경쟁 위험 모델의 R 기반 조경 유효성 검사An R-based landscape validation of a competing risk model

우리의 프로토콜은 생존 분석에서 경쟁 이벤트의 존재를 고려하는 경쟁 위험 노모그램의 다양한 평가 및 검증 방법을 제시합니다. 이 프로토콜은 부트스트랩 방법을 사용하여 C-인덱스 계산 및 내부 검증과 같은 R.Evolution의 위험 회귀 패키지를 보완하는 역할을 합니다. C-index 판별을 시작하려면 매트릭스 cob을 경쟁 위험 모델 모드 CRR에 맞추고 명령을 실행하여 예측된 매트릭스 SUV를 얻습니다.

SUV에서 특정 월의 누적 발생률을 구하고 R-core sends 함수로 C-index를 계산합니다. AUC 판별의 경우 함수 점수, 위험 회귀 패키지를 사용하여 경쟁 위험 모델의 예측 성능을 평가합니다. 그런 다음 명령을 실행하여 점수에서 AUC를 추출합니다.

경쟁 위험 모델의 95% 신뢰 구간을 갖는 검량선을 구하려면 특정 고장 시간 동안 각 개인의 누적 발생률이 포함된 데이터 프레임을 구하십시오. 그런 다음 추정된 누적 발생률에 따라 코호트를 5개의 하위 그룹으로 나누고 각 하위 그룹의 평균 예측 누적 발생률을 계산합니다. 관측된 누적 발생률, 즉 cuminc 함수를 사용하여 실제 누적 발생률을 계산합니다.

그런 다음 명령을 실행하여 특정 고장 시간에 95% 신뢰 구간으로 관찰된 누적 발생률을 가져옵니다. 예측된 누적 발생률을 X축으로 하고 관측된 누적 발생률을 Y축으로 하여 검량선을 플로팅합니다. 함수 gg plot 사용.

경쟁 위험 모델의 위험 점수가 있는 보정 곡선의 경우 모든 변수의 각 수준을 평가하고 명령을 실행하여 총 RS를 구합니다. 빈도를 계산하고 서로 다른 총 위험 점수의 관찰된 누적 발생률을 계산합니다. X축의 범위를 설정하고 총 위험 점수의 예측 누적 발생률을 계산합니다.

그런 다음 명령을 실행하여 위험 점수가 있는 검량선을 플로팅합니다. 부트스트랩 방법을 사용하여 예측된 평균 누적 발생률을 얻으려면 원래 데이터 세트(replace 사용 데이터 세트)를 다시 샘플링하여 부트스트랩 데이터 세트를 생성합니다. 데이터 세트.

그런 다음 부트스트랩 데이터 세트를 사용하여 경쟁 위험 모델인 mod NCRR을 설정하고 predict CRR 함수를 사용하여 루프 B 번에서 mod NCRR을 예측하여 SUV를 올인합니다. 다음으로, 특정 월의 평균 예상 누적 발생률을 가져옵니다. R-core sends 함수와 함께 구간 교차 검증을 사용하여 C-지수를 계산합니다.

보정의 경우 외부 검증을 사용하여 외부 데이터를 사용하여 예측된 누적 발생률을 가져오고 명령을 실행하여 외부 데이터 변수 행렬을 사용하여 누적 발생률을 얻습니다.Code-X. 그런 다음 외부 검증을 사용하여 C-인덱스를 계산합니다. 직접법과 가중치법을 이용하여 2개의 노모그램을 얻어 각 변수 수준의 점과 총점에 해당하는 확률이 거의 동일함을 입증하였다.

약간의 차이가 관찰되었습니다. 경쟁 위험 모델에 대한 보정 곡선은 당량선에 가까웠고 관찰된 빈도의 95% 신뢰 구간은 각 그룹의 동등성 선에 떨어졌습니다. 모델의 정확한 보정 능력을 나타냅니다.

내부 및 외부 검증을 사용한 교정 곡선이 표시되었으며, 이는 구성된 모델이 내부 검증에서는 우수한 교정 능력을 가졌지만 외부 검증에서는 불량한 교정 능력을 가졌음을 나타냅니다. 경쟁 위험 노모그램의 결정 곡선 분석 결과를 얻었습니다. 임계값 확률 증가에 따른 순이익의 변화를 보여줍니다.

원래 데이터 세트를 다시 샘플링하는 것은 경쟁 위험 노모그램의 내부 검증을 수행하는 데 중요한 부트스트랩 데이터 세트를 생성하기 위해 대체되었습니다. 부트스트랩 방법 외에도 무작위 표시 및 K4 방법을 수행하여 내부 유효성 검사에 사용되는 데이터 세트를 생성할 수도 있습니다. 경쟁 위험 모델의 R 기반 조경 검증을 사용하여 임상의는 경쟁 위험을 보다 쉽게 고려하여 실제 세계에서 예후 분석을 수행할 수 있습니다.