logistic回归列线图（nomogram）的多种绘制方法

最新推荐文章于 2024-03-18 21:44:49 发布
最新推荐文章于 2024-03-18 21:44:49 发布
阅读量1.3w 收藏 139
点赞数 12
分类专栏： 临床预测模型 文章标签： 程序人生
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Ayue0616/article/details/126601832
版权

获取更多R语言知识，请关注公众号：医学和生信笔记

“

医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。

列线图（Alignment Diagram），又称诺莫图（Nomogram图），用来把多因素回归分析结果（logistic回归和cox回归）用图形方式表现出来，将多个预测指标进行整合，然后采用带有刻度的线段，按照一定的比例绘制在同一平面上，从而用以表达预测模型中各个变量之间的相互关系。

根据模型中各个影响因素对结局变量的贡献程度（回归系数的大小），给每个影响因素的每个取值水平进行赋分，然后再将各个评分相加得到总评分，最后通过总评分与结局事件发生概率之间的函数转换关系，从而计算出该个体结局事件的预测值。

列线图在生信文章中都快被用烂了，但是大部分都是垃圾，纯粹是为了凑图而已。

安装R包

install.packages("rms")
install.packages("DynNom")
install.packages("regplot")
devtools::install_local("D:/R/R包/VRPM_1.2.tar.gz") # 需要下载压缩包本地安装

logistic回归的列线图

使用lowbirth数据集，这个数据集是关于低出生体重儿是否会死亡的数据集，其中dead这一列是结果变量，0代表死亡，1代表存活，其余列都是预测变量。

“

注意：需要把分类变量因子化，对于无序分类变量，需要设置哑变量！

列线图1

rm(list = ls())
library(rms)
## 载入需要的程辑包：Hmisc
## 载入需要的程辑包：lattice
## 载入需要的程辑包：survival
## 载入需要的程辑包：Formula
## 载入需要的程辑包：ggplot2
## 
## 载入程辑包：'Hmisc'
## The following objects are masked from 'package:base':
## 
##     format.pval, units
## 载入需要的程辑包：SparseM
## 
## 载入程辑包：'SparseM'
## The following object is masked from 'package:base':
## 
##     backsolve

lowbirth <- read.csv("../000files/lowbirth.csv")

查看一下数据：

dim(lowbirth) # 565行，10列
## [1] 565  10
str(lowbirth) 
## 'data.frame': 565 obs. of  10 variables:
##  $ birth   : num  81.5 81.6 81.6 81.6 81.6 ...
##  $ lowph   : num  7.25 7.06 7.25 6.97 7.32 ...
##  $ pltct   : int  244 114 182 54 282 153 229 182 361 378 ...
##  $ race    : chr  "white" "black" "black" "black" ...
##  $ bwt     : int  1370 620 1480 925 1255 1350 1310 1110 1180 970 ...
##  $ delivery: chr  "abdominal" "vaginal" "vaginal" "abdominal" ...
##  $ apg1    : int  7 1 8 5 9 4 6 6 6 2 ...
##  $ vent    : int  0 1 0 1 0 0 1 0 0 1 ...
##  $ sex     : chr  "female" "female" "male" "female" ...
##  $ dead    : int  0 1 0 1 0 0 0 0 0 1 ...

简单的把人种分为白色和黑色人种（无序分类变量需要设置哑变量），再去掉race这一列，然后其余分类变量因子化。

library(dplyr)
## 
## 载入程辑包：'dplyr'
## The following objects are masked from 'package:Hmisc':
## 
##     src, summarize
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

tmp <- lowbirth %>% 
  mutate(across(where(is.character),as.factor),
         vent = factor(vent),
         black = ifelse(race == "black",1,0),
         white = ifelse(race == "white",1,0),
         other = ifelse(race %in% c("native American","oriental"),1,0)
         ) %>% 
  select(- race)

glimpse(tmp)
## Rows: 565
## Columns: 12
## $ birth    <dbl> 81.514, 81.552, 81.558, 81.593, 81.610, 81.624, 81.626, 81.68~
## $ lowph    <dbl> 7.250000, 7.059998, 7.250000, 6.969997, 7.320000, 7.160000, 7~
## $ pltct    <int> 244, 114, 182, 54, 282, 153, 229, 182, 361, 378, 255, 186, 26~
## $ bwt      <int> 1370, 620, 1480, 925, 1255, 1350, 1310, 1110, 1180, 970, 770,~
## $ delivery <fct> abdominal, vaginal, vaginal, abdominal, vaginal, abdominal, v~
## $ apg1     <int> 7, 1, 8, 5, 9, 4, 6, 6, 6, 2, 4, 8, 1, 8, 5, 9, 9, 9, 6, 2, 1~
## $ vent     <fct> 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 0, 1, 1, 0, 1, 0, 0, 1, 0, 1~
## $ sex      <fct> female, female, male, female, female, female, male, male, mal~
## $ dead     <int> 0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0~
## $ black    <dbl> 0, 1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 1, 1, 1, 0~
## $ white    <dbl> 1, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0, 1~
## $ other    <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0~

然后是打包数据。

dd <- datadist(tmp)
options(datadist="dd")

构建模型：

fit1 <- lrm(dead ~ birth + lowph + pltct + bwt + delivery + apg1 + vent + sex + black + white,data = tmp,x=T,y=T)

接下来就是构建列线图模型，然后画图。

nom1 <- nomogram(fit1, fun=plogis,
                 fun.at=c(0.001,0.1,0.25,0.5,0.75,0.9,0.99),
                 lp=T, # 是否显示线性概率
                 funlabel="Risk of Death")  
plot(nom1) 
image-20220511210451830
image-20220511210451830

从这个 图来看，sex、delivery、apg1对模型的贡献很小，几乎可以忽略不计，下面我们去掉这两个变量再看看。

fit2 <- lrm(dead ~ birth + lowph + pltct + bwt + vent + black + white,
            data = tmp,x=T,y=T)
nom2 <- nomogram(fit2, fun=plogis,
                 fun.at=c(0.001,0.01,0.1,0.25,0.5,0.75,0.9,0.99),
                 lp=T, 
                 maxscale = 100, # 最大得分数
                 conf.int = F, # 添加置信区间，很难看，可以不要
                 funlabel="Dead")  
plot(nom2,
     col.grid=c("tomato","grey")
     #conf.space = c(0.3,0.5) # 置信区间位置
     ) 
image-20220511210507072
image-20220511210507072

列线图2

动态列线图，会跳出一个窗口。

library(DynNom)

fit2 <- glm(dead ~ birth + lowph + pltct + bwt + vent + black + white,
            data = tmp, family = binomial)
DynNom(fit2,DNtitle = "nomogram",DNxlab = "probability")

列线图3

library(regplot)

fit2 <- lrm(dead ~ birth + lowph + pltct + bwt + vent + black + white,
            data = tmp,x=T,y=T)
regplot(fit2,
        plots = c("violin", "boxes"), ##连续性变量形状，可选"no plot" "density" "boxes" "ecdf" "bars" "boxplot" "violin" "bean" "spikes"；分类变量的形状，可选"no plot" "boxes" "bars" "spikes"
        observation = tmp[1,], #用哪行观测，或者T F
        center = T, # 对齐变量
        subticks = T,
        droplines = T,#是否画竖线
        title = "nomogram",
        points = T, # 截距项显示为0-100
        odds = T, # 是否显示OR值
        showP = T, # 是否显示变量的显著性标记
        rank = "sd", # 根据sd给变量排序
        interval="confidence", # 展示可信区间
        clickable = F # 是否可以交互
        )
## Regression  fit2 lrm formula:
## dead `~` birth + lowph + pltct + bwt + vent + black + white
## CI: 0.00496(0.00106,0.0233)
## [[1]]
##   white Points
## 1   0.0     26
## 2   0.4     34
## 3   0.8     42
## 
## [[2]]
##   black Points
## 1   0.0     17
## 2   0.4     29
## 3   0.8     40
## 
## [[3]]
##       vent Points
## vent1    0     34
## vent2    1     99
## 
## [[4]]
##    bwt Points
## 1  400     87
## 2  600     72
## 3  800     57
## 4 1000     42
## 5 1200     27
## 6 1400     12
## 
## [[5]]
##   pltct Points
## 1     0     42
## 2   300     30
## 3   600     18
## 
## [[6]]
##    lowph Points
## 1    6.5    103
## 2    6.6     93
## 3    6.7     83
## 4    6.8     74
## 5    6.9     64
## 6    7.0     54
## 7    7.1     44
## 8    7.2     34
## 9    7.3     25
## 10   7.4     15
## 11   7.5      5
## 12   7.6     -5
## 
## [[7]]
##   birth Points
## 1  81.5     43
## 2  84.5     34
## 3  87.5     26
## 
## [[8]]
##   Total Points    Pr(  )
## 1          100 3.798e-05
## 2          150 3.144e-04
## 3          200 2.598e-03
## 4          250 2.112e-02
## 5          300 1.516e-01
## 6          350 5.967e-01
## 7          400 9.245e-01
## 8          450 9.902e-01
2022051120501
2022051120501

列线图4

library(VRPM)

fit2 <- glm(dead ~ birth + lowph + pltct + bwt + vent + black + white,
            data = tmp, family = binomial)

colplot(fit2,coloroptions = 3)

#df <- tmp[1,c("birth","lowph","pltct","bwt","vent","black","white")]
#ccchart(fit2,df)
20220511210511234
20220511210511234

获取更多R语言知识，请关注公众号：医学和生信笔记

“

医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。

本文由 mdnice 多平台发布

医学和生信笔记
关注
  • 12
    点赞
  • 踩
  • 139
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
专栏目录
一步到位：手把手教你R语言竞争风险模型建模-列线图-校准曲线-K折验证-外部验证- 决策曲线
06-20
一步到位：手把手教你R语言竞争风险模型建模-列线图-校准曲线-K折验证-外部验证- 决策曲线
Logistic回归 MATLAB实现
11-26
Logistic回归又称Logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。 Logistic回归的因变量可以是二分类的，也可以是多分类的，此篇主要介绍将Logistic二分类拓展到多分类。
R语言绘图 | 列线图/诺莫图（Nomogram）和校准曲线（Calibration）| 代码注释 + 结果解读
weixin_43843918的博客
01-25 1934
前面已经介绍了高级森林图的画法，今天我们就来介绍另一种用于可视化Logistic或Cox回归分析结果的方式 —— 列线图（Alignment Diagram），也称诺莫图（Nomogram）。
【R语言(二)：Nomogram(诺莫图/列线图)绘制 / R语言逻辑回归分析】
clmeng77的博客
02-15 4299
R语言(二)：Nomogram(诺莫图/列线图)绘制 / R语言逻辑回归分析
nomogram:使用 Processing 绘制交互式列线图
07-14
列线图 使用 Processing 绘制交互式列线图。 在以下位置查找结果： :
手把手教你绘制和解读实用R列线图(Nomogram)：从入门到精通
笑不语的博客
01-01 1159
在数据可视化和解释方面，列线图有着独特的优势。从图中可以看出，age 49时对应的分数是11分，然后meno为0对应的分值为0，nodes为2时对应的分数为3分，总分值为14分，总分值对应的预测值是0.3-0.4之间，小于0.5，所以其预测值应该是0，和实际结果一致。列线图（Nomogram）是一种常用的数据可视化工具，它能够直观地展示多个变量之间的关系，并帮助我们理解和解释复杂的数据模式。列线图是一种常用的数据可视化工具，它可以帮助我们探索变量之间的关系，解释模型的预测效果，并支持数据驱动的决策。
使用Python和plotly制作列线图
skyskytotop的博客
03-31 1239
目前这个版本，只是跟大家做一些如何使用Python制作列线图的研究和讨论，还不到可以实际应用的阶段，请大家要自行把握。笔者先前也对临床决策曲线做了一些拆解和分析，以后也会对一些，常用的图图就是或者是数据包的做一些拆解和分析，了解了这些算法之后，就可以在基础上做一些改进和调整。
Nomogram | 盘点一下绘制列线图的几个R包！~（一）
m0_72224305的博客
04-08 2602
的系数，给每个影响因素的不同取值赋分，然后将各个分数相加得到总分，再根据总分和结局事件发生概率的转换关系，计算出预测值。），是一种用于预测模型的可视化工具，它可以将多个影响因素和结局事件的关系展示在同一平面上。的概念，用于快速计算复杂公式的图形表示法，曾经在工程和科学领域广泛使用，直到被计算机取代。🤩 ComplexHeatmap | 颜狗写的高颜值热图代码！的确很好用，但是很难计算出所有项目的总分和概率，这里可以用。🤣 NetworkD3 | 让我们一起画个动态的桑基图吧~，不过个人觉得不是特别好用。
史上最详细Cox回归列线图制作教程
热门推荐
anshiquanshu的专栏
12-20 3万+
列线图是一种直观有效地展示Cox回归结果的一种方法。最有价值的是进行结局的预测，同时可以通过直线的长度来表示不同变量对结局的影响，以及变量的不同取值对结局的影响。正如下图中所示。 举例来说，一个男性胰腺癌患者，年龄是40岁，术中进行放疗，肿瘤位置再胰脏头部，胰胆管浸润为CH0,有腹膜转移，TNM分期在IV期。 根据上述条件，判断每个变量的得分，年龄40岁，points得分是10分，男
手把手教你绘制最基础的列线图
庐州月光的博客
06-08 5690
欢迎关注”生信修炼手册”!在之前的文章中，我们介绍了列线图的含义和构建方法，本文重点介绍下绘制列线图的代码，经典的列线图如下所示当我们构建好一个预后模型之后，可以通过列线图来可视化其公式，最常用的绘图方法是通过rms这个R包，以pbc这个生存分析的数据为例，展示下其基本用法> library(rms) > pbc <- pbc[pbc$status %i...
使用Python，matplotlib绘制Nomogram列线图
qq_40985985的博客
08-16 8115
使用Python，matplotlib绘制Nomogram列线图
logistic.rar_logistic regression_logistic参数_logistic回归_牛顿方法 回归_牛
07-15
matlab实现logistic回归 利用牛顿迭代的方法得到最后的回归参数
机器学习——Logistic回归.pdf
03-28
本人通过观看吴恩达机器学习视频所记录的笔记，比较潦草，有兴趣的可以看一看。 知识点概要： 1、分类 2、假设陈述 3、决策界限 4、代价函数 5、简化代价函数 6、多元分类
logistic回归.pptx
11-12
logistic回归.pptx
Logistic回归分析(重点、难点)
06-15
Logistic回归分析(重点、难点)，Logistic回归分析(重点、难点)课件，Logistic回归分析(重点、难点)PPT
程序人生——Java使用关于性能和效率的建议
Perley620的博客，专注后端领域
03-18 1601
程序人生——Java使用关于性能和效率的建议
含冰蓄冷技术在冷热电联供微网优化调度中的应用研究(文档加Matlab源码)
04-16
本文深入探讨了含冰蓄冷空调技术在冷热电联供型微网系统中的多时间尺度优化调度问题。通过分析含冰蓄冷系统的工作原理和特点，研究了其在微网系统中实现能源高效利用和需求侧管理的潜力。文章详细介绍了优化模型的构建过程，包括目标函数的确定、约束条件的设定以及多时间尺度的调度策略。此外，还展示了通过实际案例分析，如何通过优化调度提高系统的经济性和可靠性。本文适用于能源系统工程师、微网设计者、建筑能源管理者以及相关领域的研究人员。 适用人群： - 能源系统工程师 - 微网设计和运营人员 - 建筑能源管理专家 - 可持续发展和节能技术研究人员 使用场景： - 微网系统的能源管理和优化 - 冷热电联供系统的设计与实施 - 建筑节能改造和能源效率提升项目 - 能源政策制定和规划 目标： 旨在为微网系统提供一种结合含冰蓄冷技术的优化调度方案，以实现能源的高效利用和成本的降低，同时增强系统的可靠性和环境友好性。 关键词 含冰蓄冷技术
机器学习简单算法实现.zip
04-16
机器学习简单算法实现.zip
北航2022年研究生机器学习团队作业——云状识别.zip
最新发布
04-16
众所周知，人工智能是当前最热门的话题之一， 计算机技术与互联网技术的快速发展更是将对人工智能的研究推向一个新的高潮。 人工智能是研究模拟和扩展人类智能的理论与方法及其应用的一门新兴技术科学。 作为人工智能核心研究领域之一的机器学习， 其研究动机是为了使计算机系统具有人的学习能力以实现人工智能。 那么， 什么是机器学习呢？ 机器学习 (Machine Learning) 是对研究问题进行模型假设，利用计算机从训练数据中学习得到模型参数，并最终对数据进行预测和分析的一门学科。 机器学习的用途 机器学习是一种通用的数据处理技术，其包含了大量的学习算法。不同的学习算法在不同的行业及应用中能够表现出不同的性能和优势。目前，机器学习已成功地应用于下列领域： 互联网领域----语音识别、搜索引擎、语言翻译、垃圾邮件过滤、自然语言处理等 生物领域----基因序列分析、DNA 序列预测、蛋白质结构预测等 自动化领域----人脸识别、无人驾驶技术、图像处理、信号处理等 金融领域----证券市场分析、信用卡欺诈检测等 医学领域----疾病鉴别/诊断、流行病爆发预测等 刑侦领域----潜在犯罪识别与预测、模拟人工智能侦探等 新闻领域----新闻推荐系统等 游戏领域----游戏战略规划等 从上述所列举的应用可知，机器学习正在成为各行各业都会经常使用到的分析工具，尤其是在各领域数据量爆炸的今天，各行业都希望通过数据处理与分析手段，得到数据中有价值的信息，以便明确客户的需求和指引企业的发展。
画logistic_【R语言】logistic回归+nomogram绘制+c-index+校正曲线
06-13
好的，以下是R语言中绘制logistic回归的代码以及nomogram、c-index和校正曲线绘制的示例代码： 首先，我们需要准备一个数据集，这里我们使用R自带的乳腺癌数据集： ```R data("breast_cancer", package = "rpart") # 将目标变量转换为二分类变量 breast_cancer$Class[breast_cancer$Class == "negative"] <- 0 breast_cancer$Class[breast_cancer$Class == "positive"] <- 1 ``` 接下来，我们使用glm函数来拟合一个logistic回归模型： ```R model <- glm(Class ~ Age + Menopause + Tumor.Size + Inv.Nodes, data = breast_cancer, family = binomial(link = "logit")) ``` 接下来，我们可以使用rms包中的nomogram函数来绘制一个nomogram： ```R library(rms) # 绘制nomogram nom <- nomogram(model, fun = function(x) 1/(1+exp(-x))) print(nom) ``` 然后，我们可以使用rms包中的validate函数来计算c-index和绘制校正曲线： ```R # 计算c-index valid <- validate(model, B = 100) valid$c.index # 绘制校正曲线 plot(valid$cal, ylim = c(0, 1), xlab = "Predicted Probabilities", ylab = "Observed Probabilities") ``` 最后，我们可以使用ggplot2包中的ggplot函数来绘制logistic回归的曲线： ```R library(ggplot2) # 计算预测概率 breast_cancer$pred_prob <- predict(model, type = "response") # 绘制曲线 ggplot(breast_cancer, aes(x = Age, y = pred_prob, color = Class)) + geom_smooth(method = "glm", method.args = list(family = "binomial"), se = FALSE) + scale_color_manual(values = c("#999999", "#E69F00")) + labs(title = "Logistic Regression Curve", x = "Age", y = "Predicted Probability", color = "Class", subtitle = "Breast Cancer Data") + theme_bw() ``` 希望这些代码能对你有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值