生存分析模型的时间依赖性ROC曲线可视化

原文链接：http://tecdat.cn/?p=20650 

人们通常使用接收者操作特征曲线（ROC）进行二元结果逻辑回归。但是，流行病学研究中感兴趣的结果通常是事件发生时间。使用随时间变化的时间相关ROC可以更全面地描述这种情况下的预测模型。

时间相关的ROC定义

令 Mi为用于死亡率预测的基线（时间0）标量标记。 当随时间推移观察到结果时，其预测性能取决于评估时间 _t_。直观地说，在零时间测量的标记值应该变得不那么相关。因此，ROC测得的预测性能（区分）是时间_t_的函数 。 

累积病例

累积病例/动态ROC定义了在时间_t_ 处的阈值_c_处的 灵敏度和特异性，  如下所示。

累积灵敏度将在时间_t_之前死亡的视为分母（疾病），而将标记值高于 _c_ 的作为真实阳性（疾病阳性）。动态特异性将在时间_t_仍然活着作为分母（健康），并将标记值小于或等于 _c_ 的那些作为真实阴性（健康中的阴性）。将阈值 _c_ 从最小值更改为最大值会在时间_t_处显示整个ROC曲线 。

新发病例

新发病例ROC1在时间_t_ 处以阈值 _c_定义灵敏度和特异性，  如下所示。

累积灵敏度将在时间_t处_死亡的人  视为分母（疾病），而将标记值高于 _Ç_ 的人视为真实阳性（疾病阳性）。

数据准备

我们以数据 包中的 ovarian dataset3 survival为例。事件发生的时间就是死亡的时间。Kaplan-Meier图如下。

## 变成data_frame
data <- as_data_frame(data)
## 绘图
plot(survfit(Surv(futime, fustat) ~ 1,
                   data = data)