动态Nomogram高分文章标配cox

下面，我们一起来看一下如何绘制动态Nomogram图给文章增添新的色彩。

1. R包与数据准备

1.1 读取R包

library(survival)library(foreign)library(rms)在正式构建Nomogram图前，我们需要首先使用survival包构建Cox回归模型。

1.2 读取数据

rt <- read.table("clinical.txt", header=T, sep="\t", check.names = F, row.names = 1)str(rt)   #查看数据结构随后，读取相应的数据内容，并使用str()函数查看数据集内的内容。可以看到，结果显示，其中包括296个观测，8个不同的变量内容，包括生存时间（futime），生存状态（fustat），以及相应的临床信息（性别，分期，T分期，M分期，N分期和风险等级）。

###因子转换rt$gender <- factor(rt$gender,labels=c("F", "M"))rt$stage <- factor(rt$stage,labels=c("Stage1", "Stage2", "Stage3", "Stage4"))rt$T <- factor(rt$T,labels=c("T1", "T2", "T3", "T4"))rt$M <- factor(rt$M,labels=c("M0", "M1"))rt$N <- factor(rt$N,labels=c("N0", "N1", "N2", "N3"))rt$risk <- factor(rt$risk,labels=c("low", "high"))

同时，根据数据内容，将其中需要用到的分类变量转化为因子形式。

ddist <- datadist(rt)options(datadist='ddist') #使用函数datadist()将数据打包

2. 构建Cox模型

数据准备完成后，接下来需要对数据进行拟合，构建Cox比例风险模型。

f <- coxph(Surv(futime, fustat) ~gender + stage +T + M + N + risk, data=rt)summary(f)

在此，使用survival包的coxph()函数对数据进行拟合建模。通过summary()函数，查看最终的模型结果。

接下来，我们将分别使用三种不同的R包来分别绘制Nomogram图。

3. 基于regplpot包绘制交互式列线图模型

#install.packages("regplot")library(regplot)

首先，使用regplot包来绘制交互式的Nomogram图。

​​​​​​​

regplot(f,       plots = c("density", "no plot"),       observation=rt[12,],       failtime = c(1, 2, 3), prfail = TRUE )

使用regplot()函数绘制交互式Nomogram图。

通过plot参数设定展示形式，以指定变量图的类型。其中，plots = c（“ density”，“ boxes”）为默认形式，且针对因子的第二个内容必须为"no plot", "boxes"，"bars" 和"spikes"中的其中一个。

同时，通过observation参数来指定展示其中第12个患者TCGA-VQ-A8PB的相关信息。

结果显示，在图中红色点代表第12个患者对应的临床信息，而且经过模型预测，该患者所对应的Total score为1.02分，1年内死亡率为0.114，2年内死亡率为0.26，3年内死亡率为0.319。

4. 基于DynNom包绘制模型​​​​​​​

#install.packages("DynNom")   #安装包library(DynNom)​​​​​​​

##注意，数据框的名字不要用data，会报错（遇到过这一问题dat = data也会报错，必须dat = as.data.frame(data)）

# install.packages("DynNom")   #安装包
# ?DynNom
dat = as.data.frame(data)

library(DynNom)
cox <- cph(Surv(survival_time, status)~age +sex+race,surv=T,x=T, y=T,data=dat)
DynNom(cox,data=dat)

随后，我们来看下如何使用DynNom包来快速绘制动态Nomogram图。

DynNom(f, rt)

使用DynNom()函数可以快速完成动态模型的构建。

接着，我们将患者TCGA-VQ-A8PB的相关信息输入进去，其中gender为F，stage为Stage2，T为T3，M为M0，N为N0，risk为high；点击Predict，得到相应的预测生存可能性。

网页部署

以上生成的动态列线图依赖于R和Rstudio，通过以下步骤才能部署到网页中。

1、注册shinyapp账号

进入https://www.shinyapps.io/注册账号

2、将http://shinyapps.io云账户关联至Rstudio（在R studio运行下述代码）

install.packages('rsconnect')    
library(rsconnect)

进入账号，点击Account—Tokens-show，复制粘贴到Rstudio中并运行（个人账号已处理）

setAccountInfo(name='mylogistic2',
			  token='A124917D803DE957B77394FFFF92B37E',
			  secret='yXQohompt0CIL****LD8+9j8WE+K/w')

3、制作动态列线图

DNbuilder(fit2)

运行完之后，会在工作目录文件夹内出现一个新的文件夹(DynNomapp)，内含ui.R、server.R、global.R、functions.R、data.Rdata和 README.txt 等文件；

关掉 Rstudio，打开 ui.R 或 server.R，点击右上角的 Run APP，你会得到一个右上角有 Publish 的 Dynamic nomogram.

#此时，可以通过点击 Publish 上传上述文件，

点击Publish等待完成部署。部署完成后会弹出一个网页。复制网址就可以粘贴在论文中或发给其他人使用。

也可以运行如下语句：

deployApp(appName = “Dynamic_nomogram”)

5. 基于shinyPredict包绘制模型​​​​​​​

#install.packages("shinyPredict")   #安装包library(shinyPredict)

除了DynNom包外，还可以使用shinyPredict包进行动态Nomogram图的绘制。

​​​​​​​

shinyPredict(models=list("Model 1"= f),             data= rt[, c("futime", "fustat", "gender", "stage", "T", "M", "N", "risk")],            path = "./result/",            title="Predicting Nomogram")

在shinyPredict()函数中，通过models参数对需要可视化的模型进行指定，data参数则需要赋予用于预测的数据框格式的数据内容，path参数为保存的路径。运行以后，可以在名为result的文件夹下看到三个不同的文件。

点击文件“app.R”，使用RStudio软件直接打开构建得到的预测模型。

点击右上角的Run App，即可启动相应的App。