【R语言生存分析】生存曲线以及COX模型评价DCA曲线组合画法

我们先在RStudio中打开示例数据

我们先在RStudio中打开示例数据

#加载所需要的包library(survival)library("ggplot2")

library("ggpubr")

library("survminer")

library("openxlsx")

 library("survminer")

#我们先在桌面创建一个生存分析的文件夹，载入生存分析、画图、读取Excel数据的包。

data <- read.xlsx("C:\\Users\\L\\Desktop\\示例数据.xlsx")

f0 <- survfit(Surv(时间,否结局) ~ 指标8,data = data)

#打开数据，并将此次生存分析赋值给fit

summary(f0)

#对此次分析结果建立表格查看（如下图：）

#然后我们可以用plot（）函数将此次生存分析曲线画出来：

plot(f0,xlab = "时间", ylab = "生存概率", main = "生存曲线")

可以看到比较单调，我们并没有对颜色等进行规定，因此也不显示。

那么下边是今天的主角1：ggsurvplot()函数。

ggsurvplot(f0,data=data,   size = 1, # 改变曲线的尺寸

   linetype ='strata', # 改变曲线的类型

   break.time.by = 10, # 更改x轴的时间间隔

   palette = c("RED","BLUE"), # 自定义调色板

   conf.int = TRUE, # 添加置信区间

   pval = TRUE  # 添加p值

   )

通过上述语句及注释，我们可以看到如下图所示的生存曲线。

‌Cox模型‌，也称为Cox回归模型或比例风险模型（Proportional Hazards Model），是由英国统计学家David Cox于1972年提出的一种半参数回归模型。该模型主要用于生存分析，能够同时分析多个风险因素对生存时间的影响，适用于医学随访研究和其他需要分析生存数据的领域。

基本概念和原理

Cox模型的基本形式为：

[ h(t) = h_0(t) \exp(\beta_1 x_1 + \beta_2 x_2 + \dots + \beta_p x_p) ]

其中，( h(t) ) 表示在时间 ( t ) 的危险率函数，( h_0(t) ) 是基准危险率函数，( \beta_1, \beta_2, ..., \beta_p ) 是偏回归系数，( x_1, x_2, ..., x_p ) 是自变量。

应用场景和优缺点

Cox模型在医学研究中有广泛的应用，主要用于以下几个方面：

‌生存分析‌：研究患者的生存时间及其相关因素。

‌风险因素分析‌：确定与特定事件（如死亡、疾病复发）相关的风险因素。

‌生存率比较‌：比较不同组群之间的生存率。

‌预后评估‌：评估影响患者预后的因素，为治疗决策提供依据。

‌调整分析‌：调整其他变量的影响，更准确地评估特定因素对生存时间的影响。

与其他统计模型的比较

与其他统计模型相比，Cox模型具有以下特点：

‌因变量类型‌：Cox模型的因变量为生存资料（包含二分类结局变量和连续型生存时间变量），而多重线性回归的因变量为数值型变量，Logistic回归的因变量为分类或顺序型变量。

‌数据分布要求‌：Cox模型对数据分布不作要求，而多重线性回归和Logistic回归则要求数据分布分别近似正态分布和二项分布。

‌允许数据删失‌：Cox模型允许删失值，而多重线性回归和Logistic回归不允许。

我们今天以示例数据为例，探讨一下拟合COX模型的基本过程。

#cox模型拟合

f1<-coxph(Surv(时间,结局)~指标1,data)

summary(f1)

survfit_result1 <- survfit(f1, data = data)

plot(survfit_result1,xlab = "时间", ylab = "生存概率", main = "生存曲线")

f2<-coxph(Surv(时间,结局)~指标1+指标2,data)

summary(f2)

survfit_result2 <- survfit(f2, data = data)

plot(survfit_result2,xlab = "时间", ylab = "生存概率", main = "生存曲线")

f3<-coxph(Surv(时间,结局)~指标1+指标2+指标3,data)

summary(f3)

survfit_result3 <- survfit(f3, data = data)

plot(survfit_result3,xlab = "时间", ylab = "生存概率", main = "生存曲线")

#比较f1,f2,f3这3个模型决策曲线的区别

newdata<-list(data,data,data)

cox.tcdca(f1,f2,f3,newdata=newdata)

#自定义一个时间

cox.tcdca(f1,f2,f3,newdata=newdata,timepoint = 30)

#分面绘图

cox.tcdca(f1,f1,f1,newdata=newdata,

timepoint=c(20,30,40))

#增加标题

cox.tcdca(f1,f1,f1,newdata=newdata,

timepoint=c(20,30,40),

Splitface=c("20天","30天","40天"))