使用 R 构建复杂设计调查加权（Survey-Weighted） Cox 模型的列线图

列线图，又称诺莫图（Nomogram），它是建立在回归分析的基础上，使用多个临床指标或者生物属性，然后采用带有分数高低的线段，从而达到设置的目的：基于多个变量的值预测一定的临床结局或者某类事件发生的概率。列线图(Nomogram)可以用于多指标联合诊断或预测疾病发病或进展。
近些年来在高质量SCI临床论文中用的越来越多。列线图将回归模型转换成了可以直观的视图，让结果更容易判断，具有可读性，例如：

对于复杂设计调查（Survey-Weighted）的数据，我们不能使用RMS包直接绘制预测模型列线图，这样会造成数据偏差，今天我们来介绍SvyNom绘制复杂设计调查（Survey-Weighted）的数据cox回归的列线图，先导入数据和R包

library("rms")
library("survey")
library("SvyNom")
set.seed(1234)
noNA<-read.csv("E:/r/test/noNA.csv",sep=',',header=TRUE)
1
2
3
4
5

上图只显示了一部分，这是一个转移性胃癌患者（Power、Capanu、Kelsen 和 Shah 2011）的数据（公众号回复：胃癌数据，可以获得数据），数据很多我们选取一部分建模，age_dx：年龄，group：分组变量，分为存活率小于2年的和大于两年的，inv_weight：概率权重，ssize：每个分组患者的人数，survival生存时间，surv_cens生存结局
要建立调查加权，我们先要生成一个调查表，我们这里是根据患者是否能活超过24个月进行分层，

dstr2 <- svydesign(id = ~1, strata = ~group, prob = ~inv_weight, 
  fpc = ~ssize, data = noNA)
1
2

prob 指定的抽样概率对于长期幸存者组（≥ 24月）中的患者等于 1，对于存活不到 2 年的患者均等于 253/853=0.296。fpc 选项指定已在每个层中抽样的总人口，在 ≥ 24 组中等于 132，对于 <24 组中的患者等于 853。

建立cox方程拟合包含患者年龄、ECOG 状态、白蛋白和血红蛋白水平、肿瘤分化、是否存在多个转移部位等变量

svy.cox.fit <- svycoxph(Surv(survival, surv_cens) ~ ECOG + liver_only + 
  Alb + Hb + Age + Differentiation + Gt_1_m1site + lymph_only, x = TRUE, 
  design = dstr2)
svy.cox.fit
1
2
3
4

对数据格式设定

dd <- datadist(noNA)
options(datadist = "dd")
ss3 <- c(0.05, 0.2, 0.4, 0.6, 0.7, 0.8, 0.9, 0.95, 0.99)
1
2
3

构建列线图数据，design =填入我们的调查表，model=填入我们建立的模型，pred.at =这里我们预测两年生存率，所以填入24，fun.lab =这里生存列线图标签

mynom <- svycox.nomogram(.design = dstr2, .model = 
  Surv(survival, surv_cens) ~ ECOG + liver_only + Alb + Hb + Age + 
  Differentiation + Gt_1_m1site + lymph_only, .data = noNA, pred.at = 24, 
  fun.lab = "Prob of 2 Yr OS")
1
2
3
4

绘图

plot(mynom$nomog)
1

通过重抽样建立引导数据对列线图进行验证

bootit <- 200
cases <- which(noNA$group == "long")
controls <- which(noNA$group == "<24")
boot.index <- matrix(NA, nrow(noNA), bootit)
for (i in 1:bootit)
  boot.index[, i] <- c(sample(cases, replace = TRUE), sample(controls, replace = TRUE))
1
2
3
4
5
6

估值差异很小，说模型可信度不错。最后绘制校准曲线

svycox.calibrate(mynom)
1

OK，本文结束，觉得有用的话请分享给需要的人哟。