玻尔百科从医学到工程等领域，一个核心挑战不仅在于理解事件是否会发生，还在于理解其何时发生。这正是生存分析的范畴。生存分析致力于解决一个根本性问题：如何将与个体特定特征（如患者的健康状况）相关的风险，同仅仅因时间流逝而变化的普遍风险分离开来。Cox 比例风险模型通过一个名为基线风险函数的核心概念，为此提供了一个优雅的解决方案。基线风险通常被视为一个纯粹的统计麻烦，但实际上，它是一个强大的理念，掌握着解读风险和做出具体预测的关键。
本文将基线风险函数从一个技术细节提升为一个核心角色。在接下来的章节中，您将对这一至关重要的概念获得深刻而直观的理解。在“原理与机制”一章中，我们将剖析 Cox 模型，探究基线风险如何捕捉“时间的节律”，以及偏似然的魔力如何让我们通过巧妙地忽略基线风险来估计个人风险因素。随后，在“应用与跨学科联系”一章中，我们将探索其实际功用，了解它在预测绝对结果、讲述生物过程故事以及让我们的模型适应复杂多变的世界方面不可或缺的作用。
想象一下，您正试图理解为什么有些灯泡会比其他灯泡更快烧坏。您怀疑这与它们的制造工艺（如灯丝厚度）和使用情况（如电压波动）有关。但还有另一个因素在起作用：时间本身。一个已经亮了 1000 小时的灯泡，其本质上就不同于一个全新的灯泡。老化的过程本身就改变了它发生故障的倾向。无论是对于灯泡、人的生命，还是客户忠诚度，核心挑战都在于将普遍的、随时间变化的风险与个体的特定风险因素分离开来。
Cox 比例风险模型为此提供了一个异常优雅的解决方案。它提出，风险——即在事件尚未发生的情况下，立刻发生的瞬时风险——可以被分解为两个不同的部分。该模型著名的公式是：
让我们用应有的直觉来解读这个公式。
您可以将 想象成事件随时间变化的基本节律或脉搏。这是研究中所有受试者共同经历的旅程。对于术后恢复的患者来说，这个“基线风险”最初可能非常高，然后随时间推移而降低。对于一个群体中的人来说，死亡风险在年轻时较低，然后缓慢上升，到老年时则加速增长。对于一个机器部件，它可能遵循一条“浴盆曲线”：新的时候故障风险高（早期失效），然后是一段长期的低而稳定的风险期，最后随着磨损风险逐渐上升。这个函数 捕捉了风险随时间变化的整个动态形态。至关重要的是，这是一个假想的“参考”个体的风险，该个体所有测量的风险因素都为零。
第二部分 是一个单一的数字，充当个人风险乘数。 这一项是个体特定特征（即协变量 ）的加权和。如果您吸烟、有高血压等等，这个和就会更大。如果您有保护性因素，它可能会更小。使用指数函数 的原因虽然简单但至关重要：它确保这个乘数始终为正，因为风险率永远不可能是负数。
因此，如果您的个人风险乘数是 ，那么您在任何给定时间 的风险恰好是同一时间基线风险的 倍。如果其他人的风险乘数是 ，他们的风险就始终是基线风险的一半。这就是“比例风险”假设：任意两个个体之间的风险比率随时间保持恒定。这个比率，称为风险比 (Hazard Ratio)，仅取决于他们的特征，而与时间无关。其美妙的结果是，模型将风险中普遍的、随时间变化的部分 ，与不随时间变化的、个人化的乘数 分离开来。
基线风险 是模型灵活性的灵魂所在。与那些可能强迫您假设风险恒定或线性增加的简单模型不同，Cox 模型对 的形状不作任何假设。它可以是任何非负函数。这就是为什么该模型被称为半参数化 (semiparametric) 模型：协变量部分 具有固定的（参数化）形式，但基线风险 则完全未指定（非参数化）。这种灵活性使其能够适应数据中真实的、潜在的风险模式，无论该模式为何。
重要的是要记住 的物理意义。它是一个速率，单位是事件/单位时间（例如，死亡数/年或 ）。它不是一个概率，而是一个瞬时可能性。
此外，“参考个体”的定义也很重要。基线风险是所有协变量编码为零的人的风险。如果我们研究吸烟（1=吸烟者，0=非吸烟者）和年龄（以年为单位）的影响，那么基线风险适用于一个新生儿非吸烟者。这可能不是一个非常有趣的人！统计学家通常会对协变量进行中心化处理，例如，从每个人的年龄中减去平均年龄。这样，在新系统中 age=0 的人实际上是平均年龄的人。这改变了 的数值和解释，但这种改变是完全一致的。对于任何特定个体，其估计的风险是基线风险和其风险乘数的乘积，这个值保持完全不变。改变的只是我们的参考框架，而不是物理现实。
这一切都引向一个深奥的谜题。如果我们不知道 的形状，我们怎么可能估计出系数 呢？这似乎是一个有两个未知数的方程。
David Cox 爵士以天才之举提出的解决方案是一种名为偏似然 (partial likelihood) 的方法。他没有试图对每个事件的确切时间进行建模，而是提出了一个更微妙的问题。在事件发生的那一刻，观察所有仍处于“风险中”的个体（即他们尚未发生事件且未退出研究）。假定其中一个人发生了事件，那么这个事件发生在我们观察到的特定个体身上的概率是多少？
这个概率就是该个体的风险除以风险集中所有人的风险总和。对于在时间 发生事件的个体 ，这个概率是：
魔术就发生在这里。未知的基线风险项 是分子和分母求和中每一项的公因子。它可以被完美地约掉！
最终的表达式仅依赖于协变量和未知的系数 。基线风险已经消失了。通过将所有观测事件的这些概率相乘来构建一个“似然函数”，我们就可以找到使该函数最大化的 值，从而得到我们对相对风险的估计。这种方法巧妙地回避了我们对时间风险真实形态的无知，使我们能够孤立地估计风险因素的影响。
基线风险的抵消不仅仅是数学上的便利；它也是 Cox 模型非凡稳健性 (robustness) 的来源。想象一下，你试图猜测基线风险的形状。也许你假设它是恒定的（指数模型）或遵循特定的曲线（Weibull 模型）。如果你的猜测是正确的，你可以使用“全似然”方法，该方法利用了更多信息，并将为你提供一个稍微更精确（更高效）的 估计。
但如果你的猜测是错误的呢？如果真实的基线风险是一个复杂的、凹凸不平的形状呢？基于错误形状的全似然模型将产生有偏且不一致的 估计。你在模型中引入了一个谬误，它会污染一切。
偏似然通过“承认对基线风险形状的无知”，对这个问题免疫。只要比例风险的核心假设成立，无论真实的基线风险是简单还是极其复杂，Cox 模型都将为你提供一个一致的 估计。这是一个深刻的权衡：Cox 模型牺牲了少量潜在的效率，换来了稳健性的巨大提升。在科学领域，自然界的真实形态鲜为人知，这几乎总是一笔明智的交易。
在我们利用偏似然的魔力估计出系数 之后，一个自然而然的问题随之而来：我们现在能否回头去估计那个被我们巧妙忽略的基线风险 呢？
答案是肯定的。我们无法直接估计 ，但我们可以估计它的积分，即累积基线风险 (cumulative baseline hazard) 。这个函数表示截至时间 累积的总基线风险。一种常见的方法是使用 Breslow 估计量 (Breslow estimator)。其逻辑非常简单。在每个事件发生的时间 ，我们观察到一定数量的事件，比如说 。我们还可以利用新估计出的系数，计算出那一刻风险集中所有个体的总预期风险：。在那一刻，累积基线风险的微小跳跃被估计为观测到的事件数与总风险的比率：
通过将截至时间 的所有事件时间的这些微小跳跃相加，我们可以构建一个阶梯函数，用于估计整个累积基线风险曲线 。
这便完成了 Cox 模型的“两幕剧”。在第一幕中，我们忽略基线风险来寻找相对风险。在第二幕中，我们利用这些相对风险来重构基线风险本身的形态。这个两阶段过程对于预测绝对风险至关重要。要预测一名患者的 5 年生存概率，我们既需要从其协变量中得到的相对风险 ()，也需要从基线中得到的 5 年累积的基础风险 ()。使用像 Breslow 这样稳健的非参数估计量是至关重要的，因为即使 是正确的，仅仅猜测基线的参数形式也可能导致非常错误的预测。
当模型的所有假设都成立时，这个过程运作得非常完美。例如，如果真实数据来自 Weibull 模型（它是一种特定类型的比例风险模型），Cox 模型能够正确识别 Weibull 的基线风险形状并提取出正确的系数，从而证明其捕捉潜在现实的能力。因此，基线风险函数不仅仅是一个数学上的麻烦；它是生存故事中的一个核心角色，代表着不可阻挡、共同分享的时间洪流，我们的个人生活和风险都在其上展开。
在我们之前的讨论中，我们遇到了基线风险函数 。乍一看，它似乎只是一个颇具技术性的统计机器部件，一种为使我们的模型正常工作所需的数学脚手架。你可能会倾向于视其为一个“冗余参数”，一个处理完就可以置之不理的东西。但这样做将错失一个蕴含深刻美感和实用价值的故事。基线风险不是配角；它常常是伪装的主角，一个连接抽象统计世界与医学、工程乃至人类心智复杂运作等具体现实的概念。
在本章中，我们将踏上一段旅程，去揭示基线风险函数的多个面貌。我们将看到它如何既是理解相对风险的关键，又是预测绝对结果的守门人。我们将发现，它的形状本身就能编码一个生物过程的深层叙事，而它的灵活性又让我们的预测模型能在不断变化的世界中适应和演进。
Cox 比例风险模型最优雅的特点之一在于一种统计学的魔术。当我们想要理解某个因素的相对效应时——比如一种新药的益处或某个特定基因的风险——基线风险通常会从等式中消失。
想象一下，我们正在比较两组电子元件的失效率。一组是标准元件，其基线生存曲线为 。另一组经过新工艺处理，在所有时间点上其风险率都降低了一个恒定因子，假设风险比为 。那么，新元件的生存状况 与旧元件有何关系？事实证明，这是一个非常简单的关系：。基线风险函数的具体形状，无论它是什么，都被包含在等式两边的 中。为了找到相对的改善程度，我们根本不需要知道 的显式形式。
这种“抵消”是 Cox 模型之所以强大和被广泛使用的秘密。它允许研究人员从数据中估计协变量的效应——即 系数——而无需对基线风险的形式做任何假设。这就是为什么该模型被称为“半参数化”：协变量效应是参数化的，但基线风险是一个非参数化的、“让数据说话”的组成部分。这一原则甚至成为现代人工智能驱动医学的核心，例如当我们为一个病人寻求“反事实解释”时。如果我们问：“要将我心脏病发作的瞬时风险降低 20%，我生活方式的最小改变是什么？”，答案取决于模型的系数 ，但值得注意的是，它与基线风险 无关。
但这只是硬币的一面。当我们不再问关于相对风险的问题，而开始问关于绝对风险的问题时，基线风险就会从幕后走到台前，成为中心焦点。
假设一位医院管理者想用一个临床模型来分配资源。模型显示，一种新疗法对某一不良事件的风险比为 。这很有用，但它没有回答关键问题：“对于一个由 500 名患者组成的队列，未来 3 年内我们应该预期发生多少起事件？” 要回答这个问题，仅有风险比是不够的。你必须首先知道该事件的潜在风险——即基线风险 。通过将基线风险的估计值（例如，来自历史数据）与风险比相结合，管理者可以计算出预期事件数，并决定是否启动额外的预防措施。
同样的原则适用于无数领域。一位研究尼古丁成瘾的神经生物学家可能会用一个恒定的基线风险来模拟复吸，并发现一种新疗法的风险比为 。为了将其转化为对患者有意义的数字——即未来 90 天内复吸概率的绝对降低值——她必须使用基线风险来计算治疗和未治疗状态下的绝对概率。是基线风险将模型根植于现实，将相对比较转化为具体的、绝对的预测。这就是为什么像 TRIPOD 声明这样的现代临床预测模型报告指南强制要求研究人员必须报告估计的基线生存函数。一个发布时没有它的模型是一个不完整的工具，只能做相对陈述，却无法用于预测个体的实际预后。
基线风险不仅仅是一个数字或一个缩放因子；它是一个关于时间的函数 ，其形状可以讲述一个关于其背后过程的深刻故事。在某些情况下，基线风险的形状本身就是科学。
思考一下器官移植的复杂世界。接受肾移植的患者面临多种免疫威胁，其中最重要的两种是 T 细胞介导的排斥反应 (TCMR) 和抗体介导的排斥反应 (AMR)。它们并不相同。TCMR 是一种急性细胞攻击，风险在术后最初几周和几个月内最高，然后随时间下降。而对于没有预先形成抗体的患者来说，AMR 是一个较慢的过程，身体会逐渐产生针对供体器官的新抗体。其风险最初很低，但会随年岁增长。
我们如何对此进行建模？一个绝妙的方法是将这两种排斥类型建模为竞争风险，每种都有其自身的特定原因基线风险。一个合理的模型会为 TCMR 设置一个单调递减的基线风险，比如指数衰减，以捕捉早期的高风险。对于 AMR，模型会使用一个单调递增的基线风险，比如 Weibull 函数，以反映风险随时间的缓慢累积。基线风险函数的形状成为了细胞排斥和体液排斥这两种不同免疫学叙事的数学指纹。在这里， 根本不是一个冗余参数；它是对数十年免疫学研究的简洁、量化的总结。
世界并非整齐划一。事件的风险在不同人群、不同医院或不同时代之间可能存在巨大差异。基线风险函数提供了一套极其优雅的工具来为这种异质性建模。
想象一项针对一种新癌症药物的多中心临床试验。不同医院之间的患者人群和标准治疗方案可能略有不同。很可能，纽约一家顶级研究型医院的基线进展风险与农村地区一家社区医院的基线进展风险是不同的。这是否意味着我们不能合并它们的数据？如果我们假设药物的相对效应（其风险比）在所有地方都是相同的，我们就可以使用分层 Cox 模型 (stratified Cox model)。这种强大的技术允许我们为药物效应估计一个单一的、共同的系数 ，同时允许每个医院（或“层”）拥有其自己独特的、未指定的基线风险函数 。分层通过赋予基线风险在不同情境下自由变化的权利，来包容世界的异质性，从而使我们能够从局部的噪声（特定中心的风险）中找到普适的信号（药物效应）。
当我们思考一个预测模型的生命周期时，这种使模型适应新环境的想法变得更加强大。假设我们在 2020 年为心脏病患者开发了一个极好的预后模型。十年后，整体心脏病学护理水平提高，所有人的背景死亡率都下降了。这是否会使我们的 2020 年模型过时？
不一定。虽然旧模型的绝对预测现在可能已经失准（它们会系统性地高估风险），但它所识别的风险因素的相对重要性——如血压、胆固醇和吸烟——可能和十年前一样有效。模型中发生变化的部分是基线风险。解决方案不是扔掉模型从头开始，而是对其进行重新校准 (recalibrate)。通过保持原始系数 不变，仅使用当前患者群体的新数据重新估计基线风险函数 ，我们就可以更新模型并恢复其校准度。这使我们的模型成为一个能够适应不断变化的世界的活的实体。基线风险就是那个让我们能将模型锚定到新现实中的调谐旋钮。
从一个看似不起眼的统计参数出发，我们揭示了一个具有非凡深度的概念。基线风险函数是决定相对风险时的沉默伙伴，却是进行绝对预测时的主导者。它是一块画布，生物学和物理学在其上描绘时间的故事；它也是一个灵活的关节，让我们的模型在面对复杂多变的世界时能够弯曲而不折断。简而言之，它是一个绝佳的例子，展现了驱动统计学世界的隐藏力量与优雅。