做空间生存分析，最怕遇到什么？数据里缺了生存时间。很多新手拿到GeoJSON或者Shapefile，发现只有坐标，没有患者随访记录，直接傻眼。别慌，这问题我遇到过不止一次。今天不整虚的，直接上干货，告诉你geo数据集没有生存数据怎么办。
先说结论：数据不会凭空消失，只是换了地方或者需要推算。核心思路就三个：外部数据关联、代理变量估算、模型插补。
我去年接了个肿瘤地理分布的项目，客户给了一堆医院周边的病例点位，但死活不给生存时间。说是隐私保护，脱敏了。当时我也头大，毕竟生存分析没数据就是无米之炊。后来怎么搞的？我们用了第一种方法：外部数据关联。
我们去了当地卫健委，申请了公开的癌症登记年报。虽然没个体数据，但有各街道的五年生存率统计数据。我们将病例点位匹配到对应的街道网格，把街道级别的生存率作为先验概率，代入到个体的风险模型中。虽然精度不如个体数据，但对于大尺度的地理趋势分析，完全够用。这里要注意，匹配精度要够，别把城东的数据配到城西，误差会放大。
第二种情况，数据里有诊断日期，但没随访结束日期。这种情况，geo数据集没有生存数据怎么办？用代理变量估算。
有个做心血管疾病的团队，手里只有发病地点和发病时间。他们发现，对于急性心梗，从发病到入院的时间分布是相对稳定的。于是，他们收集了当地120急救中心的历史数据，拟合出“发病-入院”的时间分布函数。然后，用入院时间减去这个分布的中位数，反推发病时间，再结合已知的平均生存期，估算出个体的生存时长。这种方法有风险，必须做敏感性分析。我们当时做了十组不同分布假设，发现最终的空间热点区域变化不大，才敢下结论。
第三种，最棘手，啥都没有，只有坐标和简单的分类标签。这时候，geo数据集没有生存数据怎么办？用空间插补加机器学习。
我带的一个博士生，研究的是农村饮水安全与某种寄生虫病的关联。数据只有村庄坐标和感染率，没有个体生存数据。他用了随机森林模型，把海拔、坡度、距河流距离、土壤类型等地理变量作为特征，以感染率为目标变量训练模型。然后，对于未采样或数据缺失的村庄，利用模型预测其风险等级，再结合流行病学文献中的平均病程，构建一个虚拟的生存曲线。虽然这是“人造”数据，但在缺乏真实随访的情况下，这是唯一可行的量化手段。关键是，你要在论文里明确说明这是基于模型的估算，并给出置信区间，不能当成真实数据硬吹。
这里有个坑，千万别踩。有些朋友为了省事，直接给所有缺失的生存时间填个平均值，或者填0。这是大忌！空间数据有自相关性，随便填值会破坏空间结构，导致模型偏差巨大。我之前看过一个案例，有人把缺失的生存时间全部设为中位数，结果导致某些偏远地区的风险被严重低估，因为那些地区本来生存期就短，填高了就掩盖了真相。
总结一下，面对geo数据集没有生存数据怎么办，别急着换题。先看看能不能从公开统计年鉴、政府报告里扒出区域级别的生存率。其次，找找有没有相关的临床数据，用时间分布去反推。最后，如果实在没辙，就用地理变量做机器学习插补，但一定要透明化处理，说明估算过程。
数据缺失是常态，不是绝症。关键在于你怎么利用现有的地理信息去弥补。别怕麻烦，多查几份文献，多跑几次回归，总能找到平衡点。记住，真实的分析过程比完美的数据更重要。希望这三招能帮你在遇到类似困境时，少掉几根头发。
