傻瓜式零代码临床预测模型软件LogisticApp

最新推荐文章于 2025-03-23 01:32:42 发布

大鹏统计工作室

最新推荐文章于 2025-03-23 01:32:42 发布

阅读量3.2k

点赞数 4

文章标签：机器学习

本文链接：https://blog.csdn.net/m0_61115677/article/details/131903775

版权

傻瓜式临床预测模型软件 LogisticApp
无需复杂冗长的代码
只需要鼠标点点，
即可轻松完成 3 分 SCI
支持 Windows32 位、64 位，Mac intel 芯片、M1/M2 芯片

「视频教程见 B 站 up 主：R 语言临床预测模型」

1 LogisticApp 简介

傻瓜式零代码 Logistic 临床预测模型构建、评价、验证。
涉及批量缺失值的多重插补、倾向性匹配得分 PSM、基线资料分析、批量单因素 Logistic 回归、多因素 Logistic 回归、森林图自动绘制、逐步回归、最优子集、Lasso 回归及 Score 计算、随机森林、机器学习（SVM、GBM、ANN、treebag、pls、nnet、bayyes）、列线图 Nomogram 绘制、Nomogram 评分计算、留一法交叉验证、K 折交叉验证、自助抽样 boot、内外部验证（ROC 曲线、AUC、PR 曲线、校准曲线、C 指数、拟合优度、DCA 曲线、CIC 曲线、NRI、IDI 计算)、多模型比较（ROC 曲线、AUC、校准曲线、C 指数、DCA 曲线）、相加交互、相乘交互、Logistic Curve、亚组分析、限制性立方样条图 RCS 等。下面逐一介绍。
LogisticApp2.2.1 版本下载链接: https://pan.baidu.com/s/1vgnvqTfTxIrhCKb37scSWw?pwd=m919 提取码:m919
关注微信公众号 spss1949 回复 LogApp获得 LogisticApp 最新版下载链接。

2 软件登录

双击应用程序，打开软件。
弹出登录界面。输入用户名、密码，点击登录 Login 即可。
登录成功界面

3 样本量计算

切换到样本量计算菜单。
弹出样本量计算界面。
输入 4 个指标快速计算临床预测模型研究所需要的最小样本量，点击 submit，计算样本量，输出结果如下：样本量计算的详细操作步骤及结果解读参照 B站视频教程，篇幅原因，不再过多罗列。

4 上传数据

切换到上传数据菜单 Upload。
弹出上传数据界面。
点击 Upload CSV File中的 「Browse」,导入电脑中的 csv 数据文件，可导入最大不超过 「100M」的数据。需要注意数据并不会上传到云端，不存在数据泄露风险。
数据上传之后，需要设置分类自变量。在 Categroy X的选择框中通过鼠标选择分类自变量。选择完成之后，点击 submit。 「需要注意的是」，即使你的数据中不存在分类自变量，也要点击此处的 submit，这样软件才知道你的数据中不存在分类自变量。另外对于因变量虽然其也是分类变量，但此处不要选择进来。 「此处是针对自变量的」。
之后，我们可以分别切换到 View、Names、Summary、Structure界面。查看数据的基本信息。4 个界面结果截图如下：
View 窗口浏览全部数据。
Names 窗口浏览全部变量名，切记变量名不能有空格或其他特殊符号。变量名称只支持 26 个英文字母或者.与_
Summary 窗口浏览全部变量摘要信息。分类变量提供频数信息，连续性变量提供最基本的 5 个描述统计量信息。
Structure 窗口浏览全部变量结构信息。再次核对数据以及变量的类型，相当重要！！！

5 拆分数据

数据的拆分有两种方法，一种是随机拆分，另外一种是按照数据中的某个二分类资料直接进行拆分。
在数据拆分的 Split data选择框中，Split.Random 表示随机拆分，此时我们需要通过 Set Seed设置种子数，以保证结果的重现性，种子数不同，拆分的数据就不同，这里种子数我设置成了 「859929351」，然后是通过 Number：%来设置按照什么比例拆分，一般是按照 70%作为训练集，30%作为测试集，设置完成之后点击 submit。 如果样本量低，可将拆分比例拉到100%，所有数据都将是建模集，而没有测试集。这样就只有建模集自身的内部验证，而无测试集验证。
在数据拆分的 Split data选择框中，Split.by.Variable 表示按照数据中的某个二分类资料直接进行拆分,默认样本量大的是训练集，样本量小的是测试集。比如截图中选择了变量 「Sex」，那就会按照性别的不同拆分成两个数据集。设置完成之后点击 submit。在数据拆分完成之后，在哪里找到拆分后的数据集呢？在下方的截图中，我们可以切换到 Trainset界面即显示训练集，共有 196 个样本。可以通过图中的 CSV将数据导出成 CSV 格式的本地数据，也可以通过图中的 Excel导出成 Excel 格式的本地数据。具体步骤不再赘述。针对测试集，只要切换到 Testset即可。

6 多重插补 Mice

若数据存在缺失值，可通过多重插补对缺失值进行填补，针对连续性变量、二分类变量、多分类变量试用不同的算法填补。「需要注意的是」，多重插补是针对整个数据集进行填补，和训练集、测试集无关。

在菜单界面点击 Mice,切换到多重插补界面。
自动完成缺失值填补,完整的数据见下。可通过 CSV按键或者 Excel将插之后的数据集保存本地。

7 倾向性匹配得分 PSM

为什么要进行 PSM，可能的原因是你的原始数据基线不平衡，需要对不平衡的数据进行 PSM，从而得到均衡性的目的。具体原理观看我B站视频。需要注意的是，PSM 也是针对整个数据集进行匹配，和训练集、测试集无关。

在菜单界面点击 PSM-Table,切换到 PSM 界面。
在 PSM界面,通过 Y选择因变量，必须是二分类，比如病例组和对照组，或者试验组和对照组。通过 X选择匹配的协变量。通过 1：N Matched:q 确定是 1 比几匹配，指定1个病例匹配几个对照。通过 caliper:确定卡钳值是 0.1。点击 Submit开始匹配。
TabUnmatched窗口：显示未匹配前，病例组、对照组的变量分布情况，建议用SMD来衡量均衡性，而非P值。表格可导出本地。结果略。
匹配之后的数据见下，可通过 CSV按键或者 Excel将插之后的数据集保存本地。在数据里有一个 match.id 表示哪些研究对象配在一起组成了对子。match.id相同的表示属于1个对子。表格可导出本地。
匹配之后的数据，共有 2183 对。两组间的协变量比较，可通过 P 值或 SMD值来判断是否均衡。
在菜单界面点击 PSM-Plot,可查看 PSM 得到的图形。每一幅图形都可以通过右侧的菜单进行细节调整。图形确定无误后可导出成 PDF。
显示未匹配前，病例组、对照组的密度曲线情况，右侧参数可进行图形的颜色、坐标轴等个性化设置。图形可导出本地。
显示匹配后，病例组、对照组的密度曲线情况，右侧参数可进行图形的颜色、坐标轴等个性化设置。图形可导出本地。
显示匹配后，病例组、对照组的love plot，右侧参数可进行图形的颜色、坐标轴等个性化设置。图形可导出本地。

8 基线资料比较

可以批量进行基线资料的分析，自动化导出训练集、验证集基线信息，以及训练集、验证集比较的表格。

在菜单界面点击 Baseline,切换到基线分析界面。
在基线分析界面，通过 Y选择二分类因变量，通过 Select Method设置选择自变量的方法，提供两种方法，一种是按照变量名选择，一种是按照列选择。这里面我们按照变量名称来选择，通过 X多选框来选择变量名称。点击 Submit。
通过 Nonparametric来选择针对连续性自变量究竟是进行秩和检验还是 T 检验。 Significant P Value来设置 alpha=0.05。
输出结果见下，包含整个数据集的基线信息，训练集的基线信息，验证集的基线信息，训练集和验证集比较的信息。表格中包含描述性统计结果以及差异性比较的 P 值。可以导出为三线表。_需要注意的是_，如果选择 T 检验，罗列的是均数和标准差；如果选择秩和检验，罗列是的中位数、四分位数。
All data Analysis窗口：对全部数据进行结局分析，按照是否发生结局分析两组间差异，支持批量卡方检验（罗列百分位数）、t检验（罗列均数、标准差）、秩和检验（罗列中位数、四分位数），自动汇报P<alpha的变量，alpha可自己设置。结果可以表格形式下载本地。
Trainset Analysis，对建模集数据进行结局分析，按照是否发生结局分析两组间差异，支持批量卡方检验（罗列百分位数）、t检验（罗列均数、标准差）、秩和检验（罗列中位数、四分位数），自动汇报P<alpha的变量，alpha可自己设置。结果可以表格形式下载本地。
Testset Analysis，对测试集数据进行结局分析，按照是否发生结局分析两组间差异，支持批量卡方检验（罗列百分位数）、t检验（罗列均数、标准差）、秩和检验（罗列中位数、四分位数），自动汇报P<alpha的变量，alpha可自己设置。结果可以表格形式下载本地。
Trainset & Testset，对全部数据进行拆分均衡性检验，按照建模集 vs 测试集比较变量在两个数据间是否存在差异，理论上应该不存在差异，支持批量卡方检验（罗列百分位数）、t检验（罗列均数、标准差）、秩和检验（罗列中位数、四分位数），自动汇报P<alpha的变量，alpha可自己设置。结果可以表格形式下载本地。

9 批量单因素 Logistic

可以批量进行单因素 Logistic 回归分析，自动对单因素 P<0.05 的变量进行多因素 Logistic 回归分析，结果可导出为三线表。_注意_，针对的是训练集进行分析。

在菜单界面点击 Uni-Logistic,切换到 Logistic 回归分析界面。
在 Logistic 回归分析界面，通过 Decimal Digits:指定保留 3 位小数，通过 Significant P Value:设置 P<0.05 的单因素进行多因素分析。_需要注意的是_，若 Significant P Value:设置为 1，将对所有变量进行多因素分析。
Uniivariate Analysis窗口：对建模集数据进行分析结局的影响因素，批量进行单因素logistic回归，返回偏回归系数、标准误、统计量Z值、P值、OR值及其可信区间，自动汇报P<alpha的变量，alpha可自己设置。结果可以表格形式下载本地。
Multivariate Analysis，自动对上一步P<alpha的变量，针对建模集数据进行多因素logistic回归，返回偏回归系数、标准误、统计量Z值、P值、OR值及其可信区间。结果可以表格形式下载本地。
Uni-Multi Analysis，将单因素logistic结果与多因素logistic结果合并，包括Crude OR及其可信区间、P值，以及Adj OR及其可信区间、P值。结果可以表格形式下载本地。
除此之外还可以针对上述的单因素 Logistic、多因素 Logistic 自动绘制森林图，每一幅森林图的颜色、线条、坐标轴等细节均可以调整。共有 5 幅森林图。
Uni--Forest Plots1窗口，单因素结果自动绘制森林图。右侧参数可进行图形的线条类型、粗细、颜色、坐标轴等个性化设置。图形可导出本地。导出时高度与宽度根据具体设置合适大小。
Uni--Forest Plots2窗口，单因素结果自动绘制森林图。右侧参数可进行图形的线条类型、粗细、颜色、坐标轴等个性化设置。图形可导出本地。导出时高度与宽度根据具体设置合适大小。
Multi-Forest Plots1，多多因素结果自动绘制森林图。图形可导出本地。导出时高度与宽度根据具体设置合适大小。
Multi-Forest Plots2，多多因素结果自动绘制森林图。右侧参数可进行图形的线条类型、粗细、颜色、坐标轴等个性化设置。图形可导出本地。导出时高度与宽度根据具体设置合适大小。
Multi-Forest Plots3，多因素结果自动绘制森林图。右侧参数可进行图形的线条类型、粗细、颜色、坐标轴等个性化设置。图形可导出本地。导出时高度与宽度根据具体设置合适大小。

10 逐步回归

可以进行向前法逐步回归，向后法逐步回归。_注意_，针对的是训练集进行分析。

在菜单界面点击 Stepwise,切换到逐步回归界面。
针对建模集数据进行向前法逐步回归，省略迭代过程，只显示最终结果。结果可以表格形式下载本地。
Backward，针对建模集数据进行向后法逐步回归，省略迭代过程，只显示最终结果。结果可以表格形式下载本地。

11 最优子集回归

可以进行枚举法的最优子集回归。_注意_，针对的是训练集进行分析。

在菜单界面点击 Optimal subset,切换到最优子集回归界面。
AIC窗口，针对建模集数据，将候选自变量的所有组合均进行分析，提供其AIC，AIC最小是为最优模型。假设自变量个数是10，将有1023种组合。假设自变量个数是20，将有无穷大种组合。此种方法谨慎使用。。
BIC窗口，针对建模集数据，将候选自变量的所有组合均进行分析，提供其BIC，BIC最小是为最优模型。
针对建模集数据，将候选自变量的所有组合均进行分析，提供其AUC，AUC是不能用于最优子集的，放在这里是有其他原因，见 教学视频。

12 Lasso

可以进行 Lasso 回归。注意，针对的是训练集进行分析。

在菜单界面点击 Lasso,切换到 Lasso 回归界面。
lasso1，针对建模集数据进行交叉lasso,返回图形1。右侧参数可进行图形的线条类型、粗细、颜色、坐标轴等个性化设置。图形可导出本地。导出时高度与宽度根据具体设置合适大小。。
lasso2，针对建模集数据进行交叉lasso,返回图形2。右侧参数可进行图形的线条类型、粗细、颜色、坐标轴等个性化设置。图形可导出本地。导出时高度与宽度根据具体设置合适大小。
Lambda，针对建模集数据进行交叉lasso,返回Lambda.min、Lambda.1se。
Lambda.min Coef，针对建模集数据进行交叉lasso,返回lambda.min筛选出的变量，结果可以表格形式下载本地。
Lambda.1se Coef，针对建模集数据进行交叉lasso,返回lambda.1se筛选出的变量，结果可以表格形式下载本地。
Lambda Score，针对建模集数据进行交叉lasso,返回建模集、测试集的预测概率与线性预测值，即lasso评分，结果可以表格形式下载本地

13 随机森林模型

可以进行随机森林分析。注意，针对的是训练集进行分析。

在菜单界面点击 Random Forest,切换到随机森林界面。
针对建模集数据进行随机森林分析，返回模型结果，显示袋外错误率等信息。
Plot the error rates，绘制随机森林错误率。图形可导出本地。导出时高度与宽度根据具体设置合适大小。
Variable Importance Plot，绘制随机森林模型变量重要性排序及评分。图形可导出本地。导出时高度与宽度根据具体设置合适大小。
Rf pred，针对建模集数据进行随机森林，返回建模集、测试集预测概率，结果可以表格形式下载本地。

14 几种常见的机器学习

可以进行随机森林分析。注意，针对的是训练集进行模型构建。这里面是利用Baseline中的变量进行模型构建，所以如果你确定好了哪些变量来构建模型，需要回到Baseline界面中指定。

最后一列是SVM得到得预测概率。建模集和测试集都有预测概率，但是模型是建模集构建得。
最后一列是GBM得到得预测概率。。建模集和测试集都有预测概率，但是模型是建模集构建得。
最后一列是ANN得到得预测概率。。建模集和测试集都有预测概率，但是模型是建模集构建得。
最后一列是treebag得到得预测概率。。建模集和测试集都有预测概率，但是模型是建模集构建得。
最后一列是pls得到得预测概率。。建模集和测试集都有预测概率，但是模型是建模集构建得。
最后一列是nnet得到得预测概率。。建模集和测试集都有预测概率，但是模型是建模集构建得。
最后一列是bayes得到得预测概率。。建模集和测试集都有预测概率，但是模型是建模集构建得。

15 Nomogram

在菜单界面点击 Nomogram,切换到绘制列线图界面。
在列线图界面，通过 Y设置因变量，通过 X多选框来选择自变量名称。点击 Submit。
Simple Nomogram，针对建模集数据进行列线图绘制。右侧参数可进行图形的线条类型、粗细、颜色、坐标轴等个性化设置。图形可导出本地。导出时高度与宽度根据具体设置合适大小。
Various Nomogram，针对建模集数据进行列线图绘制。右侧参数可进行图形的线条类型、粗细、颜色、坐标轴等个性化设置。图形可导出本地。导出时高度与宽度根据具体设置合适大小。
Variable Score，针对建模集数据进行列线图分析，得到每一个变量的评分。
Total Score，针对建模集数据进行列线图分析，得到建模集、测试集的评分以及预测概率。结果可以表格形式下载本地。

16 Bootstrap & CV

针对列线图构建的模型进行Bootstrap & CV验证。针对的是建模集自身。

菜单界面
自动输出LGOCV的验证结果，勾选 roc将返回AUC、灵敏度、特异度结果；不勾选 roc将返回准确率结果。
自动输出K-fold的验证结果，勾选 roc将返回AUC、灵敏度、特异度结果；不勾选 roc将返回准确率结果。
自动输出LOOCV的验证结果，勾选 roc将返回AUC、灵敏度、特异度结果；不勾选 roc将返回准确率结果。
自动输出K-fold的验证结果，勾选 roc将返回AUC、灵敏度、特异度结果；不勾选 roc将返回准确率结果。

17 ROC 曲线绘制

可以自动进行训练集和验证集的 ROC 曲线绘制。ROC 曲线的颜色、线条、坐标轴等可进行个性化设置。

在菜单界面点击 ROC-plots,切换到绘制 ROC 曲线界面。
Simple ROC-train，针对建模集数据进行ROC绘制。可通过参数对图形的颜色、线条等进行个性化设置。
Simple ROC-test，利用建模集模型在测试集数据上进行ROC。可通过参数对图形的颜色、线条等进行个性化设置。
Simple ROC Train & Test，将建模集ROC、测试集ROC绘制在同一图形上。可通过参数对图形的颜色、线条等进行个性化设置。
Complex ROC-train，针对建模集数据进行ROC绘制。可通过参数对图形的颜色、线条等进行个性化设置。
Complex ROC-test，利用建模集模型在测试集数据上进行ROC。可通过参数对图形的颜色、线条等进行个性化设置。
Complex ROC Train & Test，将建模集ROC、测试集ROC绘制在同一图形上。可通过参数对图形的颜色、线条等进行个性化设置。
CI ROC-train，针对建模集数据进行bootstrap ROC绘制。可通过参数对图形的颜色、线条等进行个性化设置。
CI ROC-test，利用建模集模型在测试集数据上进行bootstrap ROC。可通过参数对图形的颜色、线条等进行个性化设置。
CI ROCTrain & Test，将建模集ROC、测试集bootstrap ROC绘制在同一图形上。可通过参数对图形的颜色、线条等进行个性化设置。
同时也可绘制PR图形。可通过参数对图形的颜色、线条等进行个性化设置。
输出训练集的的 ROC 曲线各个指标数值大小。
输出验证集的的 ROC 曲线各个指标数值大小。

18 校准曲线绘制

可以自动进行训练集和验证集的校准曲线绘制以及 C 指数的计算。校准曲线的颜色、线条、坐标轴等可进行个性化设置。

在菜单界面点击 Calibration-plots,切换到绘制校准曲线界面。
Simple CAL-train，针对建模集数据进行CAL绘制。结果可以pdf形式下载本地。
Complex CAL-train，针对建模集数据进行CAL绘制。结果可以pdf形式下载本地。
Simple CAL-test，利用建模集模型在测试集数据上进行CAL。结果可以pdf形式下载本地。
Complex CAL-test，利用建模集模型在测试集数据上进行CAL。结果可以pdf形式下载本地。部分结果如下：
训练集、验证集的C指数及其可信区间，bootstrap校正C指数。
训练集的HL拟合优度检验
验证集的HL拟合优度检验

19 DCA 曲线绘制

可以自动进行训练集和验证集的DCA 曲线绘制，以及净收益的计算。DCA 曲线的颜色、线条、坐标轴等可进行个性化设置。

在菜单界面点击 DCA-plots,切换到绘制 DCA 曲线界面。
Standardize DCA-train，针对建模集数据进行标准化净获益率DCA绘制。
Standardize DCA-train，利用建模集模型在测试集数据上进行标准化净获益率DCA。
Standardize DCA-Train & test，利用建模集、测试集进行标准化净获益率DCA绘制在同一幅图上。
Unstandardize DCA-train，针对建模集数据进行非标准化净获益率DCA绘制
Unstandardize DCA-train，利用建模集模型在测试集数据上进行非标准化净获益率DCA。
Unstandardize DCA-Train & test，利用建模集、测试集进行非标准化净获益率DCA绘制在同一幅图上。
CIC-train，针对建模集数据进行CIC绘制。
CIC-test，利用建模集模型在测试集数据上进行CIC绘制。
分别输出建模集、验证集的DCA曲线的数值结果。

20 NRI、IDI 计算

可以自动进行训练集和验证集的 NRI、IDI 指标。

在菜单界面点击 NRI&IDI,切换到计算 NRI、IDI 界面。在弹出的界面，通过 Y设置因变量，通过 Model New多选框来选择旧模型的自变量名称。通过 Model New多选框来选择新模型的自变量名称。通过 cutoff:来选择模型概率的截断值。点击 Submit
Train-cat NRI，针对建模集数据，计算新旧模型的cat NRI
Train-cont NRI，针对建模集数据，计算新旧模型的cont NRI
Train-IDI，针对建模集数据，计算新旧模型的IDI，其中 M1 表示 IDI M2 表示 NRI M3 表示中位数差异。
Test-cat NRI，针对测试集数据，计算新旧模型的cat NRI
Test-cont NRI，针对测试集数据，计算新旧模型的cont NRI
Test-IDI，针对测试集数据，计算新旧模型的IDI，其中 M1 表示 IDI M2 表示 NRI M3 表示中位数差异。