Logistic構(gòu)建臨床預(yù)測(cè)模型系列主要以一篇基于logistic回歸構(gòu)建預(yù)測(cè)模型的文章為例，從整理數(shù)據(jù)到構(gòu)建預(yù)測(cè)模型，再到內(nèi)部驗(yàn)證模型，包括了整理數(shù)據(jù)、隨機(jī)數(shù)據(jù)拆分、基線描述、差異性分析、繪制ROC曲線并計(jì)算AUC值、HL檢驗(yàn)及繪制校準(zhǔn)曲線、構(gòu)建列線圖模型并繪制DCA曲線，基本涵蓋了Logistic構(gòu)建預(yù)測(cè)模型的全過(guò)程，敬請(qǐng)期待！

列線圖Nomogram：通過(guò)適當(dāng)?shù)臄?shù)學(xué)變換將回歸模型中的回歸系數(shù)轉(zhuǎn)換為分?jǐn)?shù)，并將其繪制為列線圖作為預(yù)測(cè)模型工具。本文屬于Logistic構(gòu)建臨床預(yù)測(cè)模型系列文章第七篇，分別用R語(yǔ)言和風(fēng)暴統(tǒng)計(jì)對(duì)Logistic預(yù)測(cè)模型列線圖的繪制進(jìn)行復(fù)現(xiàn)。系列文章詳情請(qǐng)點(diǎn)擊下方鏈接：

Logistic構(gòu)建預(yù)測(cè)模型（1）：復(fù)現(xiàn)SEER數(shù)據(jù)庫(kù)文獻(xiàn)解讀

Logistic構(gòu)建預(yù)測(cè)模型（2）：如何用R語(yǔ)言整理數(shù)據(jù)？（附全套代碼）

Logistic構(gòu)建預(yù)測(cè)模型（3）：如何用R語(yǔ)言拆分?jǐn)?shù)據(jù)集并做均衡性檢驗(yàn)？（附全套代碼）

Logistic構(gòu)建預(yù)測(cè)模型（4）：如何用R語(yǔ)言做Logistic先單后多回歸分析?。ǜ饺状a）

Logistic構(gòu)建預(yù)測(cè)模型（5）：如何用R語(yǔ)言繪制精美的ROC曲線？（附全套代碼）

Logistic構(gòu)建預(yù)測(cè)模型（6）：如何用R語(yǔ)言繪制校準(zhǔn)曲線并做H-L檢驗(yàn)？（附全套代碼）

今日文章分為三部分
1.文章解讀
2.R語(yǔ)言復(fù)現(xiàn)
3.小白繪制Logistic預(yù)測(cè)模型列線圖

1.文章解讀
案例文獻(xiàn)是一篇基于SEER公共數(shù)據(jù)庫(kù)的一項(xiàng)回顧性研究，旨在開(kāi)發(fā)和驗(yàn)證列線圖以預(yù)測(cè)腦轉(zhuǎn)移的非小細(xì)胞肺癌患者早期死亡。

背景：在非小細(xì)胞肺癌（NSCLC）的整個(gè)病程中，很多患者會(huì)出現(xiàn)預(yù)后差、死亡率高的腦轉(zhuǎn)移（BM）。然而，很少有模型能預(yù)測(cè)有腦轉(zhuǎn)移的NSCLC患者的早期死亡（ED）。我們旨在開(kāi)發(fā)列線圖來(lái)預(yù)測(cè)NSCLC腦轉(zhuǎn)移患者ED。

方法：從監(jiān)測(cè)、流行病學(xué)和最終結(jié)果（SEER）數(shù)據(jù)庫(kù)中選取了2010年至2015年間患有BM的NSCLC患者。納入標(biāo)準(zhǔn)如下：（I）患者經(jīng)病理診斷為NSCLC；（II）患者患有BM?；颊甙?:3的比例隨機(jī)分為兩組，分別為訓(xùn)練組和驗(yàn)證組。采用單因素和多因素Logistic回歸方法來(lái)確定伴有BM的NSCLC患者發(fā)生ED的危險(xiǎn)因素。建立了兩個(gè)列線圖，并通過(guò)校準(zhǔn)曲線、ROC曲線和決策曲線分析（DCA）進(jìn)行了驗(yàn)證。隨訪數(shù)據(jù)包括生存月數(shù)、死因和生命狀態(tài)。初次診斷后3個(gè)月內(nèi)的死亡定義為ED，終點(diǎn)為全因ED和癌癥特異性ED。

結(jié)果：共納入了4,920名患有BM的NSCLC患者，并隨機(jī)分為兩個(gè)隊(duì)列（7:3），包括訓(xùn)練隊(duì)列（n=3,444）和驗(yàn)證隊(duì)列（n=1,476）。全因ED和癌癥特異性ED的獨(dú)立預(yù)后因素包括年齡、性別、種族、腫瘤大小、組織學(xué)、T分期、N分期、分級(jí)、手術(shù)、放療、化療、骨轉(zhuǎn)移和肝轉(zhuǎn)移。所有這些變量都用于建立列線圖。在全因ED和癌癥特異性ED的列線圖中，訓(xùn)練數(shù)據(jù)集的ROC曲線下面積分別為0.813（95% CI：0.799-0.837）和0.808（95% CI：0.791-0.830），驗(yàn)證數(shù)據(jù)集的ROC曲線下面積分別為0.835（95% CI：0.805-0.862）和0.824（95% CI：0.790-0.849）。此外，校準(zhǔn)曲線證明預(yù)測(cè)的ED與實(shí)際值一致。DCA臨床應(yīng)用前景良好。

結(jié)論：列線圖可用來(lái)預(yù)測(cè)患者死亡的具體概率，有助于治療決策和重點(diǎn)護(hù)理，以及醫(yī)患溝通。

本文構(gòu)建logistic預(yù)測(cè)模型并做內(nèi)部驗(yàn)證，思路框架清晰，案例十分典型。先拆分?jǐn)?shù)據(jù)集為訓(xùn)練集和驗(yàn)證集，比例為7:3，驗(yàn)證集用于進(jìn)行內(nèi)部驗(yàn)證。然后做基線描述，比較訓(xùn)練集和驗(yàn)證集的基線差異性，再做單因素和多因素logistic回歸，將單因素P值小于0.05的因素納入到多因素回歸模型中。再根據(jù)多因素回歸的結(jié)果構(gòu)建列線圖預(yù)測(cè)模型，并對(duì)模型進(jìn)行驗(yàn)證，繪制ROC、校準(zhǔn)曲線及DCA曲線，模型比較穩(wěn)定。

今天我們對(duì)本文的列線圖繪制展開(kāi)復(fù)現(xiàn)。下圖是本文的列線圖展示。

2.R語(yǔ)言復(fù)現(xiàn)

2.1安裝和加載R包

2.2繪制高級(jí)列線圖

3.小白繪制Logistic預(yù)測(cè)模型列線圖
用它，小白也能繪制高級(jí)Logistic預(yù)測(cè)模型列線圖，還能直接美化調(diào)整，不是吹的，看過(guò)就知道它有多好用?。?/p>

3.1電腦端打開(kāi)風(fēng)暴統(tǒng)計(jì)平臺(tái)——“風(fēng)暴智能統(tǒng)計(jì)”模塊，點(diǎn)擊“臨床預(yù)測(cè)模型（最新）”，進(jìn)入“臨床預(yù)測(cè)模型：內(nèi)部驗(yàn)證”頁(yè)面。

3.2導(dǎo)入數(shù)據(jù)集total

3.3拆分?jǐn)?shù)據(jù)集，設(shè)置隨機(jī)數(shù)字并確定拆分比例

3.4開(kāi)展logistic回歸分析

3.5結(jié)果直出?；貧w變量和多因素回歸設(shè)置完成后，下方結(jié)果直接給出，如下圖所示，快的讓人震驚?。?！

列線圖顯示設(shè)置直接小白式操作也可以畫(huà)出非常精美曲線，這也太神了吧！

選擇自定義設(shè)置即可改變參數(shù)。

由于選入變量較多，顯示區(qū)顯示不完全，但是沒(méi)關(guān)系，下載下來(lái)的圖片非常美觀，一般也不會(huì)有研究納入這么多的變量！

諸位覺(jué)得如何？