拓端tecdat|R語言中生存分析模型與時間依賴性ROC曲線可視化
原文鏈接：http://tecdat.cn/?p=20650?
原文出處：拓端數據部落公眾號
人們通常使用接收者操作特征曲線（ROC）進行二元結果邏輯回歸。但是，流行病學研究中感興趣的結果通常是事件發(fā)生時間。使用隨時間變化的時間依賴性ROC可以更全面地描述這種情況下的預測模型。
時間依賴性ROC定義
令 Mi為用于死亡率預測的基線（時間0）標量標記。?當隨時間推移觀察到結果時，其預測性能取決于評估時間?t。直觀地說，在零時間測量的標記值應該變得不那么相關。因此，ROC測得的預測性能（區(qū)分）是時間t的函數?。?
累積病例
累積病例/動態(tài)ROC定義了在時間t?處的閾值c處的?靈敏度和特異性，??如下所示。
累積靈敏度將在時間t之前死亡的視為分母（疾?。?，而將標記值高于?c?的作為真實陽性（疾病陽性）。動態(tài)特異性將在時間t仍然活著作為分母（健康），并將標記值小于或等于?c?的那些作為真實陰性（健康中的陰性）。將閾值?c?從最小值更改為最大值會在時間t處顯示整個ROC曲線?。
新發(fā)病例
新發(fā)病例ROC1在時間t?處以閾值?c定義靈敏度和特異性，??如下所示。
累積靈敏度將在時間t處死亡的人??視為分母（疾?。鴮擞浿蹈哂???的人視為真實陽性（疾病陽性）。
數據準備
我們以數據?包中的dataset3survival為例。事件發(fā)生的時間就是死亡的時間。Kaplan-Meier圖如下。
## 變成data_framedata <- as_data_frame(data)## 繪圖plot(survfit(Surv(futime, fustat) ~ 1,data = data)
可視化結果：
在數據集中超過720天沒有發(fā)生任何事件。
## 擬合cox模型coxph(formula = Surv(futime, fustat) ~ pspline(age, df = 4) +##獲得線性預測值predict(coxph1, type = "lp")
累積病例
實現了累積病例
## 定義一個輔助函數，以在不同的時間進行評估ROC_hlp <- function(t) {survivalROC(Stimestatusmarkerpredict.time = t,method ? ? ? = "NNE",span = 0.25 * nrow(ovarian)^(-0.20))}## 每180天評估一次ROC_data <- data_frame(t = 180 * c(1,2,3,4,5,6)) %>%mutate(survivalROC = map(t, survivalROC_helper),## 提取AUCauc = map_dbl(survivalROC, magrittr::extract2, "AUC"),## 在data_frame中放相關的值df_survivalROC = map(survivalROC, function(obj) {## 繪圖ggplot(mapping = aes(x = FP, y = TP)) +geom_point() +geom_line() +facet_wrap( ~ t) +
可視化結果：
180天的ROC看起來是最好的。因為到此刻為止幾乎沒有事件。在最后觀察到的事件（t≥720）之后，AUC穩(wěn)定在0.856。這種表現并沒有衰退，因為高風險分數的人死了。
新發(fā)病例
實現新發(fā)病例
## 定義一個輔助函數，以在不同的時間進行評估## 每180天評估一次## 提取AUCauc = map_dbl(risksetROC, magrittr::extract2, "AUC"),## 在data_frame中放相關的值df_risksetROC = map(risksetROC, function(obj) {## 標記欄marker <- c(-Inf, obj[["marker"]], Inf)## 繪圖ggplot(mapping = aes(x = FP, y = TP)) +geom_point() +geom_line() +geom_label(data = risksetROC_data %>% dplyr::select(t,auc) %>% unique,facet_wrap( ~ t) +
可視化結果：
這種差異在后期更為明顯。最值得注意的是，只有在每個時間點處于風險集中的個體才能提供數據。所以數據點少了。表現的衰退更為明顯，也許是因為在那些存活時間足夠長的人中，時間零點的風險分沒有那么重要。一旦沒有事件，ROC基本上就會趨于平緩。
結論
總之，我們研究了時間依賴的ROC及其R實現。累積病例ROC可能與風險?（累積發(fā)生率）預測模型的概念更兼容?。新發(fā)病例ROC可用于檢查時間零標記在預測后續(xù)事件時的相關性。
參考
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.
最受歡迎的見解
1.R語言繪制生存曲線估計|生存分析|如何R作生存曲線圖
2.R語言生存分析可視化分析
3.R語言如何在生存分析與Cox回歸中計算IDI，NRI指標
4.r語言中使用Bioconductor 分析芯片數據
5.R語言生存分析數據分析可視化案例
6.r語言ggplot2誤差棒圖快速指南
7.R 語言繪制功能富集泡泡圖
8.R語言如何找到患者數據中具有差異的指標？（PLS—DA分析）
9.R語言中的生存分析Survival analysis晚期肺癌患者4例
