cox構(gòu)建預(yù)測模型（2）：如何用R語言拆分?jǐn)?shù)據(jù)集并作均衡性檢驗(yàn)
Cox回歸預(yù)測模型的基礎(chǔ)統(tǒng)計策略大致可以概括為“一表四圖”，即均衡性表、列線圖、校準(zhǔn)圖、ROC圖、DCA圖。
今天主要講解均衡性表的制作，在構(gòu)建預(yù)測模型時必須要有訓(xùn)練集與驗(yàn)證集，而驗(yàn)證集又分為內(nèi)部驗(yàn)證與外部驗(yàn)證，內(nèi)部驗(yàn)證是必須的。內(nèi)部驗(yàn)證集與訓(xùn)練集是由同一份數(shù)據(jù)拆分而成，訓(xùn)練集用于構(gòu)建模型，驗(yàn)證集用來后續(xù)測試模型的泛化能力。而均衡性表是用來比較訓(xùn)練集與驗(yàn)證集差異性的重要表格，也是預(yù)測模型文章中的基線表，通常需要兩個數(shù)據(jù)集無統(tǒng)計學(xué)差異。
本文將以復(fù)現(xiàn)一篇seer公共數(shù)據(jù)庫文章（Q1 IF=5.2)為例，說明預(yù)測模型中均衡性表格的繪制過程，除了R語言，本文還會介紹一種更為快捷便利的統(tǒng)計分析方法——風(fēng)暴統(tǒng)計，可以一站式提供眾多統(tǒng)計分析方法，比SPSS智能，比R語言簡潔！
主要內(nèi)容包括：
一、文獻(xiàn)解讀
二、利用R語言復(fù)現(xiàn)
三、利用在線網(wǎng)站復(fù)現(xiàn)
四、小結(jié)
一、文獻(xiàn)解讀
案例文獻(xiàn)是沈陽醫(yī)學(xué)院公共衛(wèi)生學(xué)院學(xué)者基于SEER數(shù)據(jù)庫的一項回顧性研究，旨在建立一個列線圖來預(yù)測老年惡性骨腫瘤（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列線圖來預(yù)測老年MBT患者的總生存期（OS）。
方法：從SEER數(shù)據(jù)庫下載了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)立危險因素。基于這些危險因素構(gòu)建列線圖，以預(yù)測老年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)曲線和受試者工作曲線下面積（AUC）來評價預(yù)測模型的準(zhǔn)確性和判別力。決策曲線分析（DCA）用于評估列線圖的臨床潛在應(yīng)用價值。根據(jù)列線圖上的分?jǐn)?shù)，將患者分為高風(fēng)險組和低風(fēng)險組。Kaplan-Meier（K-M）曲線用于測試兩名患者之間的生存差異。
結(jié)果：從SEER數(shù)據(jù)庫下載了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)立危險因素?；谶@些危險因素構(gòu)建列線圖，以預(yù)測老年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)曲線和受試者工作曲線下面積（AUC）來評價預(yù)測模型的準(zhǔn)確性和判別力。決策曲線分析（DCA）用于評估列線圖的臨床潛在應(yīng)用價值。根據(jù)列線圖上的分?jǐn)?shù)，將患者分為高風(fēng)險組和低風(fēng)險組。Kaplan-Meier（K-M）曲線用于測試兩名患者之間的生存差異。
結(jié)論：我們建立了一個新的列線圖來預(yù)測老年MBT患者的1年，3年，5年的OS。該預(yù)測模型可以幫助醫(yī)生和患者制定治療計劃和后續(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)類型、分級、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)測模型的統(tǒng)計思路十分清晰。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)建列線圖預(yù)測模型，最后通過校準(zhǔn)圖、ROC曲線、DCA曲線對模型的校準(zhǔn)度、區(qū)分度以及臨床決策的實(shí)際需要進(jìn)行評價。
文章涉及到的均衡性差異表如下圖：
二、利用R語言復(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)庫會有更新，因此提取的樣本量與原文會有所出入，這里請大家多關(guān)注統(tǒng)計方法的運(yùn)用！本次用到的是R版本是4.3.1。
1. 安裝加載R包并導(dǎo)入數(shù)據(jù)
這里繪制均衡性表格，主要用到"compareGroups"R包：
if(!require("compareGroups")) install.packages("compareGroups")
library("compareGroups")
#導(dǎo)入數(shù)據(jù)集
raw
2.數(shù)據(jù)隨機(jī)拆分
通過設(shè)置隨機(jī)數(shù)種子，將數(shù)據(jù)集按照7：3的比例拆分為訓(xùn)練集與驗(yàn)證集。
set.seed(666666)
index
train
test
3.均衡性檢驗(yàn)
對訓(xùn)練集與驗(yàn)證集提取group變量，并對兩個數(shù)據(jù)集進(jìn)行合并生成total數(shù)據(jù)集，total數(shù)據(jù)集與原數(shù)據(jù)集相比多了一列分組變量，分組依據(jù)是訓(xùn)練集或驗(yàn)證集，以便于通過total數(shù)據(jù)集進(jìn)行兩個數(shù)據(jù)集間的均衡性檢驗(yàn)。
train$group
test$group
total
#進(jìn)行均衡性檢驗(yàn)，并繪制三線表
base_tab
+ Grade + Stage + Primary.Site + t_stage + n_stage
+ m_stage +Tumor_size + Chemotherapy + Radiation + Surgery,
data = total,method = c(Tumor_size=2))
print(base_tab)
代碼解讀：descrTable（y~x1 + x2 + x3......,data = ,method = c(x=2))，y為分組變量，x為暴露因素，method設(shè)置為2對指定的定量變量使用秩和檢驗(yàn)。
R語言均衡性檢驗(yàn)結(jié)果如下：
三、利用在線網(wǎng)站復(fù)現(xiàn)
如果沒有代碼基礎(chǔ)，或者希望通過更便捷的方式完成統(tǒng)計分析，推薦使用這個智能在線統(tǒng)計分析平臺——風(fēng)暴統(tǒng)計。一站式完成Cox預(yù)測模型基礎(chǔ)統(tǒng)計分析，便捷又快速。
它的網(wǎng)址是www.medsta.cn（在電腦端瀏覽器打開）
瀏覽器輸入medsta.cn即可（medical statistics縮寫）
1.進(jìn)入網(wǎng)站分析模塊
電腦端打開風(fēng)暴統(tǒng)計平臺——“風(fēng)暴智能統(tǒng)計”模塊，點(diǎn)擊“臨床預(yù)測模型（最新）”，進(jìn)入“cox預(yù)測模型”頁面。
2.導(dǎo)入數(shù)據(jù)集
這里同樣導(dǎo)入我們從SEERStat中提取的文獻(xiàn)相關(guān)數(shù)據(jù)，目前網(wǎng)站支持10M以下的csv格式數(shù)據(jù)。
3.數(shù)據(jù)集的拆分
點(diǎn)擊“數(shù)據(jù)集拆分”，可以設(shè)置隨機(jī)種子與拆分比例，簡簡單單就完成了拆分工作，如果需要下載拆分好的數(shù)據(jù)集，也可以點(diǎn)擊最右側(cè)“下載新的數(shù)據(jù)集”。
4.選擇變量，繪制均衡表
點(diǎn)擊“訓(xùn)練集與驗(yàn)證集比較”，分別選入正態(tài)變量、偏態(tài)變量、分類變量，在右側(cè)直接生成三線表格。
5.導(dǎo)出三線表
制作好的三線表還可以直接下載使用，有excel版和word版可以選擇。
word版結(jié)果如下：
四、小結(jié)
有細(xì)心的朋友可能注意到網(wǎng)站分析結(jié)果與R語言結(jié)果不一致，是不是網(wǎng)站計算有誤？這里為大家解釋一下！R語言的"compareGroups"包在使用卡方檢驗(yàn)時，只會得出校正卡方的結(jié)果，這是不準(zhǔn)確的，相信學(xué)過鄭老師“30天學(xué)會醫(yī)學(xué)統(tǒng)計與SPSS”免費(fèi)公益課的同學(xué)都知道卡方檢驗(yàn)結(jié)果的取舍應(yīng)根據(jù)數(shù)據(jù)結(jié)構(gòu)來。
下面我們通過SPSS軟件進(jìn)行驗(yàn)證,抽取其中3個變量可以看出，在線平臺的分析結(jié)果與SPSS是完全一致的，對于2×2的卡方檢驗(yàn)，R語言只給出校正卡方結(jié)果，并且沒有顯示統(tǒng)計量。
因此，大家在使用網(wǎng)站進(jìn)行分析時，可以放心！網(wǎng)站不僅操作過程簡單便捷，分析結(jié)果也十分的全面可靠！
風(fēng)暴統(tǒng)計網(wǎng)站分析結(jié)果：
SPSS分析結(jié)果：
T Stage
N Stage
M Stage
R語言分析結(jié)果：
