التحقق من صحة المناظر الطبيعية القائمة على R لنموذج مخاطر منافس

يقدم بروتوكولنا طرقا مختلفة لتقييم والتحقق من صحة مخطط المخاطر المتنافسة ؛ والذي يأخذ في الاعتبار وجود أحداث متنافسة في تحليل البقاء على قيد الحياة. يعمل هذا البروتوكول كمكمل لحزمة انحدار المخاطر في R.مثل حساب مؤشر C والتحقق الداخلي ، باستخدام طريقة التمهيد. للبدء في تمييز مؤشر C ، قم بتركيب قطعة خبز المصفوفة في نموذج المخاطر المنافس mod CRR واحصل على مصفوفة SUV متوقعة عن طريق تنفيذ الأمر.

احصل على الحوادث التراكمية في شهر معين من سيارات الدفع الرباعي واحسب مؤشر C مع الوظيفة R-core يرسل. بالنسبة للتمييز في الجامعة الأمريكية بالقاهرة، سجل الأداء التنبئي لنموذج المخاطر المنافسة، باستخدام درجة الوظيفة، وحزمة انحدار المخاطر. ثم استخرج AUC من النتيجة عن طريق تنفيذ الأمر.

للحصول على منحنيات معايرة مع فاصل ثقة بنسبة 95٪ لنموذج المخاطر المتنافسة ، احصل على إطار بيانات مع الحوادث التراكمية لكل فرد في وقت فشل معين. ثم قسم المجموعة وفقا للحوادث التراكمية المقدرة إلى خمس مجموعات فرعية واحسب متوسط الحوادث التراكمية المتوقعة لكل مجموعة فرعية. احسب الحوادث التراكمية المرصودة التي هي الحوادث التراكمية الفعلية باستخدام الدالة cuminc.

ثم احصل على الحوادث التراكمية المرصودة بفاصل ثقة 95٪ في وقت فشل معين عن طريق تنفيذ الأمر. ارسم منحنى المعايرة مع الحوادث التراكمية المتوقعة كمحور X والحوادث التراكمية المرصودة كمحور Y. باستخدام وظيفة gg plot.

بالنسبة لمنحنى المعايرة مع درجات المخاطر لنموذج المخاطر المتنافس ، قم بتقييم كل مستوى من جميع المتغيرات واحصل على إجمالي RS عن طريق تنفيذ الأمر. عد الترددات واحسب الحوادث التراكمية المرصودة لدرجات المخاطر الإجمالية المختلفة. قم بتعيين نطاق المحور X وحساب الحوادث التراكمية المتوقعة لإجمالي درجات المخاطر.

ثم ارسم منحنى المعايرة مع درجات المخاطر عن طريق تنفيذ الأمر. للحصول على متوسط الحوادث التراكمية المتوقعة باستخدام طريقة التمهيد ، أعد أخذ عينات من مجموعة البيانات الأصلية ، مجموعة البيانات مع الاستبدال ، لإنشاء مجموعة بيانات التمهيد. مجموعة البيانات في.

ثم قم بإنشاء نموذج مخاطر منافس: mod NCRR مع مجموعة بيانات bootstrap واستخدم وظيفة التنبؤ CRR للتنبؤ ب mod NCRR في أوقات الحلقة B لإنشاء سيارات الدفع الرباعي في كل شيء. بعد ذلك ، احصل على متوسط الحوادث التراكمية المتوقعة في شهر معين. احسب مؤشر C باستخدام التحقق من صحة الفاصل الزمني مع إرسال الوظيفة R-core.

للمعايرة ، باستخدام التحقق الخارجي ، احصل على الحوادث التراكمية المتوقعة باستخدام البيانات الخارجية والحوادث التراكمية باستخدام مصفوفة متغيرات البيانات الخارجية: Code-X عن طريق تنفيذ الأمر. ثم احسب مؤشر C باستخدام التحقق الخارجي عن طريق تنفيذ الأمر. تم الحصول على اثنين من الرسوم البيانية باستخدام الطريقة المباشرة والطريقة المرجحة ، مما يدل على أن نقاط كل مستوى من المتغيرات والاحتمالات المقابلة لمجموع النقاط كانت هي نفسها تقريبا.

بينما لوحظت بعض الاختلافات الطفيفة. كان منحنى المعايرة لنموذج المخاطر المتنافسة قريبا من خط التكافؤ وفترة الثقة 95٪ للتردد المرصود ، سقطت في خط التكافؤ في كل مجموعة. الإشارة إلى قدرة المعايرة الدقيقة للنموذج.

تم عرض منحنيات المعايرة باستخدام التحقق الداخلي والخارجي ، مما يشير إلى أن النموذج الذي تم إنشاؤه لديه قدرة معايرة جيدة في التحقق الداخلي ؛ ولكن ضعيفة في التحقق الخارجي. تم الحصول على نتائج تحليل منحنى القرار لمخطط المخاطر المتنافسة. إظهار التغيرات في صافي الفائدة مع زيادة احتمال العتبة.

تم استبدال إعادة أخذ عينات من مجموعة البيانات الأصلية لإنشاء مجموعة بيانات التمهيد حسب الأهمية ، في إجراء التحقق الداخلي من رسم الخرائط المتنافس للمخاطر. إلى جانب طريقة التمهيد ، يمكن أيضا إجراء العرض العشوائي وطريقة K4 لإنشاء مجموعات بيانات تستخدم للتحقق الداخلي. باستخدام التحقق من صحة المناظر الطبيعية القائمة على R لنموذج المخاطر المتنافسة ، يمكن للأطباء إجراء تحليل التشخيص في العالم الحقيقي مع الأخذ في الاعتبار المخاطر المتنافسة بسهولة أكبر.