R cox回归 ggDCA报错

news2024/10/6 4:06:43 
临床预测模型的决策曲线分析（DCA）：基于ggDCA包
决策曲线分析法（decision curve analysis，DCA）是一种评估临床预测模型、诊断试验和分子标记物的简单方法。 我们在传统的诊断试验指标如：敏感性，特异性和ROC曲线下面积仅测量预测模型的诊断准确性，未能考虑特定模型的临床效用，而DCA的优势在于它将患者或决策者的偏好整合到分析中。这种理念的提出满足了临床决策的实际需要，在临床分析中的应用日益广泛。

前 言

本文介绍使用ggDCA包绘制多因素Cox回归模型的决策曲线分析（Decision curve analysis，DCA）。

ggDCA是目前能同时绘制Cox回归模型、logistic回归模型及广义线性模型的DCA曲线且其图形能用ggplot2美化。同时，该包还能计算DCA的曲线下面积、净获益及阈值概率的范围，如果把这些加入到文章中相信能增色不少！

1. 预测模型评估小结

2. ggDCA包的安装

3. Cox回归模型的DCA

4. 单个Cox模型多个时间点的DCA

5. 多个Cox回归模型的DCA比较

6. 多个模型在多个时间的DCA比较

7. DCA的曲线下面积（AUDC）

8. 其他回归模型的DCA

一、模型评估与比较小结

举例：某列线图（AUC/C-inde=0.8）预测某患者5年复发风险为70%。

1. 区分度 (Discrimination)

使用ROC曲线的曲线下面积（AUC）和C-index评估。

AUC/C-index=0.8，列线图对此结果的区分能力为80%，即有80%的把握确定复发率为70%。预测模型 | 6. 模型评估：ROC曲线-基于多因素Cox回归

2. 校准度 (Calibration)

使用校准图评估。

校准图用于解释列线图预测的70%复发率与实际复发率的接近程度，即准确性评估。详见：预测模型 | 5. 模型评估：校准曲线

3. 临床实用性

(Clinical usefulness)

使用决策曲线分析（DCA）评估。

多因素Cox回归的DCA曲线

#载入R包
ibrary(rms)
library(ggDCA)
library(survival)  

#清理环境
rm(list = ls()) 

#2.载入数据，status=0为复发
aa<- read.csv('决策分析曲线.CSV')

#使用cph（）函数时运行
#即报错：adjustment values not defined here or with datadist.....时
bb<-datadist(aa)
options(datadist='bb')
数据点击：https://mp.weixin.qq.com/s/VO3GiBZcL_kAoHrr6_dPAw获取

1、构建多因素Cox回归模型

数据中status，0为感兴趣事件，因此status==0

model1<-coxph(Surv(time,status==0)~AGE+N+ER+LVI+Grade+RT,
                data=aa)

2、决策曲线分析 DCA

fig1<-dca(model1,
           new.data = NULL,
           times=60)
  1. 不写times=60，默认为times="median"；
  2. 想看多个时间点DCA，times=c(36,48,60)；
  3. 想看外部验证数据DCA曲线，载入外部数据后，new.data = NULLNULL变为外部数据名字。

3、DCA曲线绘制和美化

ggplot(dca1,       
       model.names="模型1",
       linetype =F, #线型
       lwd = 1.2)   #线粗

2.png

4. 美化

library(ggprism)
ggplot(dca1,linetype =F,lwd = 1.2)+
  #使用直线坐标系    
  theme_classic()+  
  #使用prism主题
  theme_prism(base_size =17)+
  #图例放在上方
  theme(legend.position="top")+
  #x轴范围并加入小刻度
  scale_x_continuous(
    limits = c(0, 1),
    guide = "prism_minor") +
  #y轴范围并加入小刻度
  scale_y_continuous(
    limits = c(-0.01, 0.2),
    guide = "prism_minor")+
  #颜色
  scale_colour_prism(         
    palette = "candy_bright",
    name = "Cylinders",
    label = c("模型1", "ALL", "None"))+
  #图形标题
  labs(title = "5年DCA基于ggDCA包")

3.png

更多细节点击查看原文：https://t.1yb.co/nAm1

四、单个模型多个时间点的DCA

只需修改一下times=c(36,48,60)和图例名称即可

#第1步建模同上
#第2步同上，只需改时间即可
dca1<-dca(model1,
           new.data = NULL,
           times=c(36,48,60))
#第3步改标签
ggplot(dca1,
       linetype =F,
       lwd = 1.2)+
  theme_classic()+  
  theme_prism(base_size =15)+
  theme(legend.position=c(0.7,0.7))+
  scale_x_continuous(
    limits = c(0, 1),
    guide = "prism_minor") +
  scale_y_continuous(
    limits = c(-0.01, 0.15),
    guide = "prism_minor")+
  scale_colour_prism(
    palette = "candy_bright",
    name = "Cylinders",
    label = c("3年DCA","4年DCA","5年DCA", 
              "ALL-3年", "ALL-4年","ALL-5年",
              "None"))+
  labs(title = "3-5年DCA")

五、多个模型DCA比较

#再建两个模型
model2 <- coxph(Surv(time,status==0)~AGE+N+ER+PR+Grade,data=aa)
model3 <- coxph(Surv(time,status==0)~AGE+N+ER+LVI,data=aa)

#三模型DCA分析
#只需指明模型名字和时间即可，跟1个模型一样其实
dca2<- dca(model1,model2,model3,
            times=60)


#绘图，跟单模型一样的代码
ggplot(dca2,
       linetype =F,
       lwd = 1.2)+theme_classic()+  
  theme_prism(base_size =17)+
  theme(legend.position=c(0.8,0.6))+
  scale_x_continuous(
    limits = c(0, 1),
    guide = "prism_minor"
  ) +
  scale_y_continuous(
    limits = c(-0.01, 0.15),
    guide = "prism_minor"
  )+
  scale_colour_prism(
    palette = "candy_bright",
    name = "Cylinders",
    label = c("模型1", "模型2", "模型3","ALL","None")
  )+labs(title = "三模型DCA比较")

六、多模型多时间点DCA比较

#只需修改一下时间和标题
dca2<- dca(model1,model2,model3,times=c(36,48,60))

ggplot(dca2,
       linetype =F,
       lwd = 1.2)+theme_classic()+  
  theme_prism(base_size =17)+
  theme(legend.position=c(0.9,0.6))+
  scale_x_continuous(
    limits = c(0, 1),
    guide = "prism_minor"
  ) +
  scale_y_continuous(
    limits = c(-0.01, 0.15),
    guide = "prism_minor"
  )+
  scale_colour_prism(
    palette = "candy_bright",
    name = "Cylinders",
    label = c("模型1", "模型2", "模型3","ALL","None")
  )+labs(title = "三个模型3-5年DCA比较")

七、曲线下面积及净获益范围

类似ROC曲线的曲线下面积，DCA曲线也有曲线下面积: Area under Decision Curve (AUDC)。

代码非常简单：AUDC(x)x=dca()函数的名称。

净获益范围：rFP.p100(x)

model1<-cph(Surv(time,status==0)~AGE+N+ER+LVI+Grade+RT,
                data=aa)
dca1<-dca(model1,times=60)
AUDC(dca1)

#运行结果
#   model1        All       None 
#0.06035219 0.01139759 0.00000000
rFP.p100(dca1)

#也可以直接输入dca1
dca1

基于这个数据框，我们可以比较各个模型在各个时间点的阈值概率范围，最大最小净获益。

在我读过的文章里，这些数据很少被报道。

这项结果也是ggDCA包的一大特色。

这些数据将使我们的文章更具亮点和说服力。

八、其他回归模型的DCA曲线

ggDCA包可以绘制coxph()和cph()Cox回归模型， lrm()逻辑回归模型以及glm()广义线型模型的DCA曲线。

其原理与Cox回归模型一样，建模---dca()分析---绘图。

只不过，其他模型不需要加入时间变量。

这里使用逻辑回归模型简单举例

bb<-datadist(aa)
options(datadist='bb')
#建模
m1<- lrm(status~AGE+N+LVI+Grade,data = aa)
m2<- lrm(status~AGE,data = aa)
#dca分析
d<-dca(m1,m2 )
#绘图
ggplot(d)+
  theme_classic()+  
  theme_prism(base_size =17)+
  theme(legend.position=c(0.25,0.3))+
  scale_x_continuous(
    limits = c(0.2, 1),
    guide = "prism_minor"
  ) +
  scale_y_continuous(
    limits = c(-0.05, 0.8),
    guide = "prism_minor"
  )+
  scale_colour_prism(
    palette = "candy_bright",
    name = "Cylinders",
    label = c("lrm模型1", "lrm模型2","ALL","None")

小结

基于ggDCA包的可以为我们绘制各种类型的DCA曲线。在文章中可使用的结果可以有：

1、基于DCA分析，模型1比模型2有着更好的临床实用性，在相同的阈值概率下触发医疗干预时，使用模型1作为指导可以使患者有更多的净获益。----DCA图形看到的 ；

2、此外，模型1比模型2有着更广的阈值概率范围+结果----基于dca(x)结果；

3、不同时间点的模型比较可以看模型的在不同时间其临床实用性的变化情况。

在读过的文章中，常常只汇报了第1条结果，但是，现在我们可以通过ggDCA包挖掘更多的结果以此增加一下文章的亮点了。

ggDCA包参考手册：

https://cran.r-project.org/web/packages/ggDCA/index.html

https://mp.weixin.qq.com/s?__biz=Mzg2MjU2NDQwMg==&mid=100010922&idx=1&sn=eae80cc7ab9e3fd2d66864609520921b&chksm=4e0752f77970dbe170cf969ab9baaf1dbbca8953ff4c2502e54595db5cffec4dc17f76267226#rd

错误1 

Error in model.frame.default(formula = Surv(time, event) ~ data + new_model_by_liang_guo,  :
  参数'data'的种类(list)不对

这个错误来源于

model_Liang_Guo <- coxph(Surv(time, event)~data$new_model_by_liang_guo,data=data)
summary(model_Liang_Guo)

去掉datas$  即可

ggDCA的包报错

由于survival包版本问题，从CRAN安装的ggDCA会报错（如上图）。

因此，要从作者的github上下载ggDCA。

ggDCA安装

#1.安装devtools
install.packages("devtools")
#2.从github安装ggDCA
devtools::install_github('yikeshu0611/ggDCA')

#注：若是devtools::install_github('yikeshu0611/ggDCA')也报错，可先运行：
options(unzip ='internal')

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1461869.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Hive的UDF开发之向量化表达式（VectorizedExpressions）

Hive的UDF开发之向量化表达式（VectorizedExpressions）

1. 背景 笔者的大数据平台XSailboat的SailWorks模块包含离线分析功能。离线分析的后台实现&#xff0c;包含调度引擎、执行引擎、计算引擎和存储引擎。计算和存储引擎由Hive提供&#xff0c;调度引擎和执行引擎由我们自己实现。调度引擎根据DAG图和调度计划&#xff0c;安排执…
阅读更多...
2024年天津高考数学备考：历年选择题真题练一练（2014~2023）

2024年天津高考数学备考：历年选择题真题练一练（2014~2023）

距离2024年高考还有不到四个月的时间&#xff0c;今天我们来看一下2014~2023年的天津市高考数学的选择题&#xff0c;从过去十年的真题中随机抽取5道题&#xff0c;并且提供解析。后附六分成长独家制作的在线练习集&#xff0c;科学、高效地反复刷这些真题&#xff0c;吃透真题…
阅读更多...
K8S部署Java项目（Springboot项目）pod状态：CrashLoopBackOff

K8S部署Java项目（Springboot项目）pod状态：CrashLoopBackOff

天行健&#xff0c;君子以自强不息&#xff1b;地势坤&#xff0c;君子以厚德载物。 每个人都有惰性&#xff0c;但不断学习是好好生活的根本&#xff0c;共勉&#xff01; 文章均为学习整理笔记&#xff0c;分享记录为主&#xff0c;如有错误请指正&#xff0c;共同学习进步。…
阅读更多...
docker 镜像仓库实战

docker 镜像仓库实战

“面对脆弱的玩笑” 悉知Docker镜像仓库的命令后&#xff0c;我们总得将这些命令使用起来&#xff0c;在实践中深刻理解执行这些命令的实际效果。 综合实战1: 搭建一个Nginx服务 至于Nginx是什么&#xff0c;我想在这一篇中已经有过讲解: Nignx服务&#xff0c;也并非本篇要详…
阅读更多...
基于springboot+vue的课程答疑系统(前后端分离)

基于springboot+vue的课程答疑系统(前后端分离)

博主主页&#xff1a;猫头鹰源码 博主简介&#xff1a;Java领域优质创作者、CSDN博客专家、阿里云专家博主、公司架构师、全网粉丝5万、专注Java技术领域和毕业设计项目实战&#xff0c;欢迎高校老师\讲师\同行交流合作 ​主要内容&#xff1a;毕业设计(Javaweb项目|小程序|Pyt…
阅读更多...
YOLOv5代码解读[02] models/yolov5l.yaml文件解析

YOLOv5代码解读[02] models/yolov5l.yaml文件解析

文章目录 YOLOv5代码解读[02] models/yolov5l.yaml文件解析yolov5l.yaml文件检测头1--->耦合头检测头2--->解耦头检测头3--->ASFF检测头Model类解析parse_model函数 YOLOv5代码解读[02] models/yolov5l.yaml文件解析 yolov5l.yaml文件 # YOLOv5 &#x1f680; by Ult…
阅读更多...
网络设备和网络软件

网络设备和网络软件

文章目录 网络设备和网络软件网卡交换机交换机的三个主要功能交换机的工作原理第二层交换和第三层交换交换机的堆叠和级联 路由器路由器工作原理 网关网关的分类 无线接入点(AP)调制解调器网络软件 网络设备和网络软件 网卡 网络接口卡又称网络适配器&#xff0c;简称网卡。网…
阅读更多...
shell基础实验（1）

shell基础实验（1）

1、判断当前磁盘剩余空间是否有20G&#xff0c;如果小于20G&#xff0c;则将报警邮件发送给管理员&#xff0c;每天检查次磁盘剩余空间。 1.1.安装邮件服务,配置邮件服务 [rootserver ~]# yum install mailx -y[rootserver ~]# vim /etc/mail.rc set from1580540058qq.com …
阅读更多...
抽象工厂模式 Abstract Factory

抽象工厂模式 Abstract Factory

1.模式定义: 提供一个创建一系列相关或互相依赖对象的接口&#xff0c;而无需指定它们具体的类 2. 应用场景: 程序需要处理不同系列的相关产品&#xff0c;但是您不希望它依赖于这些产品的 具体类时&#xff0c; 可以使用抽象工厂 3.优点: 1.可以确信你从工厂得到的产品彼…
阅读更多...
解决弹性布局父元素设置高自动换行，子元素均分高度问题（align-content: flex-start）

解决弹性布局父元素设置高自动换行，子元素均分高度问题（align-content: flex-start）

案例&#xff1a; <view class"abc"><view class"abc-item" v-for"(item,index) in 8" :key"index">看我</view> </view> <style lang"less">.abc{height: 100px;display: flex;flex-wrap: …
阅读更多...
OD(8)之Mermaid流程图(flowcharts)使用详解

OD(8)之Mermaid流程图(flowcharts)使用详解

OD(8)之Mermaid流程图(flowcharts)使用详解 Author: Once Day Date: 2024年2月20日 漫漫长路才刚刚开始… 全系列文章可参考专栏: Linux实践记录_Once_day的博客-CSDN博客 参考文章: 关于 Mermaid | Mermaid 中文网 (nodejs.cn)Mermaid | Diagramming and charting tool‍…
阅读更多...
数据结构—图

数据结构—图

图是在数据结构中难度比较大&#xff0c;并且比较抽象一种数据结构。 图在地图&#xff0c;社交网络这方面有应用。 图的基本概念 图是由顶点集合及顶点间的关系组成的一种数据结构&#xff1a;G&#xff08;V&#xff0c;E&#xff09;。图标的英文&#xff1a;graph。 (x,…
阅读更多...
Rust Vs Go:从头构建一个web服务

Rust Vs Go:从头构建一个web服务

Go 和 Rust 之间的许多比较都强调它们在语法和初始学习曲线上的差异。然而&#xff0c;最终的决定性因素是重要项目的易用性。 “Rust 与 Go”争论 Rust vs Go 是一个不断出现的话题&#xff0c;并且已经有很多关于它的文章。部分原因是开发人员正在寻找信息来帮助他们决定下…
阅读更多...
数据分析在企业培训系统中的关键作用与优势

数据分析在企业培训系统中的关键作用与优势

数据分析在企业培训系统中扮演着关键的角色&#xff0c;它不仅能够帮助企业更好地了解员工培训的需求和效果&#xff0c;还能够提供有针对性的教育方案和提高培训效果。 数据分析可以帮助企业准确把握员工培训需求。通过收集和分析员工的培训需求调查和反馈信息&#xff0c;企…
阅读更多...
浅谈WPF之利用RichTextBox实现富文本编辑器

浅谈WPF之利用RichTextBox实现富文本编辑器

在实际应用中&#xff0c;富文本随处可见&#xff0c;如留言板&#xff0c;聊天软件&#xff0c;文档编辑&#xff0c;特定格式内容等&#xff0c;在WPF开发中&#xff0c;如何实现富文本编辑呢&#xff1f;本文以一个简单的小例子&#xff0c;简述如何通过RichTextBox实现富文…
阅读更多...
JavaCV之rtmp推流（FLV和M3U8）

JavaCV之rtmp推流（FLV和M3U8）

JavaCV与FFmpeg FFmpeg是一款开源的多媒体处理工具集&#xff0c;它包含了一系列用于处理音频、视频、字幕等多媒体数据的库和工具。 JavaCV集成了FFmpeg库&#xff0c;使得Java开发者可以使用FFmpeg的功能&#xff0c;比如视频解码、编码、格式转换等。 除了FFmpeg&#xff…
阅读更多...
01_02_mysql07_mysql8.0新特性

01_02_mysql07_mysql8.0新特性

1.MySQL8新特性概述 MySQL从5.7版本直接跳跃发布了8.0版本 &#xff0c;可见这是一个令人兴奋的里程碑版本。MySQL 8版本在功能上做了显著的改进与增强&#xff0c;开发者对MySQL的源代码进行了重构&#xff0c;最突出的一点是多MySQL Optimizer优化器进行了改进。不仅在速度上…
阅读更多...
在VsCode中通过Cookie登录LeetCode

在VsCode中通过Cookie登录LeetCode

在vscode中配置好leetcode之后&#xff0c;一般最常用的就是通过cookie登录leetcode ; 首先点击sign in &#xff0c; 然后选择最下面的 &#xff0c; LeetCode Cookie ! 然后输入username(也就是你的lc用户名) 或者 你leetcode绑定的邮箱 ; 输入完成之后 ; 就是要你输入你的l…
阅读更多...
【Java EE初阶二十二】https的简单理解

【Java EE初阶二十二】https的简单理解

1. 初识https 当前网络上,主要都是 HTTPS 了,很少能见到 HTTP.实际上 HTTPS 也是基于 HTTP.只不过 HTTPS 在 HTTP 的基础之上, 引入了"加密"机制&#xff1b;引入 HTTPS 防止你的数据被黑客篡改 &#xff1b; HTTPS 就是一个重要的保护措施.之所以能够安全, 最关键的…
阅读更多...
C#知识点-14（索引器、foreach的循环原理、泛型、委托）

C#知识点-14（索引器、foreach的循环原理、泛型、委托）

索引器 概念&#xff1a;索引器能够让我们的对象&#xff0c;以索引&#xff08;下标&#xff09;的形式&#xff0c;便捷地访问类中的集合&#xff08;数组、泛型集合、键值对&#xff09; 应用场景&#xff1a; 1、能够便捷地访问类中的集合 2、索引的数据类型、个数、顺序不…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023