易坊好文馆

  1. 首页 > 玩科技 >

data|拓端tecdat|R语言中生存分析模型与时间依赖性ROC曲线可视化

病例 时间 语言 Data 曲线 标记 mAp Cox 依赖性 tecdat geom marker futime 标记值 时间t


原文链接：http://tecdat.cn/?p=20650
人们通常使用接收者操作特征曲线（ROC）进行二元结果逻辑回归 。 但是 ， 流行病学研究中感兴趣的结果通常是事件发生时间 。 使用随时间变化的时间依赖性ROC可以更全面地描述这种情况下的预测模型 。
时间依赖性ROC定义
令 Mi为用于死亡率预测的基线（时间0）标量标记 。当随时间推移观察到结果时 ， 其预测性能取决于评估时间 t 。 直观地说 ， 在零时间测量的标记值应该变得不那么相关 。 因此 ， ROC测得的预测性能（区分）是时间t的函数。
累积病例
累积病例/动态ROC定义了在时间t 处的阈值c处的 灵敏度和特异性 ，如下所示 。

data|拓端tecdat|R语言中生存分析模型与时间依赖性ROC曲线可视化
文章图片

累积灵敏度将在时间t之前死亡的视为分母（疾病） ， 而将标记值高于 c 的作为真实阳性（疾病阳性） 。 动态特异性将在时间t仍然活着作为分母（健康） ， 并将标记值小于或等于 c 的那些作为真实阴性（健康中的阴性） 。 将阈值 c 从最小值更改为最大值会在时间t处显示整个ROC曲线。
新发病例
新发病例ROC1在时间t 处以阈值 c定义灵敏度和特异性 ，如下所示 。

data|拓端tecdat|R语言中生存分析模型与时间依赖性ROC曲线可视化
文章图片

累积灵敏度将在时间t处死亡的人 视为分母（疾病） ， 而将标记值高于 ? 的人视为真实阳性（疾病阳性） 。
数据准备 我们以数据 包中的dataset3survival为例 。 事件发生的时间就是死亡的时间 。 Kaplan-Meier图如下 。

  1. ## 变成data_frame
  2. data <- as_data_frame(data)
  3. ## 绘图
  4. plot(survfit(Surv(futime, fustat) ~ 1,
  5. data = https://www.sohu.com/a/data)
可视化结果：

data|拓端tecdat|R语言中生存分析模型与时间依赖性ROC曲线可视化
文章图片

在数据集中超过720天没有发生任何事件 。
  1. ## 拟合cox模型
  2. coxph(formula = Surv(futime, fustat) ~ pspline(age, df = 4) +
  3. ##获得线性预测值
  4. predict(coxph1, type = "lp")

data|拓端tecdat|R语言中生存分析模型与时间依赖性ROC曲线可视化
文章图片

累积病例 实现了累积病例
  1. ## 定义一个辅助函数 ， 以在不同的时间进行评估
  2. ROC_hlp <- function(t) {
  3. survivalROC(Stime
  4. status
  5. marker
  6. predict.time = t,
  7. method = "NNE",
  8. span = 0.25 * nrow(ovarian)^(-0.20))
  9. }
  10. ## 每180天评估一次
  11. ROC_data <- data_frame(t = 180 * c(1,2,3,4,5,6)) %>%
  12. mutate(survivalROC = map(t, survivalROC_helper),
  13. ## 提取AUC
  14. auc = map_dbl(survivalROC, magrittr::extract2, "AUC"),
  15. ## 在data_frame中放相关的值
  16. df_survivalROC = map(survivalROC, function(obj) {
  17. ## 绘图
  18. ggplot(mapping = aes(x = FP, y = TP)) +
  19. geom_point() +
  20. geom_line() +
  21. facet_wrap( ~ t) +
可视化结果：

data|拓端tecdat|R语言中生存分析模型与时间依赖性ROC曲线可视化
文章图片

180天的ROC看起来是最好的 。 因为到此刻为止几乎没有事件 。 在最后观察到的事件（t≥720）之后 ， AUC稳定在0.856 。 这种表现并没有衰退 ， 因为高风险分数的人死了 。
新发病例
实现新发病例
  1. ## 定义一个辅助函数 ， 以在不同的时间进行评估
  2. ## 每180天评估一次
  3. ## 提取AUC
  4. auc = map_dbl(risksetROC, magrittr::extract2, "AUC"),
  5. ## 在data_frame中放相关的值
  6. df_risksetROC = map(risksetROC, function(obj) {
  7. ## 标记栏
  8. marker <- c(-Inf, obj[["marker"]], Inf)
  9. ## 绘图
  10. ggplot(mapping = aes(x = FP, y = TP)) +
  11. geom_point() +
  12. geom_line() +
  13. geom_label(data = https://www.sohu.com/a/risksetROC_data %>% dplyr::select(t,auc) %>% unique,
  14. facet_wrap( ~ t) +
可视化结果：
【data|拓端tecdat|R语言中生存分析模型与时间依赖性ROC曲线可视化】
data|拓端tecdat|R语言中生存分析模型与时间依赖性ROC曲线可视化
文章图片

这种差异在后期更为明显 。 最值得注意的是 ， 只有在每个时间点处于风险集中的个体才能提供数据 。 所以数据点少了 。 表现的衰退更为明显 ， 也许是因为在那些存活时间足够长的人中 ， 时间零点的风险分没有那么重要 。 一旦没有事件 ， ROC基本上就会趋于平缓 。
结论 总之 ， 我们研究了时间依赖的ROC及其R实现 。 累积病例ROC可能与风险 （累积发生率）预测模型的概念更兼容。 新发病例ROC可用于检查时间零标记在预测后续事件时的相关性 。
参考
  1. Heagerty,Patrick J. and Zheng,Yingye, Survival Model Predictive Accuracy and ROC Curves,Biometrics ， 61（1）,92-105（2005）. doi：10.1111 / j.0006-341X.2005.030814.x.

data|拓端tecdat|R语言中生存分析模型与时间依赖性ROC曲线可视化
文章图片

最受欢迎的见解
1.R语言绘制生存曲线估计|生存分析|如何R作生存曲线图
2.R语言生存分析可视化分析
3.R语言如何在生存分析与Cox回归中计算IDI ， NRI指标
4.r语言中使用Bioconductor 分析芯片数据
5.R语言生存分析数据分析可视化案例
6.r语言ggplot2误差棒图快速指南
7.R 语言绘制功能富集泡泡图
8.R语言如何找到患者数据中具有差异的指标？（PLS—DA分析）
9.R语言中的生存分析Survival analysis晚期肺癌患者4例

    推荐阅读


    上一篇：设计|大国重器兰州制造 年产30万吨聚丙烯聚合反应器交付使用

    下一篇：市场|期待智能晾衣架解决更多晾衣难题