8 Cox回归列线图绘制

下面给大家介绍几种cox回归列线图的绘制方法。

8.1 准备数据

Cox回归模型在医学统计中是一个很重要的统计方法，关于Cox比例风险模型的构建和结果解读，我写过一些实现方法以及细节解读的推文，大家可以参考：

# 加载需要的R包和数据
library(survival)

rm(list = ls())

dim(lung)
## [1] 228  10
str(lung)
## 'data.frame':    228 obs. of  10 variables:
##  $ inst     : num  3 3 3 5 1 12 7 11 1 7 ...
##  $ time     : num  306 455 1010 210 883 ...
##  $ status   : num  2 2 1 2 2 1 2 2 2 2 ...
##  $ age      : num  74 68 56 57 60 74 68 71 53 61 ...
##  $ sex      : num  1 1 1 1 1 1 2 2 1 1 ...
##  $ ph.ecog  : num  1 0 0 1 0 1 2 2 1 2 ...
##  $ ph.karno : num  90 90 90 90 100 50 70 60 70 70 ...
##  $ pat.karno: num  100 90 90 60 90 80 60 80 80 70 ...
##  $ meal.cal : num  1175 1225 NA 1150 NA ...
##  $ wt.loss  : num  NA 15 15 11 0 0 10 1 16 34 ...

这个是关于肺癌的生存数据，一共有228行，10列，其中time是生存时间，单位是天，status是生存状态，1是删失，2是死亡。其余变量是自变量，意义如下：

inst：机构代码，对于我们这次建模没啥用
age：年龄
sex：1是男性，2是女性
ph.ecog：ECOG评分。0=无症状，1=有症状但完全可以走动，2=每天<50%的时间在床上，3=在床上>50%的时间但没有卧床，4=卧床不起
ph.karno：医生评的KPS评分，范围是0-100，得分越高，健康状况越好，越能忍受治疗给身体带来的副作用。
pat.karno：患者自己评的KPS评分
meal.cal：用餐时消耗的卡路里
wt.loss：过去6个月的体重减少量，单位是磅

8.2 方法1：rms

大多数情况下都是使用1代表死亡，0代表删失，下面这个演示数据集用2代表死亡。在这里没有影响，但有的R包会报错，需要注意！

library(rms)
# 使用rms包需要对数据进行“打包”操作
dd <- datadist(lung)
options(datadist = "dd")

构建cox比例风险模型：

# 选择部分变量演示
coxfit <- cph(Surv(time, status) ~ age+sex+ph.ecog+ph.karno+pat.karno,
              data = lung, x=T,y=T,surv = T
              )

指定你要计算哪一年的生存率：

# 构建生存函数，注意你的最大生存时间
surv <- Survival(coxfit) 
surv1 <- function(x) surv(365,x) # 1年OS
surv2 <- function(x) surv(365*2,x) # 2年OS

构建列线图数据:

# 构建列线图数据
nom <- nomogram(coxfit,
                fun = list(surv1,surv2),
                funlabel = c('1-year survival Probability',
                         '2-year survival Probability'),
                fun.at = c(0.95,0.9,0.8,0.7,0.6,0.5,0.4,0.3,0.2,0.1))

然后就是画图：

plot(nom, 
     lplabel="Linear Predictor",
     xfrac = 0.2, # 左侧标签距离坐标轴的距离
     #varname.label = TRUE, 
     tcl = -0.2, # 刻度长短和方向 
     lmgp = 0.1, # 坐标轴标签距离坐标轴远近
     points.label ='Points', 
     total.points.label = 'Total Points',
     cap.labels = FALSE,
     cex.var = 1, # 左侧标签字体大小
     cex.axis = 1, # 坐标轴字体大小
     col.grid = gray(c(0.8, 0.95))) # 竖线颜色

这个图的解读方式和逻辑回归的列线图一模一样，这里就不再重复了，大家看逻辑回归的那篇。

8.3 方法2：regplot

使用regplot包实现。

library(regplot)

# 建立cox回归模型
coxfit <- cph(Surv(time, status) ~ age+sex+ph.ecog+ph.karno+pat.karno,
              data = lung, x=T,y=T,surv = T
              )

# 画图即可
aa <- regplot(coxfit,
        #连续性变量形状，"no plot""density""boxes""ecdf"
        #"bars""boxplot""violin""bean" "spikes"；
        #分类变量的形状，可选"no plot" "boxes" "bars" "spikes"
        plots = c("violin", "boxes"), 
        observation = lung[1,], #用哪行观测，或者T F
        center = T, # 对齐变量
        subticks = T,
        droplines = T,#是否画竖线
        title = "nomogram",
        points = T, # 截距项显示为0-100
        odds = T, # 是否显示OR值
        showP = T, # 是否显示变量的显著性标记
        rank = "sd", # 根据sd给变量排序
        interval="confidence", # 展示可信区间
        clickable = F # 是否可以交互
        )

除了以上两种方法外，之前还有另外两个R包可以使用：VRPM和DynNom，但是这两个包太老了，很久没更新了，所以目前只能通过下载安装包本地安装。目前不推荐使用了，如果你一定要用，可参考：Cox回归列线图（nomogram）的4种绘制方法