CLINSTANDARDS.ORG Mini Deep Dive

What the SAS Viya 2026.03 Base SAS Procedures Guide Tells Us

1. The Big News: SAS Now Has PROC R

With the SAS Viya 2026.03 release (April 2026), SAS Institute introduced PROC R as an official procedure listed in the Base SAS Procedures Guide. This is not a third-party macro, not an IML workaround, and not a community hack. PROC R is a SAS-supported procedure for running R code within the SAS environment, paralleling PROC PYTHON in both design and capability.

For the clinical statistical programming community, this is a notable development. Since 2008, the only official pathway from SAS to R was through PROC IML, which required the separately licensed SAS/IML module. The community-developed %PROC_R macro offered a Base SAS alternative, but it was unsupported and limited. PROC R's placement in the Base SAS Procedures Guide suggests a more accessible pathway, though the exact licensing and configuration requirements should be confirmed with SAS documentation or your SAS administrator.

2. What Can PROC R Do?

According to the SAS documentation, the R procedure enables the following capabilities within a SAS session:

2.1 R Packages Referenced in Documentation

The PROC R documentation references the following R packages. The exact nature of this association (pre-installed, recommended, or listed as dependencies) should be confirmed with the full SAS documentation for your deployment:

3. PROC R Syntax and Clinical Examples

3.1 Basic Syntax

proc r;

submit;

# All R code goes between submit and endsubmit

library(dplyr)

# Pull SAS data into R

adsl <- sas.sd2df("ADAM.ADSL")

# R analysis

trt_summary <- adsl %>%

group_by(TRT01A) %>%

summarise(N = n(), Mean_Age = mean(AGE))

# Push results to SAS

sas.df2sd(trt_summary, "WORK.TRT_SUMMARY")

endsubmit;

run;

/* SAS continues with the result */

proc print data=work.trt_summary noobs; run;

3.2 Kaplan-Meier Survival Plot

One of the most compelling use cases for PROC R is generating publication-quality survival curves using R's {survival} and {survminer} packages, which produce output that exceeds SAS's native ODS Graphics capabilities.

proc r;

submit;

library(survival)

library(survminer)

adtte <- sas.sd2df("ADAM.ADTTE")

fit <- survfit(Surv(AVAL, CNSR==0) ~ TRT01A, data = adtte)

ggsurvplot(fit,

data = adtte,

risk.table = TRUE,

pval = TRUE,

palette = c("#2E86C1", "#E74C3C"),

xlab = "Time (Months)",

ylab = "Survival Probability",

title = "Overall Survival by Treatment Arm",

legend.labs = c("Placebo", "Active Treatment"),

risk.table.height = 0.25,

ggtheme = theme_minimal())

endsubmit;

run;

3.3 Forest Plot for Subgroup Analyses

proc r;

submit;

library(ggplot2)

subgroups <- data.frame(

Subgroup = c("Overall", "Age < 65", "Age >= 65",

"Male", "Female", "ECOG 0", "ECOG 1"),

HR = c(0.72, 0.68, 0.78, 0.70, 0.75, 0.65, 0.82),

LCL = c(0.58, 0.49, 0.59, 0.52, 0.55, 0.45, 0.62),

UCL = c(0.89, 0.94, 1.03, 0.94, 1.02, 0.94, 1.08),

N = c(500, 280, 220, 260, 240, 190, 310))

ggplot(subgroups, aes(x=HR, y=reorder(Subgroup, -HR))) +

geom_point(size=3, color='#1B4F72') +

geom_errorbarh(aes(xmin=LCL, xmax=UCL), height=0.2,

color='#2E86C1') +

geom_vline(xintercept=1, linetype="dashed", color="grey40") +

labs(x="Hazard Ratio (95% CI)", y="",

title="Forest Plot: OS by Subgroup") +

theme_minimal(base_size=13)

endsubmit;

run;

3.4 Waterfall Plot for Tumor Response

proc r;

submit;

library(ggplot2)

adrs <- sas.sd2df("ADAM.ADRS")

adrs <- adrs[adrs$PARAMCD == "OVRLRESP",]

adrs <- adrs[order(adrs$PCHG),]

adrs$SUBJORD <- seq_len(nrow(adrs))

ggplot(adrs, aes(x=SUBJORD, y=PCHG, fill=AVALC)) +

geom_bar(stat='identity') +

geom_hline(yintercept=c(-30, 20),

linetype="dashed", color="grey50") +

scale_fill_manual(values=c("CR"="#1E8449",

"PR"="#2ECC71", "SD"="#F39C12", "PD"="#E74C3C")) +

labs(x="Subject", y="Best % Change from Baseline",

title="Waterfall Plot: Best Overall Response",

fill="Response") +

theme_minimal()

endsubmit;

run;

4. PROC R vs. Legacy Approaches: What Changed

5. The Symmetry of PROC R and PROC PYTHON

With PROC R joining PROC PYTHON, SAS now offers a symmetric integration architecture. Both procedures follow the same design pattern, making it easy for programmers to work in either open-source language from within SAS.

6. Getting Started: A Practical Roadmap

Step 1: Verify Your Environment

/* Check if PROC R is available */

proc r;

submit;

R.version.string

.libPaths()

installed.packages()[, c('Package', 'Version')]

endsubmit;

run;

Step 2: Start with a Simple QC Use Case

Before using PROC R for production deliverables, start with a QC workflow. Use PROC R to independently verify SAS-generated summary statistics.

/* SAS primary output */

proc means data=adam.adsl n mean std;

class TRT01A;

var AGE BMIBL WEIGHTBL;

output out=work.sas_stats;

run;

/* R-based independent QC via PROC R */

proc r;

submit;

adsl <- sas.sd2df("ADAM.ADSL")

r_stats <- adsl %>%

group_by(TRT01A) %>%

summarise(across(c(AGE, BMIBL, WEIGHTBL),

list(N=~sum(!is.na(.)), Mean=~mean(.,na.rm=T),

SD=~sd(.,na.rm=T))))

sas.df2sd(r_stats, "WORK.R_STATS")

endsubmit;

run;

/* Compare SAS vs R results */

proc compare base=work.sas_stats compare=work.r_stats;

run;

Step 3: Graduate to Production Visualizations

Once QC workflows are established, use PROC R for production-quality visualizations that complement SAS-generated TFLs. Focus on outputs where R demonstrably exceeds SAS capabilities: KM plots with integrated risk tables, forest plots, waterfall plots, and swimmer plots.

7. Conclusion

PROC R's appearance in the Base SAS Procedures Guide for SAS Viya is a significant step in SAS's open-source integration story. By listing R integration as a standalone procedure alongside PROC PYTHON, SAS has signaled its commitment to supporting multi-language workflows within the SAS environment.

For clinical programming teams on SAS Viya, the practical next steps are: verify PROC R availability in your deployment, confirm licensing terms with your SAS administrator, start with QC and visualization use cases, and gradually expand to hybrid workflows that leverage the strengths of both languages. The combination of SAS's validated data pipeline with R's statistical depth and visualization capabilities is a compelling proposition, and PROC R appears to make it more accessible than the PROC IML pathway that preceded it.

References

1. SAS Institute. R Procedure: Overview. Base SAS Procedures Guide, v2026.03. documentation.sas.com/doc/en/pgmsascdc/v_073/proc/p13zn8bv8gu2won1dvff9a2x9qb7.htm.

2. SAS Institute. R Procedure: Concepts. Base SAS Procedures Guide, v2026.03. documentation.sas.com.

3. SAS Institute. PROC PYTHON Documentation. Base SAS Procedures Guide. documentation.sas.com.

4. SAS Institute. SAS/IML Interface to R. SAS 9.4 Programming Documentation. documentation.sas.com.

5. SAS Developer Portal. R Resources. developer.sas.com/open-source/r.

clinstandards.org

Free, non-commercial education for the CDISC and statistical programming community