答。

本課不含程式實作，想動手跑 R 請接 F26-08。

適合對象

用 Cox 或 Kaplan–Meier 分析事件發生資料，想判斷「什麼時候不夠用」的人
想看懂累積發生率與兩種風險比（cause-specific HR、subdistribution HR）的人
需要讀懂一篇競爭風險研究的人

學習路徑

Live26-07
存活曲線閱讀術：KM圖解讀

→

本課 Live26-11
Cox 不夠用？什麼時候要考慮競爭風險
11/13（五）夜間直播

→

F26-08
AI 助力 R 進階存活分析：競爭風險模型
11/21（六）高雄實體

課程資訊

課程主題 Cox proportional hazards model 不夠用？什麼時候要考慮競爭風險

課程編號 Live26-11

直播日期 2026/11/13（五）

直播時間 18:30-20:30（共 2 小時）

授課方式線上直播（Google Meet）；報名後寄送直播連結

講師陳秀敏博士（匯東華統計顧問有限公司執行長）

課程費用 NT$ 2,500　會員價 NT$ 2,125

招生名額 30 名

錄影回放課後 14 天回放，僅限報名學員

說明：課程引用之真實文獻案例僅供教學判讀練習，不代表對特定治療的臨床建議。

核心參考來源

Austin PC, Lee DS, Fine JP. Introduction to the analysis of survival data in the presence of competing risks. Circulation. 2016;133:601–609. doi:10.1161/CIRCULATIONAHA.115.017719
Abdel-Qadir H, et al. Importance of considering competing risks in time-to-event analyses: application to stroke risk in a retrospective cohort study of elderly patients with atrial fibrillation. Circ Cardiovasc Qual Outcomes. 2018;11:e004580. doi:10.1161/CIRCOUTCOMES.118.004580
Schuster NA, et al. Ignoring competing events in the analysis of survival data may lead to biased results: a nonmathematical illustration of competing risk analysis. J Clin Epidemiol. 2020;122:42–48.
Coemans M, et al. Bias by censoring for competing events in survival analysis. BMJ. 2022;378:e071349. doi:10.1136/bmj-2022-071349