競合リスクモデルのRベースのランドスケープ検証

私たちのプロトコルは、生存分析における競合イベントの存在を考慮した競合リスクノモグラムの評価と検証のさまざまな方法を提示します。このプロトコルは、ブートストラップ法を使用したCインデックスの計算や内部検証など、R.Riskのリスク回帰パッケージの補足として機能します。Cインデックスの識別を開始するには、マトリックスコブを競合するリスクモデルmod CRRに適合させ、コマンドを実行して予測マトリックスSUVを取得します。

SUVから特定の月の累積発生率を取得し、Rコアが送信する関数でCインデックスを計算します。AUC 識別の場合は、関数スコア、リスク回帰パッケージを使用して、競合するリスク モデルの予測パフォーマンスをスコアリングします。次に、コマンドを実行してスコアからAUCを抽出します。

競合するリスクモデルの95%信頼区間で検量線を取得するには、特定の故障時間における各個人の累積発生率を含むデータフレームを取得します。次に、推定累積発生率に従ってコホートを5つのサブグループに分割し、各サブグループの平均予測累積発生率を計算します。観測された累積発生率、つまり実際の累積発生率を計算するには、関数 cuminc を使用します。

次に、コマンドを実行して、特定の障害時間内に95%信頼区間で観測された累積発生率を取得します。予測累積発生率をX軸、観測累積発生率をY軸として検量線をプロットします。関数ggプロットを使用します。

競合リスクモデルのリスクスコアを含む検量線については、すべての変数の各水準を評価し、コマンドを実行して合計RSを取得します。頻度をカウントし、さまざまな合計リスクスコアの観測された累積発生率を計算します。X 軸の範囲を設定し、合計リスク スコアの予測累積発生率を計算します。

次に、コマンドを実行してリスクスコアを含む検量線をプロットします。ブートストラップ法を使用して平均予測累積発生率を取得するには、元のデータセット (replace を使用したデータセット) をリサンプリングして、ブートストラップ データセットを生成します。データセット内。

次に、ブートストラップデータセットを使用して競合するリスクモデル:mod NCRRを確立し、関数予測CRRを使用して、ループB回でmod NCRRを予測し、SUVオールインを生成します。次に、特定の月の平均予測累積発生率を取得します。R-coreが送信する関数による間隔交差検証を使用してCインデックスを計算します。

キャリブレーションでは、外部検証を使用して、外部データを使用した予測累積発生率と、外部データ変数のマトリックスを使用した累積発生率:Code-X のコマンドを実行します。次に、コマンドを実行して外部検証を使用してCインデックスを計算します。直接法と重み付け法を用いて2つのノモグラムが得られ、変数の各水準の点と合計点に対応する確率がほぼ同じであることが示されました。

若干の違いは見られましたが。競合リスクモデルの検量線は等価線に近く、観測された頻度の95%信頼区間は各群で同等性線に収まりました。モデルの正確なキャリブレーション能力を示します。

内部バリデーションと外部バリデーションを用いた検量線が示され、構築されたモデルは内部バリデーションでは良好なキャリブレーション能力を有するが、外部バリデーションでは貧弱であることが示された。競合リスクノモグラムの決定曲線分析の結果を得た。閾値確率の増加に伴う純利益の変化を実証する。

元のデータセットの再サンプリングは、競合するリスクノモグラムの内部検証を実行する際に重要なブートストラップデータセットを生成するために置き換えられました。ブートストラップ法の他に、ランダム化表示とK4法を実行して、内部検証に使用されるデータセットを生成することもできます。競合するリスクモデルのRベースのランドスケープ検証を使用すると、臨床医は競合するリスクを考慮して、現実世界で予後分析をより簡単に実行できます。