图片
1. 摘要背景：恶性骨肿瘤（MBT）是老年患者死亡的原因之一。我们研究的目的是建立一个列线图来预测老年MBT患者的总生存期（OS）。方法：从SEER数据库下载了2004年至2018年所有老年MBT患者的临床病理数据。他们被随机分配到训练集（70%）和验证集（30%）。采用单因素和多因素Cox回归分析确定老年MBT患者的独立危险因素。基于这些危险因素构建列线图，以预测老年MBT患者的1年，3年和5年OS。然后，利用一致性指数（C指数）、校准曲线和受试者工作曲线下面积（AUC）来评价预测模型的准确性和判别力。决策曲线分析（DCA）用于评估列线图的临床潜在应用价值。根据列线图上的分数，将患者分为高风险组和低风险组。Kaplan-Meier（K-M）曲线用于测试两名患者之间的生存差异。结果：从SEER数据库下载了2004年至2018年所有老年MBT患者的临床病理数据。他们被随机分配到训练集（70%）和验证集（30%）。采用单因素和多因素Cox回归分析确定老年MBT患者的独立危险因素。基于这些危险因素构建列线图，以预测老年MBT患者的1年，3年和5年OS。然后，利用一致性指数（C指数）、校准曲线和受试者工作曲线下面积（AUC）来评价预测模型的准确性和判别力。决策曲线分析（DCA）用于评估列线图的临床潜在应用价值。根据列线图上的分数，将患者分为高风险组和低风险组。Kaplan-Meier（K-M）曲线用于测试两名患者之间的生存差异。结论：我们建立了一个新的列线图来预测老年MBT患者的1年，3年，5年的OS。该预测模型可以帮助医生和患者制定治疗计划和后续策略。、2. 数据介绍文献共纳入1641名2004-2018诊断的老年MBT患者的临床病理数据。暴露因素包括年龄、种族、性别、诊断年份、组织学类型、分级、分期、原发位置、TNM分期、肿瘤大小、是否化疗、是否放疗及手术方式。图片
3.研究结果这篇文献构建Cox回归预测模型的统计思路十分清晰。首先按照7：3将数据集进行拆分获得训练集与验证集，然后做均衡性检验，比较训练集和验证集的差异性，再做单因素和多因素Cox回归，筛选变量构建列线图预测模型，最后对模型进行评价。文献中通过ROC曲线对预测模型进行区分度验证，A图是训练集1年、3年、5年患者的总生存期的ROC曲线；B图是验证集1年、3年、5年患者的总生存期的ROC曲线。ROC曲线下面积又叫AUC面积，这个值越大说明预测模型的而判别区分能力越好。图片
二、利用R语言复现下面我们利用从SEERStat中提取的相关数据进行复现。根据文献中的纳入排除标准，提取涉及的相关数据，最终共纳入1，574名患者（原文献1，641）。介于SEERStat数据库会有更新，因此提取的样本量与原文会有所出入，这里请大家多关注统计方法的运用！本次用到的是R版本是4.3.1。1. 安装加载R包if(!require("timeROC")) install.packages("timeROC")library("timeROC")2.完成前期准备工作在绘制ROC曲线之前，必须要完成数据的导入、拆分数据集的工作、预测因子的筛选，校准图的绘制是分别在训练集与验证集独立进行的。以上这些内容可参见：Cox构建预测模型（2）：如何用R语言拆分数据集并作均衡性检验Cox构建预测模型（3）：如何用R语言做cox先单后多回归分析！（附全套代码）Cox构建预测模型（4）:如何用R语言绘制cox预测模型列线图？（附全套代码）Cox构建预测模型（5）：如何用R语言绘制校准曲线（附全套代码）3. 绘制ROC曲线这里根据文献，我们需要绘制1年、3年、5年的ROC曲线，为减少篇幅，只为大家展示训练集ROC曲线的绘制，验证集同理。从下面的代码可以看出通过R语言绘制ROC曲线还是较为复杂的，对于代码的含义，小编也进行了标注，大家可以辅助进行理解。train$lp <- predict(train_model, newdata = train,type ="lp")time_roc_train <- timeROC( T = train$months, #结局时间 delta = train$status, #生存结局 marker = train$lp, #预测变量 cause = 1, #阳性结局指标值 weighting="marginal", #权重计算方法，默认marginal，采用KM计算删失分布 times = c(12, 12*3, 12*5), ROC = TRUE, #保存sensitivities 和 specificties值 iid = TRUE #iid = TRUE 才会保存置信区间，但是样本量大了后，耗时耗资源)#计算train-1年的AUCtrain1y <- paste0("train 1 year AUC (95%CI) = ", sprintf("%.3f",time_roc_train$AUC[1]) ," (", sprintf("%.3f",confint(time_roc_train, level = 0.95)$CI_AUC[1,1]/100)," - ", sprintf("%.3f",confint(time_roc_train, level = 0.95)$CI_AUC[1,2]/100),")")#计算train-3年的AUCtrain3y <- paste0("train 3 year AUC (95%CI) = ", sprintf("%.3f",time_roc_train$AUC[2]) ," (", sprintf("%.3f",confint(time_roc_train, level = 0.95)$CI_AUC[2,1]/100)," - ", sprintf("%.3f",confint(time_roc_train, level = 0.95)$CI_AUC[2,2]/100),")")#计算train-5年的AUCtrain5y <- paste0("train 5 year AUC (95%CI) = ", sprintf("%.3f",time_roc_train$AUC[3]) ," (", sprintf("%.3f",confint(time_roc_train, level = 0.95)$CI_AUC[3,1]/100)," - ", sprintf("%.3f",confint(time_roc_train, level = 0.95)$CI_AUC[3,2]/100),")")#train AUC 多时间点合一plot(title="",time_roc_train,col="DodgerBlue",time=12,lty=1,lwd = 2,family = "serif") #绘制ROC曲线 plot(time_roc_train,time=12*3,lty=1,lwd = 2,add=TRUE,col="LightSeaGreen",family = "serif")#add=TRUE指在前一条曲线基础上新增plot(time_roc_train,time=12*5,lty=1,lwd = 2,add=TRUE,col="DarkOrange",family = "serif" )legend("bottomright",c(train1y,train3y,train5y),col=c("DodgerBlue","LightSeaGreen","DarkOrange"),lty=1,lwd=2)代码解读：计算过AUC值后，将3条ROC曲线绘制在同一张表格中，关键指标为“add=TRUE”，否则仅绘制单条曲线，legend表示注释表格的位置，"bottomright"指右侧底部。R语言复现得到的ROC曲线如下：图片
三、利用在线网站复现如果没有代码基础，或者希望通过更便捷的方式完成统计分析，推荐使用这个智能在线统计分析平台——风暴统计。一键成三线表，便捷又快速。网址：www.medsta.cn（电脑端浏览器打开）或medsta.cn（medical statistics缩写）1.进入网站分析模块电脑端打开风暴统计平台——“风暴智能统计”模块，点击“临床预测模型（最新）”，进入“cox预测模型”页面。图片
2.完成前期的准备工作利用风暴统计平台进行ROC曲线的绘制之前，也需要完成数据导入、拆分数据集的工作哦！3.绘制ROC曲线完成前期准备工作之后，进入“Cox预测模型”模块，根据提示选入回归因变量与回归自变量。最最重要的是多因素回归设置，也就是你所期望的自变量筛选方式，可以是先单后多，也可以是逐步回归法，阈值也可以进行调节，十分灵活。图片
选中之后，下方就直接给出ROC曲线结果，包括训练集与验证集3个不同时间点的6张ROC曲线图，在左侧可以直接调整图形的线条粗细，AUC95%可信区间注释的位置。小白式操作也可以绘制出精美的图形！图片
四、小结风暴统计网站给出的图线与AUC面积及95%置信区间和R语言结果完全一致，只是网站目前不能够把同一模型的多条曲线绘制在一张图中。但是与R语言几十行代码相比，风暴统计足够简洁、快速，结果可靠，在实际生活中，还十分值得一试的！ 本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。Powered by pg电子哪里玩破解版 @2013-2022 RSS地图 HTML地图