我刚刚解决了这个问题，因为我自己也有同样的问题。我的回答很大程度上要归功于 Mara Tableman（使用 S/R 进行生存分析的第 65 页）。

假设您有使用 Weibull 分布的生存函数 ，则可以为后续的计算 95% 置信区间的下限和上限：$S(t)$$t$

$$CI_{lo} = exp\left\{ log\left(S(t)\right)\times e^{z^*/\sqrt{n_u}}\right\}$$ $$CI_{hi} = exp\left\{ log\left(S(t)\right)\times e^{-z^*/\sqrt{n_u}}\right\}$$

其中是正态分布的相关分位数（表示 95% CI），是在随访时间内观察到的事件数（即，不是患者/受试者的数量）。$z^*$$z^*\approx1.96$$n_u$

下面是 R 代码，用于计算一个向量的置信界限，命名为S_t，生存比例（一个向量在指定的后续时间，）。$S(t)$$t$

nu # number of events, needs to be set
z_st<-qnorm(0.975)
ci_lo <- exp(log(S_t)*exp(z_st/sqrt(nu)))
ci_hi <- exp(log(S_t)*exp(-z_st/sqrt(nu)))

我发现@tystanza 的答案（Tableman 的方程式）给出了一个过于保守的置信区间——也就是说，它们太宽了。当我进行蒙特卡罗模拟来估计 Tableman 置信区间的覆盖率时，我发现名义上的 95% CI 给出了 100% 的覆盖率。

我从 flexsurv 包中找到了另一个选项。我认为它们不会直接暴露置信区间，但可以从“摘要”中找到它们。这是我发现的获取 CI 的 hack 解决方法。我确实通过 MC 抽样验证了这些 CI 的覆盖率几乎是正确的（我发现 CI 在 930/1000 案例中包含 95% 置信区间的真实值——非常接近）。

require(flexsurv)
require(survival)

sWei = flexsurvreg(Surv(samples, rep(1,N)) ~ 1, dist='weibull', cl = 1-alpha)
s = unlist(summary(sWei))
lowerCI = s[(2*N+1):(3*N)]
upperCI = s[(3*N+1):(4*N)]