这是非比例风险或生存分析中“耗尽”影响的一个很好的例子。我会尽力解释。

首先仔细看看你的 Kaplan-Meier (KM) 曲线：你可以看到在第一部分（直到大约 3000 天），在时间 t 处于危险中的人口中仍然活着的男性比例大于女性的比例（即蓝线比红线“高”）。这意味着男性确实对所研究的事件（死亡）具有“保护性”。因此，风险比应在 0 和 1 之间（并且系数应为负）。

然而，在 3000 天之后，红线更高！这确实表明了相反的情况。仅基于此 KM 图，这将进一步表明非比例风险。在这种情况下，“非比例”意味着您的自变量（性别）的影响随着时间的推移不是恒定的。换句话说，风险比随着时间的推移而变化是可行的。如上所述，情况似乎如此。常规比例风险 Cox 模型不适应这种影响。实际上，主要假设之一是风险是成比例的！现在您实际上也可以对非比例风险进行建模，但这超出了此答案的范围。

还有一个额外的评论：这种差异可能是由于真正的危险是不成比例的或事实上，KM 曲线的尾部估计存在很大差异。请注意，此时，总共 348 名患者将下降到仍然处于危险之中的极少数人群。如您所见，两个性别组都有经历事件的患者和被审查的患者（垂直线）。随着处于危险中的人口减少，生存估计将变得不太确定。如果您在 KM 线周围绘制了 95% 的置信区间，您会看到置信区间的宽度在增加。这对于评估危险也很重要。简而言之，由于您研究的最后阶段处于风险中的人群和事件数量较低，因此该阶段对您初始 cox 模型中的估计值的贡献较小。

最后，这将解释为什么危险（假设随着时间的推移保持不变）更符合 KM 的第一部分，而不是最终端点。

编辑：请参阅@Scrotchi 对原始问题的即时评论：如前所述，研究最后阶段数字低的影响是这些时间点的危害估计是不确定的。因此，您也不太确定明显违反比例风险假设是否不是偶然的。正如@ scrotchi 所说，PH 假设可能没有那么糟糕。

您对输出的性质感到困惑。这些数据表明：如果你是男性，你比女性更可能活得更长；女性的生存率比男性差。这反映在回归输出中，因为男性的影响是具有负对数风险比，例如男性的风险低于女性。在大多数事件时间（当曲线“步进”时），男性生存曲线大于女性，Cox 模型结果和图表非常吻合。KM 曲线证实了这一点，回归模型输出也证实了这一点。“十字架”是一个无关紧要的。

KM 曲线在尾部表现不佳，尤其是当它们接近 0% 和/或逐渐变细时。Y 轴是存活的比例。由于在研究中存活很长时间的人相对较少，而且当时死亡的人也很少，因此估计的可靠性在直观和图形上都很糟糕。我注意到，例如，您的队列中的女性明显少于男性，并且在 2,800 天后，队列中剩余的女性不到 10 人，这可以从生存曲线的步骤和缺乏审查事件中得到证明。

有趣的是，由于使用 KM 曲线、对数秩检验和 Cox 模型的生存分析使用排名生存时间，因此实际的生存持续时间有些无关紧要。事实上，您存活时间最长的女性可以再存活 100 年，并且不会对分析产生影响。这是因为基线风险函数（过去 13 年没有观察到任何事件）会假设接下来的 87 年没有死亡风险，因为那时没有人死亡。

如果您想要一个稳健的 HR 来获得正确的 95% CI 和 p 值，robust=TRUE请在 Cox-PH 中指定以获得三明治标准误差。在这种情况下，HR 是在所有失败时间比较男性和女性的时间平均 HR。