r语言nonzerocoef函数_R语言pec包深度验证Cox模型

01 研究背景

在cox回归中，如何利用已经构建好的预测模型预测单个患者的生存概率呢？R中的pec包中predictSurvProb()函数可以利用cph()拟合的模型计算验证集中患者在不同时间节点的生存概率。其次该包还能在验证集中计算不同时间点C-index指数，绘制成图，比较验证集在不同模型中的C-index，通过交叉验证评估不同模型的区分度，除此以外该包还能将2个模型的校准度曲线绘制在同一个坐标系中，非常好用的包

02 案例研究

本文数据采用一份肿瘤生存资料数据集，收集了449例癌症患者的生存资料，包含患者年龄、性别、、吸烟史、生化检验、生存时间、生存状态等45个变量。本文利用Lasso回归做变量选择，构建cox预测模型，通过pec包验证区分度和校准度。

03 R代码与结果解读

##加载包 明确每个包的作用

library(pec) ##验证模型

library(rms) ##拟合生存分析模型

library(survival) ##生存分析包

library(glmnet) ##Lasso回归包

第一步，数据整理。

##调用数据，数据格式与普通的spss中格式一样，一行代表一条观测，

dt

vartype

vartype

###transdata 自编小函数 转化数据结构

transData

for (i in 1:length(vartype)) {

if(vartype[i]==0){df[,i]

else if(vartype[i]!=0){df[,i]

}

return(df)

}

df

str(df) ## 查看数据结构

dt

第二步：Lasso回归做变量选择

##筛选变量前，首先将自变量数据(因子变量)转变成矩阵(matrix)

x.factors

#将矩阵的因子变量与其它定量边量合并成数据框，定义了自变量。

x=as.matrix(data.frame(x.factors,dt[,c(21:44)]))

#设置应变量，生存时间和生存状态(生存数据)

y

#调用glmnet包中的glmnet函数，注意family那里一定要制定是“cox”，如果是做logistic需要换成"binomial"。

fit

plot(fit,label=T)