Cox构建预测模型（5）：如何用R语言绘制校准曲线（附全套代码）

最新推荐文章于 2024-04-12 10:14:33 发布

风暴统计

最新推荐文章于 2024-04-12 10:14:33 发布

阅读量1k

点赞数

文章标签： r语言开发语言

本文链接：https://blog.csdn.net/fengbaotongji/article/details/132551145

版权

临床预测模型作为临床研究的“高阶玩法”，不仅仅是改变临床实践的重要途径，更是发表高分SCI文章的热门选择。但不论零基础的小白，还是已经了解过临床预测模型的同学，刚开始都会一头雾水。简单概括，Cox回归预测模型的基础统计策略大致可以概括为“一表四图”，即均衡性表、列线图、校准图、ROC图、DCA图。

前面已经为大家介绍了均衡性表、列线图的绘制。从今天开始将为大家介绍预测模型验证三件套之校准图的绘制。这里继续为大家复现seer公共数据库的文章，包括R语言代码以及更加便利快捷的风暴统计平台复现的操作流程！

主要内容包括：

一、文献解读

二、利用R语言复现

三、利用在线网站复现

四、小结

一、文献解读

案例文献是沈阳医学院公共卫生学院学者基于SEER数据库的一项回顾性研究，旨在建立一个列线图来预测老年恶性骨肿瘤（MBT）患者的总生存期（OS）。

1. 摘要

背景：恶性骨肿瘤（MBT）是老年患者死亡的原因之一。我们研究的目的是建立一个列线图来预测老年MBT患者的总生存期（OS）。

方法：从SEER数据库下载了2004年至2018年所有老年MBT患者的临床病理数据。他们被随机分配到训练集（70%）和验证集（30%）。采用单因素和多因素Cox回归分析确定老年MBT患者的独立危险因素。基于这些危险因素构建列线图，以预测老年MBT患者的1年，3年和5年OS。然后，利用一致性指数（C指数）、校准曲线和受试者工作曲线下面积（AUC）来评价预测模型的准确性和判别力。决策曲线分析（DCA）用于评估列线图的临床潜在应用价值。根据列线图上的分数，将患者分为高风险组和低风险组。Kaplan-Meier（K-M）曲线用于测试两名患者之间的生存差异。

结果：从SEER数据库下载了2004年至2018年所有老年MBT患者的临床病理数据。他们被随机分配到训练集（70%）和验证集（30%）。采用单因素和多因素Cox回归分析确定老年MBT患者的独立危险因素。基于这些危险因素构建列线图，以预测老年MBT患者的1年，3年和5年OS。然后，利用一致性指数（C指数）、校准曲线和受试者工作曲线下面积（AUC）来评价预测模型的准确性和判别力。决策曲线分析（DCA）用于评估列线图的临床潜在应用价值。根据列线图上的分数，将患者分为高风险组和低风险组。Kaplan-Meier（K-M）曲线用于测试两名患者之间的生存差异。

结论：我们建立了一个新的列线图来预测老年MBT患者的1年，3年，5年的OS。该预测模型可以帮助医生和患者制定治疗计划和后续策略。、

2. 数据介绍

文献共纳入1641名2004-2018诊断的老年MBT患者的临床病理数据。暴露因素包括年龄、种族、性别、诊断年份、组织学类型、分级、分期、原发位置、TNM分期、肿瘤大小、是否化疗、是否放疗及手术方式。

3.研究结果

这篇文献构建Cox回归预测模型的统计思路十分清晰。首先按照7：3将数据集进行拆分获得训练集与验证集，然后做均衡性检验，比较训练集和验证集的差异性，再做单因素和多因素Cox回归，筛选变量构建列线图预测模型，然后通过校准图对模型的校准度进行检验，校准图如下，A-C是训练集1年、3年、5年患者的总生存期校准图，D-F是验证集1年、3年、5年患者的总生存期校准图。曲线与对角线重合度越高，说明模型的校准度越好。

二、利用R语言复现

下面我们利用从SEERStat中提取的相关数据进行复现。根据文献中的纳入排除标准，提取涉及的相关数据，最终共纳入1，574名患者（原文献1，641）。介于SEERStat数据库会有更新，因此提取的样本量与原文会有所出入，这里请大家多关注统计方法的运用！本次用到的是R版本是4.3.1。

1. 安装加载R包

绘制列线图我们主要用到以下两个R包。

if(!require("rms")) install.packages("rms")
library("rms")

2.完成前期准备工作

在绘制校准图之前，必须要完成数据的导入、拆分数据集的工作、预测因子的筛选，校准图的绘制是分别在训练集与验证集独立进行的。

以上这些内容可参见：

Cox构建预测模型（2）：如何用R语言拆分数据集并作均衡性检验

Cox构建预测模型（3）：如何用R语言做cox先单后多回归分析！（附全套代码）

Cox构建预测模型（4）:如何用R语言绘制cox预测模型列线图？（附全套代码）

3. 绘制校准图

篇幅有限，这里仅为大家展示训练集1年的校准图绘制代码。3年、5年的校准图绘制仅需修改时间设置(time.inc= / u= )，1年为12，3年为12*3，5年为12*5。

#train-1年校准图
cox_train1 <- cph(Surv(months,status)~age + Race + Sex + Histologic.type
                + Grade + Stage + Primary.Site + m_stage +Tumor_size + Surgery,
                  data=train,surv=T,x=T, y=T,time.inc = 12)
cal_train1<-calibrate(cox_train1,u=12,cmethod='KM',m=200,B=1000)


#绘制train-1年校准图
plot(cal_train1,lwd=1,lty=2, #线条粗细与虚实
     errbar.col=c(rgb(0,118,192,maxColorValue = 255)),#颜色设置
     xlab='Nomogram-Predicted Probability of 1-year',#x轴名称
     ylab='1-year survival probability',#y轴名称
     col=c(rgb(192,98,83,maxColorValue = 255)),
     xlim = c(0,1),ylim = c(0,1))#x轴范围与y轴范围

代码解读：“u”与“time_inc”对应保持一致，根据研究数据可以是12、24也可以是365、730；m要根据样本量来确定，如预计将所有样本分为n组（在图中显示n个点）,而m代表每组的样本量数，因此m*n应该等于或近似等于样本量；“B=1000”表示进行了1000次重采样计算。plot函数中主要通过细节调整使图形更加丰满美观。

R语言复现得到的校准图如下：

三、利用在线网站复现

如果没有代码基础，或者希望通过更便捷的方式完成统计分析，推荐使用这个智能在线统计分析平台——风暴统计。一键成三线表，便捷又快速。

网址：www.medsta.cn（电脑端浏览器打开）

或medsta.cn（medical statistics缩写）

1.进入网站分析模块

电脑端打开风暴统计平台——“风暴智能统计”模块，点击“临床预测模型（最新）”，进入“cox预测模型”页面。

2.完成前期的准备工作

利用风暴统计平台进行校准图的绘制之前，也需要完成数据导入、拆分数据集的工作哦！

Cox构建预测模型（2）：如何用R语言拆分数据集并作均衡性检验

3.绘制校准图

完成前期准备工作之后，进入“Cox预测模型”模块，根据提示选入回归因变量与回归自变量。最最重要的是多因素回归设置，也就是你所期望的自变量筛选方式，可以是先单后多，也可以是逐步回归法，阈值也可以进行调节，十分灵活。

选中之后，下方就直接给出校准图结果，包括训练集与验证集三个不同时间点的6张图，省去R语言诸多代码的烦恼。另外，通过左侧可以设置重采样次数，通常为500或1000，以及校准图的节点数。最后可以下载校准图的PDF版或PNG版。

四、小结

通过对比R语言制作的校准图与风暴统计软件制作的校准图，两者相同，并且风暴统计省去了相同代码修改运行6次的烦恼，直接一步到位，一次性生成6张校准图，十分快捷便利，在实际运用中，你也不妨花上几分钟，在风暴统计平台试一试！

风暴统计

关注

0
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
Cox构建预测模型（5）：如何用R语言绘制校准曲线（附全套代码）

临床预测模型作为临床研究的“高阶玩法”，不仅仅是改变临床实践的重要途径，更是发表高分SCI文章的热门选择。但不论零基础的小白，还是已经了解过临床预测模型的同学，刚开始都会一头雾水。简单概括，Cox回归预测模型的基础统计策略大致可以概括为“一表四图”，即均衡性表、列线图、校准图、ROC图、DCA图。前面已经为大家介绍了均衡性表、列线图的绘制。从今天开始将为大家介绍预测模型验证三件套之校准图的绘制。这...
复制链接

扫一扫