预测模型研究利器-列线图（Cox回归）

     人类总是痴迷于“算命”。无论是中国文化中的“算命”，还是西方文化中的“占星术”，都显示出人们对此的热情。在这一部分，我们将讨论另一种科学的“算命”。该模型将用于评估患者的预后。作为一名肿瘤科医生，在临床实践中你将面临癌症患者提出的诸如“我能活多久”之类的问题。这是一个令人头痛的问题。大多数情况下，我们可以根据相应疾病的临床分期来判断患者的中位生存时间。实际上，临床分期是我们对这些患者进行生存预测的基础，换句话说，临床分期就是“预测模型”。我们根据患者的临床分期用中位生存期来回答这个问题。但是，这样做可能会引出新的问题，因为用一群人的中位生存期来预测特定个体的生存时间可能并不那么准确，无法判断该特定个体的预后是更好还是更差。

 

      那么，有没有更准确、更科学的方法来计算每个患者的存活率呢？答案是肯定的。（51xxizyuan.com）我们可以先用Cox回归风险模型建立数学模型，然后用Nomogram将与患者生存相关的参数可视化——这一步可以比较准确地计算出每个患者的生存概率。

 

      Nomogram本质上是可视化的回归模型，它根据所有自变量的回归系数设定评分标准，然后给出每个自变量的评分值，从而计算出每个患者的总分。通过函数计算发生概率和预后之间的转换，并且获得每个患者的预后概率。例如，一位已经做了手术的40岁胰腺癌患者，男性，临床分期为IV期，其肿瘤位于胰头并伴腹膜转移，在术中进行了放疗。根据这些现有的信息，我们可以通过数学模型计算出总分：40岁可以得10分，男性可以得4分，以此类推…最后得出总分。不同的评分在3个月、6个月和1年的生存概率不同。此时，复杂的Cox回归公式转变为直观的可视化图形。临床医生可以方便地计算出每个患者的生存概率，并为每个患者提供相对准确的“算命”。

 

      本次教程，我们来讲解Cox回归Nomogram，其与Logistic回归Nomogram在解释上极为相似。和上一章节一样，第一个问题是我们应该在什么时候选择COX回归？这实际上是关于多变量分析中的方法选择问题。如果我们观察到的预后是生存，或者我们称之为“事件发生时间”生存预后，则可以选择Cox回归模型。同时，还应注意预测模型中引入的变量数量与模型的方便性和实用性之间的平衡。我们将列出两个使用R构建Nomogram的示例，介绍R应用的详细性能而不是统计原理。

 

文章剩余及更多绘图技巧