列线图本质

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。

前面讲了logistic回归和cox回归的列线图绘制方法，今天说一下列线图的本质。

列线图与模型的关系

列线图又叫诺莫图，nomogram plot，前面我们展示了绘制二分类变量和生存资料列线图的多种方法，不知道大家有没有考虑过，其他模型可以绘制列线图吗？例如lasso回归、随机森林等。这就涉及到列线图到底是怎么绘制出来的。

对于一个含有多个自变量和1个因变量的逻辑回归来说，回归方程可以写成类似 y=a + b1x1 + b2x2 + b3x3 这种形式，其中b是回归系数。列线图就是把回归方程用图形的方式展现出来，线段的长短（分数）根据回归系数计算。

列线图分数的计算方法

以下面这个列线图为例：

上面这个列线图是一个逻辑回归的（之前logistic回归列线图推文中的fit2），它的逻辑回归的结果是这样的：

lrm(formula = dead ~ birth + lowph + pltct + bwt + vent + black + 
     white, data = tmp, x = T, y = T)                    
 
           Coef    S.E.    Wald Z Pr(>|Z|)
 Intercept 38.3815 11.0303  3.48  0.0005  
 birth     -0.1201  0.0914 -1.31  0.1890  
 lowph     -4.1451  1.1881 -3.49  0.0005  
 pltct     -0.0017  0.0019 -0.91  0.3644  
 bwt       -0.0031  0.0006 -5.14  <0.0001 
 vent=1     2.7526  0.7436  3.70  0.0002  
 black      1.1974  0.8448  1.42  0.1564  
 white      0.8597  0.8655  0.99  0.3206

在最下面列出了每个自变量的回归系数，我们首先 把回归系数绝对值最大的设置为100分，在这个例子中是lowph，它的回归系数绝对值是4.1451,也就是对应的是100分，然后其他自变量都是根据lowph进行转换 ，即可算出其他自变量对应的得分！

然后根据这个表达式得到的列线图的结果是这样的：

nom2
Points per unit of linear predictor: 21.93145 
Linear predictor units per point   : 0.04559661 


 birth Points
 81.5  16    
 82.0  14    
 82.5  13    
 83.0  12    
 83.5  11    
 84.0   9    
 84.5   8    
 85.0   7    
 85.5   5    
 86.0   4    
 86.5   3    
 87.0   1    
 87.5   0    


 lowph Points
 6.5   100   
 6.6    91   
 6.7    82   
 6.8    73   
 6.9    64   
 7.0    55   
 7.1    45   
 7.2    36   
 7.3    27   
 7.4    18   
 7.5     9   
 7.6     0   


 pltct Points
   0   22    
  50   20    
 100   18    
 150   17    
 200   15    
 250   13    
 300   11    
 350    9    
 400    7    
 450    6    
 500    4    
 550    2    
 600    0    


 bwt  Points
  400 76    
  500 69    
  600 62    
  700 55    
  800 48    
  900 41    
 1000 34    
 1100 27    
 1200 21    
 1300 14    
 1400  7    
 1500  0    


 vent Points
 0     0    
 1    60    


 black Points
 0      0    
 1     26    


 white Points
 0      0    
 1     19    


 Total Points  Dead
           53 0.001
          104 0.010
          157 0.100
          181 0.250
          205 0.500
          229 0.750
          253 0.900

上面的 **Linear predictor units per point: 0.04559661 ** 意思是每一个小刻度代表的分数是0.04559661分，这实际上是最大回归系数的1/100(这里应该是4.1451/100=0.041451，实际上会有偏差！)。

分类变量分数的计算

以vent为例，vent=1的时候，它的回归系数是2.7526，那么它对应的分数应该是 2.7526/0.04559661 * 100 ≈ 60，上面得到的结果是60分，一样的！black应该是 1.1974/0.04559661 * 100 ≈ 26，也和我们算的差不多！

这就是分类变量分数的计算。

连续性变量分数的计算

连续性自变量需要考虑取值范围，它的解释应该是每增加一个单位，因变量变化多少，对于pltct来说，系数是-0.0017，就是每增加1各单位，因变量减少0.0017。

pltct是600，对应的分数是0分，那么如果是100，对应的分数就是 （600-100）* (0.0017/0.04559661) ≈ 18。

这就是连续性变量分数的计算。

了解了列线图的分数计算方法，即使没有R语言，你也可以通过手动计算算出来，这样你可以自己画图！

根据这个思路，理论上凡是有回归系数的、有变量重要性的，都可以画列线图展示出来，并不局限于logistic和cox，但是模型在临床中的解释就很难了。

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。