R信息解析：臨床預(yù)判模型實(shí)操，校準(zhǔn)曲線和DCA曲線作法示例

此前給大家寫(xiě)過(guò)好幾篇很全面的臨床預(yù)判模型的原解讀析，本文然后此前的文章，持續(xù)寫(xiě)作法，首先仍然是搜到一篇參照論文，今日咱們的示例文章是一篇來(lái)自美國(guó)心臟學(xué)會(huì)雜志的文章：

Zhang X, Yuan K, Wang H, Gong P, Jiang T, Xie Y, Sheng L, Liu D, Liu X, Xu G. Nomogram to Predict Mortality of Endovascular Thrombectomy for Ischemic Stroke Despite Successful Recanalization. J Am Heart Assoc. 2020 Feb 4;9(3):e014899. doi: 10.1161/JAHA.119.014899. Epub 2020 Jan 24. PMID: 31973604; PMCID: PMC7033899.

原文給大家貼在上面，咱們要做的就是對(duì)文章統(tǒng)計(jì)部份進(jìn)行復(fù)現(xiàn)。原文回首

整篇文章就是開(kāi)發(fā)了1個(gè)用來(lái)預(yù)判癌癥患者的3個(gè)月滅亡率危害諾模圖，參考了什么變量，用的是什么人群隊(duì)列，本文不關(guān)注，感興致的學(xué)友自己去閱讀原文哈，本文側(cè)重寫(xiě)微觀作法，作家詳細(xì)應(yīng)用的模型是Step-wise logistic regression，文章中有報(bào)表逐個(gè)變量的OR和總體模型的concordance index，重點(diǎn)的結(jié)果1個(gè)是諾莫圖：

還有就是對(duì)總體模型，作家還展現(xiàn)了模型的校準(zhǔn)曲線和抉擇曲線（意思詳解見(jiàn)R信息解析：臨床預(yù)判模型中校準(zhǔn)曲線和DCA曲線的意思與作法）

文章中的校準(zhǔn)曲線長(zhǎng)如此：

和抉擇曲線長(zhǎng)如此：

由于回歸的or此前寫(xiě)過(guò)，今日就寫(xiě)怎樣幾個(gè)圖的作法。實(shí)例操練

我如今有信息如下：

我想以Y為因變量，做1個(gè)預(yù)判模型，同時(shí)展現(xiàn)諾莫圖和校準(zhǔn)曲線并且抉擇曲線，ROC此前發(fā)文章有全面的寫(xiě)過(guò)，本文直接略過(guò)哈。

首先，我須要先訓(xùn)練我的模型，這時(shí)是個(gè)logistics模型，得用lrm函數(shù)進(jìn)行擬合：

refit <- lrm(y > 3 ~ studage + lectage + service + dept, dat, x = TRUE, y = TRUE)

模型擬合好生成refit目標(biāo)，直接接上calibrate函數(shù)，再plot下就能夠：

plot(calibrate(refit, B = 400))

運(yùn)作上面的代碼后直接獲取下圖，根本不必竄改，和刊登的文獻(xiàn)構(gòu)造一模同樣：

上面就是校準(zhǔn)曲線的作法，咱們?nèi)缓罂粗Z莫圖的和諾莫圖的抉擇曲線的作法，對(duì)于諾莫圖的作法，我記得此前寫(xiě)過(guò)1個(gè)十分全面的教程文獻(xiàn)分析：生存信息和分類(lèi)結(jié)局列線圖的作法，史上最全，大家能夠回去瞅瞅，這兒在咱們?nèi)缃竦睦又校灰獙倓倲M合的refit目標(biāo)運(yùn)作以下的代碼便可出圖：

nom <- nomogram(refit, lp=F,fun=plogis, funlabel="Please follow Wechat Channel- Codewar")

plot(nom)

接下來(lái)持續(xù)做該諾莫圖的抉擇曲線，抉擇曲線須要用到dca函數(shù)，其根本用法如下：

假設(shè)咱們做Univariate Decision Curve Analysis，直接寫(xiě)好公式放在第1個(gè)屬性就行，但是詳細(xì)到咱們的例子咱們是在做Univariate Decision Curve Analysis，這個(gè)時(shí)候咱們須要將多變量模型的預(yù)判值放在公式的右側(cè)：

We wanted to examine the value of a statistical model that incorporates family history, age, and the marker. First we will build the logistic regression model with all three variables, and second we would have saved out the predicted probability of having cancer based on the model.

針對(duì)咱們的模型來(lái)講，我須要用predict函數(shù)獲得模型的預(yù)判值，接著應(yīng)用dca函數(shù)并結(jié)合plot進(jìn)行DCA曲線的繪制，詳細(xì)代碼如下：

dca(dat$y>3~Nomogram, dat, 

       thresholds = seq(0.25, 0.75, by = 0.01)

) %>%

   plot(smooth = TRUE,bty='n')

運(yùn)作后并稍加調(diào)節(jié)便可獲得下圖，固然下圖還能夠依據(jù)需要持續(xù)點(diǎn)竄，可是根本上已然差不多，仿佛比原文要更美觀點(diǎn)啦，嘿嘿。

小結(jié)

今日結(jié)合此前的文章給大家進(jìn)一步簡(jiǎn)介了校準(zhǔn)曲線和抉擇曲線的實(shí)際作法，感激大家耐煩看完，自身的文章都寫(xiě)的很細(xì)，首要代碼都在原文中，請(qǐng)轉(zhuǎn)發(fā)本文到同伙圈后私信答復(fù)“信息鏈接”獲得一切信息和自己采集的學(xué)習(xí)資料。假設(shè)對(duì)您有用請(qǐng)先記得珍藏，再點(diǎn)贊分享。

也歡迎大家的看法和倡議，大家想了解什么統(tǒng)計(jì)方式都能夠在文章下留言，說(shuō)不定我看到了就會(huì)給你寫(xiě)教程哦，有疑問(wèn)歡迎私信，有協(xié)作意向請(qǐng)直接滴滴我。

假設(shè)你是1個(gè)大學(xué)本科生或研發(fā)生，假設(shè)你正在由于你的統(tǒng)計(jì)功課、信息解析、模型建立,科研統(tǒng)計(jì)設(shè)計(jì)等憂(yōu)愁，假設(shè)你在應(yīng)用SPSS, R，Python，Mplus, Excel中碰到任意問(wèn)題，都能夠聯(lián)絡(luò)我。由于我能夠給您供應(yīng)最佳的，最全面和耐煩的信息解析服務(wù)。

假設(shè)你對(duì)Z檢查，t檢查，方差解析，多元方差解析，回歸，卡方檢查，有關(guān)，多程度模型，構(gòu)造方程模型，中介調(diào)整，量表信效度等等統(tǒng)計(jì)方法有任意問(wèn)題，請(qǐng)私信我，獲得全面和耐煩的引導(dǎo)。

If you are a student and you are worried about you statistical #Assignments, #Data #Analysis, #Thesis, #Reports, #Composing, #Quizzes, Exams.. And if you are facing problem in #SPSS, #R-Programming, #Excel, Mplus, then contact me. Because I could provide you the best services for your Data Analysis.

Are you confused with statistical Techniques like z-test, t-test, ANOVA, MANOVA, Regression, Logistic Regression, Chi-Square, Correlation, Association, SEM, multilevel model, mediation and moderation etc. for your Data Analysis...??

Then Contact Me. I will solve your Problem...

加油吧，打工人！往期精彩

R信息解析：Lasso回歸篩選變量建立Cox模型并繪制列線圖

R信息解析：嵌套信息解析為什么要用加隨機(jī)效應(yīng)？終究闡明清晰了

R信息解析：變量間的非線性聯(lián)系，多項(xiàng)式，樣條回歸和可加模型

R信息解析：PLS構(gòu)造方程模型簡(jiǎn)介，論文報(bào)表方式和實(shí)際操控

R機(jī)械學(xué)習(xí)：分類(lèi)算法之logistics回歸分類(lèi)器的原理和實(shí)行

R信息解析：怎樣做信息的非線性聯(lián)系，多項(xiàng)式回歸的作法妥協(xié)釋

R信息解析：追隨top期刊手把手教你做1個(gè)臨床預(yù)判模型

R信息解析：二分類(lèi)因變量的混合效應(yīng)，多程度logistics模型簡(jiǎn)介

R信息解析：狹義預(yù)計(jì)方程式GEE的作法妥協(xié)釋

R信息解析：臨床預(yù)判模型中校準(zhǔn)曲線和DCA曲線的意思與作法

R信息解析：怎樣簡(jiǎn)單高效地展現(xiàn)統(tǒng)計(jì)結(jié)果

R信息解析：怎樣給構(gòu)造方程畫(huà)路徑圖，tidySEM包詳解

R信息解析：生存解析與有競(jìng)爭(zhēng)事情的生存解析的作法妥協(xié)釋

R信息解析：cox模型怎樣做預(yù)判，高分文章復(fù)現(xiàn)

R信息解析：雙持續(xù)變量交互功效的簡(jiǎn)潔斜率圖作圖及闡明

R信息解析：縱向信息怎樣做中介，交叉滯后中介模型簡(jiǎn)介

R機(jī)械學(xué)習(xí)：樸實(shí)貝葉斯與追隨向量機(jī)的原理與實(shí)行

R信息解析：潛變量與降維方式（主成份解析與因子解析）

R信息解析：怎樣用lavaan包做構(gòu)造方程模型，實(shí)例分析

R機(jī)械學(xué)習(xí)：分類(lèi)算法之K最鄰進(jìn)算法（KNN）的原理與實(shí)行