使用 R 构建复杂设计调查加权（Survey-Weighted） Cox 模型的列线图

列线图，又称诺莫图（Nomogram），它是建立在回归分析的基础上，使用多个临床指标或者生物属性，然后采用带有分数高低的线段，从而达到设置的目的：基于多个变量的值预测一定的临床结局或者某类事件发生的概率。列线图(Nomogram)可以用于多指标联合诊断或预测疾病发病或进展。
近些年来在高质量SCI临床论文中用的越来越多。列线图将回归模型转换成了可以直观的视图，让结果更容易判断，具有可读性，例如：

对于复杂设计调查（Survey-Weighted）的数据，我们不能使用RMS包直接绘制预测模型列线图，这样会造成数据偏差，今天我们来介绍SvyNom绘制复杂设计调查（Survey-Weighted）的数据cox回归的列线图，先导入数据和R包

library("rms")
library("survey")
library("SvyNom")
set.seed(1234)
noNA<-read.csv("E:/r/test/noNA.csv",sep=',',header=TRUE)

上图只显示了一部分，这是一个转移性胃癌患者（Power、Capanu、Kelsen 和 Shah 2011）的数据（公众号回复：胃癌数据，可以获得数据），数据很多我们选取一部分建模，age_dx：年龄，group：分组变量，分为存活率小于2年的和大于两年的，inv_weight：概率权重，ssize：每个分组患者的人数，survival生存时间，surv_cens生存结局
要建立调查加权，我们先要生成一个调查表，我们这里是根据患者是否能活超过24个月进行分层，

dstr2 <- svydesign(id = ~1, strata = ~group, prob = ~inv_weight, fpc = ~ssize, data = noNA)

prob 指定的抽样概率对于长期幸存者组（≥ 24月）中的患者等于 1，对于存活不到 2 年的患者均等于 253/853=0.296。fpc 选项指定已在每个层中抽样的总人口，在 ≥ 24 组中等于 132，对于 <24 组中的患者等于 853。

建立cox方程拟合包含患者年龄、ECOG 状态、白蛋白和血红蛋白水平、肿瘤分化、是否存在多个转移部位等变量

svy.cox.fit <- svycoxph(Surv(survival, surv_cens) ~ ECOG + liver_only + Alb + Hb + Age + Differentiation + Gt_1_m1site + lymph_only, x = TRUE, design = dstr2)
svy.cox.fit

对数据格式设定

dd <- datadist(noNA)
options(datadist = "dd")
ss3 <- c(0.05, 0.2, 0.4, 0.6, 0.7, 0.8, 0.9, 0.95, 0.99)

构建列线图数据，design =填入我们的调查表，model=填入我们建立的模型，pred.at =这里我们预测两年生存率，所以填入24，fun.lab =这里生存列线图标签

mynom <- svycox.nomogram(.design = dstr2, .model = Surv(survival, surv_cens) ~ ECOG + liver_only + Alb + Hb + Age + Differentiation + Gt_1_m1site + lymph_only, .data = noNA, pred.at = 24, fun.lab = "Prob of 2 Yr OS")

绘图

plot(mynom$nomog)

通过重抽样建立引导数据对列线图进行验证

bootit <- 200
cases <- which(noNA$group == "long")
controls <- which(noNA$group == "<24")
boot.index <- matrix(NA, nrow(noNA), bootit)
for (i in 1:bootit)boot.index[, i] <- c(sample(cases, replace = TRUE), sample(controls, replace = TRUE))

估值差异很小，说模型可信度不错。最后绘制校准曲线

svycox.calibrate(mynom)

OK，本文结束，觉得有用的话请分享给需要的人哟。

使用 R 构建复杂设计调查加权（Survey-Weighted） Cox 模型的列线图相关推荐

R构建加权最小二乘回归模型（Weighted Least Squares Regression）
R构建加权最小二乘回归模型(Weighted Least Squares Regression) 目录 R构建加权最小二乘回归模型(Weighted Least Squares Regression)
分享如何设计调查问卷和怎样分析问卷数据（转载）
又快到了写论文的时候了,有小伙伴论文采用了问卷调查方法,但不是特别清楚具体的问卷设计和数据分析流程. 今天就和大家说说整个流程:怎么设计一份合格的问卷以及怎么对问卷数据进行分析? 一.问卷设计步骤如 ...
第二节认识计算机教案,第二章第二节局域网的构建教学设计_博客
<第二章第二节局域网的构建教学设计_博客>由会员分享,可在线阅读,更多相关<第二章第二节局域网的构建教学设计_博客(3页珍藏版)>请在装配图网上搜索. 1.第二章 ...
Survey | 基于生成模型的分子设计
今天给大家介绍MIT的Rafeal Gomez-Bombarelli教授发表在arXiv上的综述文章.文章对分子生成模型进行了分类,并介绍了各类模型的发展和性能.最后,作者总结了生成模型作为分子设计前 ...
R构建径向核支持向量机分类器实战代码（Radial kernel Support Vector Classifier）
R构建径向核支持向量机分类器实战代码(Radial kernel Support Vector Classifier) 目录 R构建径向核支持向量机分类器实战代码(Radial kernel Supp ...
R构建Logistic回归实战（Logistic Regression）
R构建Logistic回归实战(Logistic Regression) 目录 R构建Logistic回归实战(Logistic Regression) 逻辑回归(Logistic Regressio ...
R构建岭回归模型（Ridge Regression）实战
R构建岭回归模型(Ridge Regression)实战目录 R构建岭回归模型(Ridge Regression) 岭回归模型选择最优λ值交叉验证
R构建对数回归模型（Logarithmic Regression）
R构建对数回归模型(Logarithmic Regression) 目录 R构建对数回归模型(Logarithmic Regression) 对数回归模型(Logarithmic Regression ...
R构建指数回归模型（Exponential Regression）
R构建指数回归模型(Exponential Regression) 目录 R构建指数回归模型(Exponential Regression) 指数回归(Exponential Regression) ...
R构建幂回归模型（Power Regression）
R构建幂回归模型(Power Regression) 目录 R构建幂回归模型(Power Regression) 创建数据数据可视化拟合幂回归模型

使用 R 构建复杂设计调查加权（Survey-Weighted） Cox 模型的列线图

使用 R 构建复杂设计调查加权（Survey-Weighted） Cox 模型的列线图相关推荐

最新文章

热门文章