【图书推荐】《R语言医学数据分析实践》

本书重点

梅俏、卢龙、丁健、张晟、黄龙、胡志坚、张琼瑶、林志刚等业内专家联袂推荐。

以公共医学数据为例，精选大量的实用案例，深入浅出地介绍统计建模分析方法。

帮助读者解决医学数据分析中遇到的实际问题。

通过实际操作引导读者入门科研论文数据分析。

内容简介

公共医学数据库的应用越来越广泛，利用这些数据库进行论文写作可以显著减少研究成本和时间。《R语言医学数据分析实践》以公共医学数据为例，讲解如何使用R语言进行数据挖掘和统计分析。《R语言医学数据分析实践》通过大量精选的实例，对统计分析方法进行了深入浅出的介绍，旨在帮助读者解决医学数据分析中遇到的实际问题。《R语言医学数据分析实践》配套提供示例源码、PPT课件、作者微信群答疑服务。

《R语言医学数据分析实践》共分为12章，内容包括R语言介绍、R语言基本语法、R语言数据清洗、R语言数据可视化、R语言统计建模分析方法、R语言机器学习实战入门、列线图在预测模型中的应用、临床数据挖掘中的生存分析、NHANES 数据库挖掘实战、GEO数据库挖掘实战、孟德尔随机化分析实战、单细胞测序实战。

适合读者

《R语言医学数据分析实践》适用于临床医学、公共卫生及其他医学相关专业的本科生和研究生使用，也可作为其他专业的学生和科研工作者学习数据分析的参考书。阅读本书，读者不仅能够掌握使用R语言及相关包快速解决实际问题的方法，还能更深入地理解公共医学数据库挖掘的实战精髓。

作者简介

李丹，福建医科大学附属协和医院消化内科主任医师，教授，博士生导师，福建省高层次人才，福建省青年五四奖章、福建省青年科技奖获得者。中华医学会消化病分会青年委员。以通讯作者或第一作者身份发表SCI论文16篇。
宋立桓，曾服务于微软中国有限公司，国内互联网头部企业解决方案资深架构师，专注于人工智能和大数据挖掘分析，拥有多项人工智能发明专利。著有《Python深度学习从零开始学》《云原生构建数字世界》《MySQL性能优化和高可用架构实践》《PyTorch深度学习与企业级项目实战》等科技著作。
蔡伟祺，福建医科大学协和临床医学院2022级专业学位硕士研究生，精通R语言和公共医学数据库挖掘。

前言

传统临床研究设计方法论产生的前提，是当时无法处理的海量临床数据，以及无法考察全集而必须抽样。无论是随机对照试验还是队列研究，其核心技术本质上都是围绕恰当的抽样设计而展开的。然而，由于疾病本身的复杂性和患者个体之间不可避免的差异性，随机对照试验和队列研究所揭示的真相是有限的。虽然扩大样本量可以减少异质性，但样本量的增加带来的异质性减少呈边际递减趋势，而成本却呈数量级上升。

随着计算机科学的进步，我们对临床数据的记录和处理能力已经远非20世纪80年代的研究者所能想象。但是，在利用计算机工具对这些海量数据进行清洗、建模和计算时，旧有的、适用于传统临床设计的统计工具已经无法胜任。这需要更为强大的计算机语言来实现。这种语言不仅能够用于假设和猜想的验证，还能在没有假设和猜想时，通过对数据进行模式识别来提取海量临床数据中的重要信息。这种模式识别分析方法对分析工具的灵活性要求很高，传统的固定分析软件难以实现。

R语言比现有商业化软件更适用于临床数据挖掘的新分析模式。在未来医学统计的工具中，R语言必将占有一席之地。特别是在公共医学数据库的应用日益广泛的背景下，基于这些数据库来撰写论文，不需要自己进行实验或采集数据，从而可以减少研究成本和时间。通过挖掘现有的临床大数据来发现新思路，也是一种有效的研究手段。目前，许多国际权威的公共医学数据库平台都鼓励医学科研人员使用R语言进行数据挖掘和科学研究。这些数据库中的数据来源可靠，样本量大，而且不用担心原始数据追溯和伦理等问题。

关于本书

培养精通数据挖掘、人工智能等新一代信息技术的未来医生，是时代赋予医科院校的重要使命。推进医学与IT信息技术的融合教育是培养未来医生的核心内容。

本书以让非统计专业读者易于理解为原则，强调实战和应用，着重介绍数据分析的思路和方法，以及数据分析的实质、特点、应用条件和结果，尽量减少统计方法的推导和计算。

本书力求以通俗易懂的方式，详细介绍R语言的基础理论和公共医学数据库挖掘，同时通过实际操作引导读者入门科研论文数据分析实战。

配套资源下载

本书的配套资源包括示例源码、PPT课件、作者微信群答疑服务，读者可以通过微信扫描下面的二维码获取来获取。

本书读者

本书适合临床医学、公共卫生及其他医学相关专业的本科生或研究生使用，也可作为其他专业的学生和科研工作者进行数据挖掘和统计分析的参考书。希望本书能够帮助读者更深入地理解数据分析，并将其进一步应用于临床和科研领域。

致谢

感谢我的父母、先生和女儿，你们一直在默默地支持我！

感谢我的福州三中校友宋立桓同学，他深厚的IT专业知识与医学视野的融合，为本书的撰写提供了宝贵的跨界合作！

感谢清华大学出版社的夏毓彦编辑为本书的出版提供的帮助！

万事开头难，只有打开一扇窗户，才能发现一个全新的世界。希望这本书能帮助读者打开学习R语言的大门，让更多的人感受并享受到大数据时代带来的便利！

李丹

福建医科大学附属协和医院消化内科主任医师、教授、博士生导师

2024年8月

目    录
第1章  R语言介绍 1
1.1  R语言概述 1
1.1.1  什么是R语言 1
1.1.2  临床医生使用R语言的优势 1
1.2  R编程环境的搭建 2
1.2.1  R语言的下载和安装 3
1.2.2  RStudio的下载和安装 5
1.2.3  RStudio操作 6
1.3  R语言包 8
1.3.1  什么是R包 8
1.3.2  R包的安装 8
1.4  初识R语言的注意事项 9
第2章  R语言的基本语法 11
2.1  R语言的数据结构 11
2.1.1  向量 11
2.1.2  矩阵 13
2.1.3  数组 15
2.1.4  数据框 16
2.2  R语言函数简介 17
2.2.1  函数的定义 17
2.2.2  常用内置函数的使用 18
2.3  R语言中的数据读写 19
2.3.1  读取文件 19
2.3.2  写入文件 20
2.3.3  读写其他数据文件 21
2.4  R语言流程控制 21
2.4.1  判断语句 21
2.4.2  循环语句 23
2.5  字符串操作 24
2.6  R语言数据保存 26
第3章  R语言数据清洗 27
3.1  数据清洗的重要性 27
3.2  数据质量评估 28
3.3  数据清洗 30
3.3.1  缺失值检查及处理 30
3.3.2  异常值检查及处理 32
3.3.3  重复值检查及处理 34
3.4  数据清洗dplyr包的使用 34
3.5  数据清洗实战 37
第4章  R语言数据可视化 42
4.1  基础绘图 42
4.2  ggplot2绘图 45
4.2.1  ggplot2语法入门及相关软件包 46
4.2.2  ggplot2绘制简单的统计图形 46
4.2.3  ggplot2绘制复杂图形（统计图的组合、分面展示） 54
4.3  高质量SCI论文绘图 58
4.3.1  聚类分析和相关分析的热图详解 58
4.3.2  ROC曲线的绘制 63
4.3.3  火山图的绘制 67
第5章  R语言统计建模分析 71
5.1  经典统计分析 71
5.1.1  t检验 71
5.1.2  方差分析 73
5.1.3  卡方检验 74
5.1.4  简单线性回归分析 75
5.2  高级回归分析 77
5.2.1  多重线性回归分析 77
5.2.2  Logistic回归分析 78
5.2.3  回归分析实战 80
5.3  SCI文章两表一图实战 84
5.3.1  SCI文章—基线资料表 84
5.3.2  SCI文章—单因素回归分析表或多因素回归分析表 88
5.3.3  SCI文章—亚组分析的森林图 89
5.3.4  限制性立方样条图 92
第6章  R语言机器学习实战入门 95
6.1  什么是机器学习 95
6.2  机器学习的流程 96
6.2.1  数据收集 96
6.2.2  数据预处理 97
6.2.3  特征工程 97
6.2.4  模型构建和训练 98
6.3  机器学习分类 98
6.3.1  监督学习 98
6.3.2  无监督学习 99
6.3.3  强化学习 100
6.4  过拟合和欠拟合 101
6.4.1  过拟合 101
6.4.2  欠拟合 101
6.5  衡量机器学习模型的指标 102
6.5.1  正确率、精确率和召回率 102
6.5.2  几个常见的比率 104
6.5.3  混淆矩阵 104
6.5.4  F1 score和ROC曲线 105
6.6  K折交叉验证 108
6.7  支持向量机概述 108
6.8  随机森林概述 110
6.9  糖尿病风险预测实战 110
6.9.1  数据集背景 110
6.9.2  数据预处理 112
6.9.3  模型建立 113
6.9.4  模型评估 113
6.10  ICU患者死亡率预测实战 115
6.10.1  数据集背景 115
6.10.2  数据预处理 115
6.10.3  模型建立 118
6.10.4  模型评估 120
第7章  列线图在预测模型中的应用 122
7.1  列线图基本原理 122
7.2  列线图的三大要素 123
7.3  列线图解读 123
7.4  列线图的实战 124
7.4.1  列线图R实例一 124
7.4.2  列线图R实例二 126
7.5  列线图在数据挖掘中的应用 128
第8章  临床数据挖掘中的生存分析 133
8.1  基本概念和原理 133
8.1.1  什么是生存数据 133
8.1.2  生存分析的含义 134
8.1.3  为什么要用生存分析 134
8.1.4  生存分析的删失 135
8.1.5  生存分析的常用方法 135
8.2  Kaplan-Meier法生存分析实战 137
8.2.1  Kaplan-Meier法介绍 137
8.2.2  Kaplan-Meier生存曲线R语言实战 137
8.3  Cox生存分析实战 142
8.3.1  Cox回归模型介绍 142
8.3.2  Cox回归模型实战 143
8.4  竞争风险模型 144
8.4.1  临床研究中如何处理竞争事件 145
8.4.2  竞争风险模型R语言实战 145
第9章  NHANES数据库挖掘实战 149
9.1  NHANES数据库介绍 149
9.2  NHANES数据库的下载与合并 152
9.3  NHANES权重介绍及使用 155
9.3.1  什么是权重 156
9.3.2  NHANES权重分析的必要性 156
9.3.3  NHANES权重如何选择 158
9.3.4  NHANES权重实战 160
9.4  NHANES数据分析实战 162
9.5  NHANES数据库发文选题介绍 173
第10章  GEO数据库挖掘实战 175
10.1  GEO数据库介绍 175
10.1.1  GEO数据库概况 175
10.1.2  GEO数据库组织结构 176
10.2  GEO数据库检索 176
10.3  芯片基础知识 179
10.4  GEO数据库分析实战 179
10.4.1  找GSE编号 180
10.4.2  安装生物信息分析所需的R包 181
10.4.3  下载表达矩阵 182
10.4.4  获取分组信息 184
10.4.5  获取表达矩阵并检查数据 185
10.4.6  转换探针ID 186
10.4.7  差异分析 189
10.4.8  分析结果可视化—火山图、热图 192
10.5  GEO多数据集差异分析 195
第11章  孟德尔随机化分析实战 200
11.1  什么是孟德尔随机化 200
11.1.1  基因型和表型 200
11.1.2  孟德尔随机化简介 201
11.2  孟德尔随机化研究流程 204
11.2.1  MR研究流程七步法 204
11.2.2  MR分析数据库介绍 207
11.3  孟德尔随机化分析实战 211
11.3.1  TwoSampleMR包双样本MR分析 211
11.3.2  MR分析网站—MR-Base实战 219
11.4  孟德尔随机化研究论文复现实战 225
11.5  孟德尔随机化分析的优势和论文选题 236
第12章  单细胞测序实战 239
12.1  单细胞测序概述 239
12.1.1  为什么要做单细胞测序 239
12.1.2  单细胞测序技术原理 240
12.2  单细胞测序分析流程 241
12.2.1  读取原始数据并建立表达矩阵 241
12.2.2  消除技术误差 242
12.2.3  细胞聚类与可视化 244
12.3  单细胞转录组分析实战 248
12.3.1  安装Seurat包 248
12.3.2  数据导入 249
12.3.3  数据质控 251
12.3.4  寻找高变基因 253
12.3.5  PCA降维 254
12.3.6  细胞聚类 258
12.3.7  寻找差异表达标记基因 260
12.3.8  细胞注释 262
12.4  单细胞测序多样本分析实战 267
12.5  单细胞测序临床应用 278