臨床預(yù)測(cè)模型作為臨床研究的“高階玩法”，不僅僅是改變臨床實(shí)踐的重要途徑，更是發(fā)表高分SCI文章的熱門(mén)選擇。

但不論零基礎(chǔ)的小白，還是已經(jīng)了解過(guò)臨床預(yù)測(cè)模型的同學(xué)，剛開(kāi)始都會(huì)一頭霧水。簡(jiǎn)單概括，Cox回歸預(yù)測(cè)模型的基礎(chǔ)統(tǒng)計(jì)策略大致可以概括為“一表四圖”，即均衡性表、列線(xiàn)圖、校準(zhǔn)圖、ROC圖、DCA圖。

之前的文章中我們已經(jīng)為大家介紹過(guò)均衡性表、列線(xiàn)圖、校準(zhǔn)圖的繪制方法，今天繼續(xù)復(fù)現(xiàn)seer公共數(shù)據(jù)庫(kù)文章，重點(diǎn)介紹預(yù)測(cè)模型驗(yàn)證三件套之ROC曲線(xiàn)的繪制，除了R語(yǔ)言復(fù)現(xiàn)，同樣用風(fēng)暴統(tǒng)計(jì)進(jìn)行操作，對(duì)新手小白或希望更加便捷完成統(tǒng)計(jì)分析工作的讀者十分友好！

主要內(nèi)容包括：

一、文獻(xiàn)解讀

二、利用R語(yǔ)言復(fù)現(xiàn)

三、利用在線(xiàn)網(wǎng)站復(fù)現(xiàn)

四、小結(jié)

一、文獻(xiàn)解讀

案例文獻(xiàn)是沈陽(yáng)醫(yī)學(xué)院公共衛(wèi)生學(xué)院學(xué)者基于SEER數(shù)據(jù)庫(kù)的一項(xiàng)回顧性研究，旨在建立一個(gè)列線(xiàn)圖來(lái)預(yù)測(cè)老年惡性骨腫瘤（MBT）患者的總生存期（OS）。

1. 摘要

背景：惡性骨腫瘤（MBT）是老年患者死亡的原因之一。我們研究的目的是建立一個(gè)列線(xiàn)圖來(lái)預(yù)測(cè)老年MBT患者的總生存期（OS）。

方法：從SEER數(shù)據(jù)庫(kù)下載了2004年至2018年所有老年MBT患者的臨床病理數(shù)據(jù)。他們被隨機(jī)分配到訓(xùn)練集（70%）和驗(yàn)證集（30%）。采用單因素和多因素Cox回歸分析確定老年MBT患者的獨(dú)立危險(xiǎn)因素?；谶@些危險(xiǎn)因素構(gòu)建列線(xiàn)圖，以預(yù)測(cè)老年MBT患者的1年，3年和5年OS。然后，利用一致性指數(shù)（C指數(shù)）、校準(zhǔn)曲線(xiàn)和受試者工作曲線(xiàn)下面積（AUC）來(lái)評(píng)價(jià)預(yù)測(cè)模型的準(zhǔn)確性和判別力。決策曲線(xiàn)分析（DCA）用于評(píng)估列線(xiàn)圖的臨床潛在應(yīng)用價(jià)值。根據(jù)列線(xiàn)圖上的分?jǐn)?shù)，將患者分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組。Kaplan-Meier（K-M）曲線(xiàn)用于測(cè)試兩名患者之間的生存差異。

結(jié)果：從SEER數(shù)據(jù)庫(kù)下載了2004年至2018年所有老年MBT患者的臨床病理數(shù)據(jù)。他們被隨機(jī)分配到訓(xùn)練集（70%）和驗(yàn)證集（30%）。采用單因素和多因素Cox回歸分析確定老年MBT患者的獨(dú)立危險(xiǎn)因素?；谶@些危險(xiǎn)因素構(gòu)建列線(xiàn)圖，以預(yù)測(cè)老年MBT患者的1年，3年和5年OS。然后，利用一致性指數(shù)（C指數(shù)）、校準(zhǔn)曲線(xiàn)和受試者工作曲線(xiàn)下面積（AUC）來(lái)評(píng)價(jià)預(yù)測(cè)模型的準(zhǔn)確性和判別力。決策曲線(xiàn)分析（DCA）用于評(píng)估列線(xiàn)圖的臨床潛在應(yīng)用價(jià)值。根據(jù)列線(xiàn)圖上的分?jǐn)?shù)，將患者分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組。Kaplan-Meier（K-M）曲線(xiàn)用于測(cè)試兩名患者之間的生存差異。

結(jié)論：我們建立了一個(gè)新的列線(xiàn)圖來(lái)預(yù)測(cè)老年MBT患者的1年，3年，5年的OS。該預(yù)測(cè)模型可以幫助醫(yī)生和患者制定治療計(jì)劃和后續(xù)策略。

2. 數(shù)據(jù)介紹

文獻(xiàn)共納入1641名2004-2018診斷的老年MBT患者的臨床病理數(shù)據(jù)。暴露因素包括年齡、種族、性別、診斷年份、組織學(xué)類(lèi)型、分級(jí)、分期、原發(fā)位置、TNM分期、腫瘤大小、是否化療、是否放療及手術(shù)方式。

3.?研究結(jié)果

這篇文獻(xiàn)構(gòu)建Cox回歸預(yù)測(cè)模型的統(tǒng)計(jì)思路十分清晰。首先按照7：3將數(shù)據(jù)集進(jìn)行拆分獲得訓(xùn)練集與驗(yàn)證集，然后做均衡性檢驗(yàn)，比較訓(xùn)練集和驗(yàn)證集的差異性，再做單因素和多因素Cox回歸，篩選變量構(gòu)建列線(xiàn)圖預(yù)測(cè)模型，最后對(duì)模型進(jìn)行評(píng)價(jià)。

文獻(xiàn)中通過(guò)ROC曲線(xiàn)對(duì)預(yù)測(cè)模型進(jìn)行區(qū)分度驗(yàn)證，A圖是訓(xùn)練集1年、3年、5年患者的總生存期的ROC曲線(xiàn)；B圖是驗(yàn)證集1年、3年、5年患者的總生存期的ROC曲線(xiàn)。ROC曲線(xiàn)下面積又叫AUC面積，這個(gè)值越大說(shuō)明預(yù)測(cè)模型的而判別區(qū)分能力越好。

二、利用R語(yǔ)言復(fù)現(xiàn)

下面我們利用從SEERStat中提取的相關(guān)數(shù)據(jù)進(jìn)行復(fù)現(xiàn)。根據(jù)文獻(xiàn)中的納入排除標(biāo)準(zhǔn)，提取涉及的相關(guān)數(shù)據(jù)，最終共納入1，574名患者（原文獻(xiàn)1，641）。介于SEERStat數(shù)據(jù)庫(kù)會(huì)有更新，因此提取的樣本量與原文會(huì)有所出入，這里請(qǐng)大家多關(guān)注統(tǒng)計(jì)方法的運(yùn)用！本次用到的是R版本是4.3.1。

1.?安裝加載R包

2.?完成前期的準(zhǔn)備工作

在繪制ROC曲線(xiàn)之前，必須要完成數(shù)據(jù)的導(dǎo)入、拆分?jǐn)?shù)據(jù)集的工作、預(yù)測(cè)因子的篩選，ROC曲線(xiàn)的繪制是分別在訓(xùn)練集與驗(yàn)證集獨(dú)立進(jìn)行的。

如何快速構(gòu)建預(yù)測(cè)模型：Cox法（1）

如何快速構(gòu)建預(yù)測(cè)模型：Cox法（2）

3.?繪制ROC曲線(xiàn)

這里根據(jù)文獻(xiàn)，我們需要繪制1年、3年、5年的ROC曲線(xiàn)，為減少篇幅，只為大家展示訓(xùn)練集ROC曲線(xiàn)的繪制，驗(yàn)證集同理。從下面的代碼可以看出通過(guò)R語(yǔ)言繪制ROC曲線(xiàn)還是較為復(fù)雜的，對(duì)于代碼的含義，小編也進(jìn)行了標(biāo)注，大家可以輔助進(jìn)行理解。

代碼解讀：計(jì)算過(guò)AUC值后，將3條ROC曲線(xiàn)繪制在同一張表格中，關(guān)鍵指標(biāo)為“add=TRUE”，否則僅繪制單條曲線(xiàn)，legend表示注釋表格的位置，"bottomright"指右側(cè)底部。

三、利用在線(xiàn)網(wǎng)站復(fù)現(xiàn)

如果沒(méi)有代碼基礎(chǔ)，或者希望通過(guò)更便捷的方式完成統(tǒng)計(jì)分析，推薦使用這個(gè)智能在線(xiàn)統(tǒng)計(jì)分析平臺(tái)——風(fēng)暴統(tǒng)計(jì)。一站式完成Cox預(yù)測(cè)模型基礎(chǔ)統(tǒng)計(jì)分析，便捷又快速。

?

它的網(wǎng)址是www.medsta.cn（在電腦端瀏覽器打開(kāi)）
瀏覽器輸入medsta.cn即可（medical?statistics縮寫(xiě)）

1.進(jìn)入網(wǎng)站分析模塊

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“cox預(yù)測(cè)模型”頁(yè)面。

2.?完成前期的準(zhǔn)備工作

利用風(fēng)暴統(tǒng)計(jì)平臺(tái)進(jìn)行ROC曲線(xiàn)的繪制之前，也需要完成數(shù)據(jù)導(dǎo)入、拆分?jǐn)?shù)據(jù)集的工作哦！

?

3.繪制ROC曲線(xiàn)

完成前期準(zhǔn)備工作之后，進(jìn)入“Cox預(yù)測(cè)模型”模塊，根據(jù)提示選入回歸因變量與回歸自變量。最最重要的是多因素回歸設(shè)置，也就是你所期望的自變量篩選方式，可以是先單后多，也可以是逐步回歸法，閾值也可以進(jìn)行調(diào)節(jié)，十分靈活。

選中之后，下方就直接給出ROC曲線(xiàn)結(jié)果，包括訓(xùn)練集與驗(yàn)證集3個(gè)不同時(shí)間點(diǎn)的6張校準(zhǔn)曲線(xiàn)圖，在左側(cè)可以直接調(diào)整圖形的線(xiàn)條粗細(xì)，AUC95%可信區(qū)間注釋的位置。小白式操作也可以繪制出精美的圖形！

四、小結(jié)

風(fēng)暴統(tǒng)計(jì)網(wǎng)站給出的圖線(xiàn)與AUC面積及95%置信區(qū)間和R語(yǔ)言結(jié)果完全一致，只是網(wǎng)站目前不能夠把同一模型的多條曲線(xiàn)繪制在一張圖中。但是與R語(yǔ)言幾十行代碼相比，風(fēng)暴統(tǒng)計(jì)足夠簡(jiǎn)潔、快速，結(jié)果可靠，在實(shí)際生活中，還十分值得一試的！