这篇文章主要介绍了R语言中生存分析模型与时间依赖性ROC曲线可视化,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
R语言简介
R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
人们通常使用接收者操作特征曲线（ROC）进行二元结果逻辑回归。但是，流行病学研究中感兴趣的结果通常是事件发生时间。使用随时间变化的时间依赖性ROC可以更全面地描述这种情况下的预测模型。
时间依赖性ROC定义
令 Mi为用于死亡率预测的基线（时间0）标量标记。 当随时间推移观察到结果时，其预测性能取决于评估时间 t。直观地说，在零时间测量的标记值应该变得不那么相关。因此，ROC测得的预测性能（区分）是时间t的函数 。
累积病例
累积病例/动态ROC定义了在时间t 处的阈值c处的 灵敏度和特异性， 如下所示。
累积灵敏度将在时间t之前死亡的视为分母（疾病），而将标记值高于 c 的作为真实阳性（疾病阳性）。动态特异性将在时间t仍然活着作为分母（健康），并将标记值小于或等于 c 的那些作为真实阴性（健康中的阴性）。将阈值 c 从最小值更改为最大值会在时间t处显示整个ROC曲线 。
新发病例
新发病例ROC1在时间t 处以阈值 c定义灵敏度和特异性， 如下所示。
累积灵敏度将在时间t处死亡的人 视为分母（疾病），而将标记值高于 Ç 的人视为真实阳性（疾病阳性）。
数据准备
我们以数据 包中的dataset3survival为例。事件发生的时间就是死亡的时间。Kaplan-Meier图如下。
## 变成data_frame data <- as_data_frame(data) ## 绘图 plot(survfit(Surv(futime, fustat) ~ 1, data = data)
可视化结果：
在数据集中超过720天没有发生任何事件。
## 拟合cox模型 coxph(formula = Surv(futime, fustat) ~ pspline(age, df = 4) + ##获得线性预测值 predict(coxph1, type = "lp")
累积病例
实现了累积病例
## 定义一个辅助函数，以在不同的时间进行评估 ROC_hlp <- function(t) { survivalROC(Stime status marker predict.time = t, method = "NNE", span = 0.25 * nrow(ovarian)^(-0.20)) } ## 每180天评估一次 ROC_data <- data_frame(t = 180 * c(1,2,3,4,5,6)) %>% mutate(survivalROC = map(t, survivalROC_helper), ## 提取AUC auc = map_dbl(survivalROC, magrittr::extract2, "AUC"), ## 在data_frame中放相关的值 df_survivalROC = map(survivalROC, function(obj) { ## 绘图 ggplot(mapping = aes(x = FP, y = TP)) + geom_point() + geom_line() + facet_wrap( ~ t) +可视化结果：
180天的ROC看起来是最好的。因为到此刻为止几乎没有事件。在最后观察到的事件（t≥720）之后，AUC稳定在0.856。这种表现并没有衰退，因为高风险分数的人死了。
新发病例
实现新发病例
## 定义一个辅助函数，以在不同的时间进行评估 ## 每180天评估一次 ## 提取AUC auc = map_dbl(risksetROC, magrittr::extract2, "AUC"), ## 在data_frame中放相关的值 df_risksetROC = map(risksetROC, function(obj) { ## 标记栏 marker <- c(-Inf, obj[["marker"]], Inf) ## 绘图 ggplot(mapping = aes(x = FP, y = TP)) + geom_point() + geom_line() + geom_label(data = risksetROC_data %>% dplyr::select(t,auc) %>% unique, facet_wrap( ~ t) +可视化结果：
这种差异在后期更为明显。最值得注意的是，只有在每个时间点处于风险集中的个体才能提供数据。所以数据点少了。表现的衰退更为明显，也许是因为在那些存活时间足够长的人中，时间零点的风险分没有那么重要。一旦没有事件，ROC基本上就会趋于平缓。
结论
总之，我们研究了时间依赖的ROC及其R实现。累积病例ROC可能与风险 （累积发生率）预测模型的概念更兼容 。新发病例ROC可用于检查时间零标记在预测后续事件时的相关性。
参考
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.
以上就是详解R语言中生存分析模型与时间依赖性ROC曲线可视化的详细内容，更多请关注0133技术站其它相关文章！
