Ландшафтная валидация модели конкурирующего риска на основе R

В нашем протоколе представлены различные методы оценки и валидации номограммы конкурирующего риска, которая учитывает наличие конкурирующих событий при анализе выживаемости. Этот протокол служит дополнением к пакету регрессии рисков в R.Например, вычислению C-индекса и внутренней проверке с использованием метода начальной загрузки. Чтобы начать дискриминацию по C-индексу, впишите матричный початок в конкурирующую модель риска мода CRR и получите прогнозируемый матричный внедорожник, выполнив команду.

Получите кумулятивные случаи за определенный месяц от внедорожника и рассчитайте C-индекс с помощью функции R-core sends. Для дискриминации AUC оцените прогностическую эффективность конкурирующей модели риска, используя функциональную оценку, пакет регрессии риска. Затем извлеките AUC из партитуры, выполнив команду.

Чтобы получить калибровочные кривые с 95%-ным доверительным интервалом конкурирующей модели риска, получите кадр данных с кумулятивными случаями каждого человека за определенное время отказа. Затем разделите когорту в соответствии с предполагаемой кумулятивной заболеваемостью на пять подгрупп и рассчитайте среднюю прогнозируемую кумулятивную заболеваемость каждой подгруппы. Рассчитайте наблюдаемую кумулятивную заболеваемость, то есть фактическую кумулятивную заболеваемость, используя функцию cuminc.

А затем получить наблюдаемые кумулятивные случаи с 95%-ным доверительным интервалом в определенное время отказа, выполнив команду. Построите калибровочную кривую с прогнозируемой кумулятивной частотой в качестве оси X и наблюдаемой кумулятивной частотой в качестве оси Y. С помощью функции gg plot.

Для калибровочной кривой с оценками риска конкурирующей модели риска оцените каждый уровень всех переменных и получите общий RS, выполнив команду. Подсчитайте частоты и рассчитайте наблюдаемые кумулятивные случаи различных общих оценок риска. Установите диапазон оси X и рассчитайте прогнозируемую кумулятивную частоту общих оценок риска.

Затем построите калибровочную кривую с оценками риска, выполнив команду. Чтобы получить среднее прогнозируемое кумулятивное число случаев с помощью метода начальной загрузки, выполните повторную выборку исходного набора данных, набора данных с заменой, чтобы создать набор данных начальной загрузки. Набор данных в.

Затем создайте конкурирующую модель риска:mod NCRR с набором данных начальной загрузки и используйте функцию predict CRR, чтобы предсказать мод NCRR в цикле B раз для генерации внедорожника ва-банк. Затем получите среднее прогнозируемое кумулятивное число случаев в определенном месяце. Рассчитайте C-индекс с помощью интервальной перекрестной проверки с функцией R-core sends.

Для калибровки, используя внешнюю проверку, получите прогнозируемые кумулятивные случаи с использованием внешних данных и кумулятивные случаи с матрицей переменных внешних данных:Code-X, выполнив команду. Затем вычислите C-индекс с помощью внешней проверки, выполнив команду. С использованием прямого метода и взвешенного метода были получены две номограммы, демонстрирующие, что точки каждого уровня переменных и вероятности, соответствующие суммарным баллам, были почти одинаковыми.

При этом наблюдались некоторые незначительные отличия. Калибровочная кривая для конкурирующей модели риска была близка к линии эквивалентности, а 95%-ный доверительный интервал наблюдаемой частоты попадал в линию эквивалентности в каждой группе. Указание на точную калибровочную способность модели.

Были показаны калибровочные кривые с использованием внутренней и внешней валидации, указывающие на то, что построенная модель имела хорошую калибровочную способность при внутренней валидации, но плохую при внешней валидации. Получены результаты анализа кривой принятия решений конкурирующей номограммы риска. Демонстрация изменения чистой выгоды с возрастающей пороговой вероятностью.

Повторная выборка исходного набора данных была заменена для создания набора данных начальной загрузки как важного при выполнении внутренней проверки номограммы конкурирующего риска. Помимо метода начальной загрузки, рандомизированное отображение и метод K4 также могут быть выполнены для генерации наборов данных, используемых для внутренней проверки. Используя нашу ландшафтную валидацию конкурирующей модели риска на основе R, клиницисты могут легче выполнять анализ прогноза в реальном мире, учитывая конкурирующий риск.