Eine R-basierte Landschaftsvalidierung eines konkurrierenden Risikomodells

Unser Protokoll stellt verschiedene Methoden zur Bewertung und Validierung des konkurrierenden Risikonomogramms vor, das das Vorhandensein konkurrierender Ereignisse in der Überlebensanalyse berücksichtigt. Dieses Protokoll dient als Ergänzung zum Risikoregressionspaket in R.Wie z.B. die Berechnung des C-Index und die interne Validierung unter Verwendung der Bootstrap-Methode. Um mit der C-Index-Unterscheidung zu beginnen, passen Sie den Matrixkolben in das konkurrierende Risikomodell mod CRR an und erhalten Sie einen vorhergesagten Matrix-SUV, indem Sie den Befehl ausführen.

Holen Sie sich die kumulierten Inzidenzen in einem bestimmten Monat von SUV und berechnen Sie den C-Index mit der Funktion R-core sends. Bewerten Sie für die AUC-Unterscheidung die Vorhersageleistung des konkurrierenden Risikomodells mithilfe der Funktion score und des Risikoregressionspakets. Extrahieren Sie dann die AUC aus der Punktzahl, indem Sie den Befehl ausführen.

Um Kalibrierungskurven mit einem 95%-Konfidenzintervall des konkurrierenden Risikomodells zu erhalten, erhalten Sie einen Datenrahmen mit den kumulativen Inzidenzen jedes Individuums in einer bestimmten Ausfallzeit. Teilen Sie dann die Kohorte nach den geschätzten kumulativen Inzidenzen in fünf Untergruppen ein und berechnen Sie die durchschnittlich prognostizierten kumulativen Inzidenzen jeder Untergruppe. Berechnen Sie die beobachteten kumulativen Inzidenzen, d. h. die tatsächlichen kumulativen Inzidenzen, mit der Funktion cuminc.

Und dann erhalten Sie die beobachteten kumulativen Inzidenzen mit einem 95%-Konfidenzintervall in einer bestimmten Fehlerzeit, indem Sie den Befehl ausführen. Zeichnen Sie die Kalibrierungskurve mit den vorhergesagten kumulativen Inzidenzen als X-Achse und den beobachteten kumulativen Inzidenzen als Y-Achse. Mit der Funktion gg plot.

Bewerten Sie für die Kalibrierungskurve mit Risikowerten des konkurrierenden Risikomodells jede Stufe aller Variablen und erhalten Sie die Gesamt-RS, indem Sie den Befehl ausführen. Zählen Sie die Häufigkeiten und berechnen Sie die beobachteten kumulativen Inzidenzen der verschiedenen Gesamtrisikobewertungen. Legen Sie den Bereich der X-Achse fest, und berechnen Sie die prognostizierten kumulativen Inzidenzen der Gesamtrisikobewertungen.

Zeichnen Sie dann die Kalibrierungskurve mit Risikobewertungen, indem Sie den Befehl ausführen. Um die durchschnittlichen prognostizierten kumulativen Inzidenzen mithilfe der Bootstrap-Methode zu erhalten, führen Sie eine erneute Stichprobe des ursprünglichen Datasets (Dataset with replace) durch, um das Bootstrap-Dataset zu generieren. Datensatz in.

Richten Sie dann ein konkurrierendes Risikomodell ein:mod NCRR mit dem Bootstrap-Dataset und verwenden Sie die Funktion predict CRR, um mod NCRR in Schleife B vorherzusagen, um SUV all in zu generieren. Ermitteln Sie als Nächstes die durchschnittlich prognostizierten kumulativen Inzidenzen in einem bestimmten Monat. Berechnen Sie den C-Index mithilfe der Intervallkreuzvalidierung mit der Funktion R-core sends.

Rufen Sie für die Kalibrierung mithilfe der externen Validierung die prognostizierten kumulativen Inzidenzen mit externen Daten und kumulative Inzidenzen mit der Matrix externer Datenvariablen:Code-X ab, indem Sie den Befehl ausführen. Berechnen Sie dann den C-Index mit externer Validierung Durch Ausführen des Befehls. Es wurden zwei Nomogramme mit der direkten Methode und der gewichteten Methode erhalten, die zeigten, dass die Punkte jeder Variablenebene und die Wahrscheinlichkeiten, die den Gesamtpunkten entsprachen, nahezu gleich waren.

Dabei wurden einige geringfügige Unterschiede beobachtet. Die Kalibrierungskurve für das konkurrierende Risikomodell lag nahe an der Äquivalenzlinie und das 95%-Konfidenzintervall der beobachteten Häufigkeit fiel in jeder Gruppe in die Äquivalenzlinie. Anzeige der genauen Kalibrierungsfähigkeit des Modells.

Es wurden Kalibrierkurven mit interner und externer Validierung gezeigt, die darauf hindeuten, dass das konstruierte Modell in der internen Validierung eine gute Kalibrierfähigkeit hatte, in der externen Validierung jedoch eine schlechte. Die Ergebnisse der Entscheidungskurvenanalyse des konkurrierenden Risikonomogramms wurden erhalten. Darstellung der Veränderungen des Nettonutzens mit steigender Schwellenwahrscheinlichkeit.

Das erneute Sampling des ursprünglichen Datensatzes wurde ersetzt, um den Bootstrap-Datensatz zu generieren, der für die interne Validierung des konkurrierenden Risikonomogramms wichtig ist. Neben der Bootstrap-Methode können auch die randomisierte Anzeige und die K4-Methode durchgeführt werden, um Datensätze zu generieren, die für die interne Validierung verwendet werden. Mit unserer R-basierten Landschaftsvalidierung des konkurrierenden Risikomodells können Ärzte eine Prognoseanalyse in der realen Welt unter Berücksichtigung des konkurrierenden Risikos einfacher durchführen.