详解R语言中生存分析模型与时间依赖性ROC曲线可视化

更新时间：2021年03月10日 09:39:44 作者：拓端研究室

这篇文章主要介绍了R语言中生存分析模型与时间依赖性ROC曲线可视化,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

R语言简介

R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。

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。

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。

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 Ç 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。

## 变成data_frame
data <- as_data_frame(data)
## 绘图
plot(survfit(Surv(futime, fustat) ~ 1,
          data = data)

可视化结果：

在数据集中超过720天没有发生任何事件。

## 拟合cox模型
coxph(formula = Surv(futime, fustat) ~ pspline(age, df = 4) + 
##获得线性预测值
 predict(coxph1, type = "lp")

累积病例

实现了累积病例

## 定义一个辅助函数，以在不同的时间进行评估
ROC_hlp <- function(t) {
  survivalROC(Stime    
        status    
        marker    
        predict.time = t,
        method    = "NNE",
        span = 0.25 * nrow(ovarian)^(-0.20))
}
## 每180天评估一次
ROC_data <- data_frame(t = 180 * c(1,2,3,4,5,6)) %>%
  mutate(survivalROC = map(t, survivalROC_helper),
      ## 提取AUC
      auc = map_dbl(survivalROC, magrittr::extract2, "AUC"),
      ## 在data_frame中放相关的值
      df_survivalROC = map(survivalROC, function(obj) {
      
## 绘图
 ggplot(mapping = aes(x = FP, y = TP)) +
  geom_point() +
  geom_line() +
   facet_wrap( ~ t) +

可视化结果：

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

## 定义一个辅助函数，以在不同的时间进行评估
 
## 每180天评估一次
 
      ## 提取AUC
      auc = map_dbl(risksetROC, magrittr::extract2, "AUC"),
      ## 在data_frame中放相关的值
      df_risksetROC = map(risksetROC, function(obj) {
        ## 标记栏
        marker <- c(-Inf, obj[["marker"]], Inf)
 
## 绘图
 
  ggplot(mapping = aes(x = FP, y = TP)) +
  geom_point() +
  geom_line() +
  geom_label(data = risksetROC_data %>% dplyr::select(t,auc) %>% unique,
  facet_wrap( ~ t) +

可视化结果：

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

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.

到此这篇关于详解R语言中生存分析模型与时间依赖性ROC曲线可视化的文章就介绍到这了,更多相关R语言生存分析曲线可视化内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

R语言关于生存分析知识点总结

R语言数据类型与相应运算的实现
本文主要介绍了R语言数据类型与相应运算的实现，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2022-03-03
Python调用R语言实例讲解
这篇文章主要介绍了Python调用R语言实例讲解，文中介绍的非常详细，有需要的同学可以研究下
2021-03-03
R语言列表和数据框的具体使用
本文主要介绍了R语言列表和数据框的具体使用，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2022-01-01
R语言读取栅格数据的方法(raster包读取)
这篇文章主要介绍了R语言读取栅格数据的方法,本文就只是对R语言raster包读取、处理栅格数据加以基本的方法介绍，需要的朋友可以参考下
2023-05-05
详解R语言实现前向逐步回归(前向选择模型)
本文主要介绍了详解R语言实现前向逐步回归，从实现原理开始，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2021-08-08
R语言中fread使用方法
在R语言中,fread函数是data.table包中的一个功能强大的数据读取函数,可以用于快速读取大型数据文件,它比基本的read.table和read.csv函数更快,尤其在处理大型数据集时效果更为明显,这篇文章主要介绍了R语言中fread使用方法,需要的朋友可以参考下
2023-12-12
R语言及RStudio下载与安装方法
这篇文章主要介绍了R、RStudio下载与安装方法,本文通过图文图文并茂的方法给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
2021-03-03
R语言RCode与RStudio使用对比体验分析总结
这篇文章主要为大家介绍了R语言RCode与RStudio使用对比体验分析总结，有需要的朋友可以借鉴参考下，希望能够有所帮助祝大家多多进步
2021-11-11
R语言ggplot2包之坐标轴详解
这篇文章主要介绍了R语言ggplot2包之坐标轴详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2021-04-04
R语言常量知识点总结
在本篇文章里小编给大家整理了一篇关于R语言常量知识点总结内容，有兴趣的朋友们可以学习分享下。
2021-03-03