我们都知道，在分析危险因素和结局的相关性时，如果收集了结局事件发生时间，在满足一定条件下可以使用Cox比例风险模型。该模型可以在调整其他协变量影响下得到所关注的危险因素和结局发生的关联强度-风险比（hazard ratio，HR）。通常情况下，如果对于纳入的个体来说，结局事件是单一的（即只发生一次），且不同个体之间事件的发生是独立的，那么Cox模型是合适的。

然而，在研究中通常还有一类数据，纳入的个体在观察期内会发生不止一次结局事件，且结局事件可以是一种（例如掉牙齿，从掉第一颗到掉光），也可以是多种（例如研究术后感染，结局可以是细菌感染、真菌感染、病毒感染等）；事件之间可以有先后顺序（例如住院事件在前，死亡事件在后），也可以没有；不同类事件对应的基础风险可以相同也可以不同（例如急性心肌梗死患者出院后，罹患出血性卒中和缺血性卒中的风险不同）。最重要的是，同一个体的多个事件之间存在一定的关联，而且事件发生的风险可能随时间发生变化（例如某些疾病轻易不患，患了一次后更容易再发）。这类数据称为多失效事件数据（multivariate failure time data）。

其中，复发事件数据（recurrent event data）是比较特殊的一类，通常是有先后顺序，以某种事件的重复发生最为常见（也可以有多种结局事件分别重复发生的情况）。对于这类数据的分析，目前较为常见的做法有两种：1)仅利用首次发生的事件和时间信息做Cox模型；2）采用广义估计方程（GEE）和随机效应模型对事件数量进行建模。前者的问题是忽略了结局事件相关性，会导致估计值的置信区间不准确；后者虽可以解决相关性的问题，但未能充分利用时间信息。

本文将为大家介绍几种处理复发事件数据更为合适的方法，每种方法都有各自的前提假设、适用范围，希望能对大家解决这类实际问题有所帮助。