R语言使用timeROC包计算无竞争情况下的生存资料多时间AUC值、R语言使用timeROC包可视化无竞争情况下的生存资料多时间ROC曲线
目录
R语言使用timeROC包计算无竞争情况下的生存资料多时间AUC值、R语言使用timeROC包可视化无竞争情况下的生存资料多时间ROC曲线
R语言使用timeROC包计算无竞争情况下的生存资料多时间AUC值(Time-dependent ROC curve estimation)
R语言使用timeROC包可视化无竞争情况下的生存资料多时间ROC曲线(Time-dependent ROC curve estimation)
导入包和仿真数据
##-------------Without competing risks-------------------
library(timeROC)
library(survival)
data(pbc)
head(pbc)
pbc<-pbc[!is.na(pbc$trt),] 0 1 # select only randomised subjects pbc$status<-as.numeric(pbc$status="=2)" create event indicator: for death, censored head(pbc) str(pbc)< code></-pbc[!is.na(pbc$trt),]>
> str(pbc)
'data.frame': 312 obs. of 20 variables:
$ id : int 1 2 3 4 5 6 7 8 9 10 ...
$ time : int 400 4500 1012 1925 1504 2503 1832 2466 2400 51 ...
$ status : num 1 0 1 1 0 1 0 1 1 1 ...
$ trt : int 1 1 1 1 2 2 2 2 1 2 ...
$ age : num 58.8 56.4 70.1 54.7 38.1 ...
$ sex : Factor w/ 2 levels "m","f": 2 2 1 2 2 2 2 2 2 2 ...
$ ascites : int 1 0 0 0 0 0 0 0 0 1 ...
$ hepato : int 1 1 0 1 1 1 1 0 0 0 ...
$ spiders : int 1 1 0 1 1 0 0 0 1 1 ...
$ edema : num 1 0 0.5 0.5 0 0 0 0 0 1 ...
$ bili : num 14.5 1.1 1.4 1.8 3.4 0.8 1 0.3 3.2 12.6 ...
$ chol : int 261 302 176 244 279 248 322 280 562 200 ...
$ albumin : num 2.6 4.14 3.48 2.54 3.53 3.98 4.09 4 3.08 2.74 ...
$ copper : int 156 54 210 64 143 50 52 52 79 140 ...
$ alk.phos: num 1718 7395 516 6122 671 ...
$ ast : num 137.9 113.5 96.1 60.6 113.2 ...
$ trig : int 172 88 55 92 72 63 213 189 88 143 ...
$ platelet: int 190 221 151 183 136 NA 204 373 251 302 ...
$ protime : num 12.2 10.6 12 10.3 10.9 11 9.7 11 11 11.5 ...
$ stage : int 4 3 4 4 3 3 3 3 2 4 ...
R语言timeROC包timeROC函数说明
timeROC(T, delta, marker, other_markers = NULL, cause,
weighting = "marginal", times, ROC = TRUE, iid = FALSE)
T：事件时间
delta：事件状态. 删失数据编码为0.
marker ：计算ROC的biomaker，默认是marker值越大，事件越可能发生；反之的话，前面加-号。
other_markers：矩阵形式输入，可多个marker，类似协变量. 默认值other_markers=NULL.
cause：所关心的事件结局。没有竞争风险（Without competing risks）中，必须是非删失数据的编码方式，一般为1。
存在竞争风险（With competing risks）中，和所关心的事件结局一致，通常为1 or 2.
weighting：计算方法，默认是weighting=”marginal”，KM模型；weighting=”cox” 和weighting=”aalen”分别为COX模型和additive Aalen 模型。
times：想计算的ROC曲线的时间节点。
ROC：默认值ROC = TRUE，保存sensitivities 和 specificties值。
iid: 默认值iid = FALSE。iid = TRUE 才会保存置信区间，但是样本量大了后，耗时耗资源。
R语言使用timeROC包计算无竞争情况下的生存资料多时间AUC值(Time-dependent ROC curve estimation)
评价胆红素作为一个预后的生物死亡标志物；
we evaluate bilirubin as a prognostic biomarker for death.
1) with the Kaplan-Meier estimator for computing the weights (default).
ROC.bili.marginal<-timeroc(t=pbc$time, delta="pbc$status,marker=pbc$bili," cause="1,weighting="marginal"," times="quantile(pbc$time,probs=seq(0.2,0.8,0.1))," iid="TRUE)" roc.bili.marginal< code></-timeroc(t=pbc$time,>
> ROC.bili.marginal
Time-dependent-Roc curve estimated using IPCW (n=312, without competing risks).
Cases Survivors Censored AUC (%) se
t=999.2 53 249 10 83.96 2.91
t=1307.4 68 218 26 85.66 2.56
t=1839.5 86 156 70 88.03 2.25
t=2555.7 102 94 116 83.41 3.17
t=3039 108 63 141 80.79 3.48
Method used for estimating IPCW:marginal
Total computation time : 0.19 secs.
R语言使用timeROC包可视化无竞争情况下的生存资料多时间ROC曲线(Time-dependent ROC curve estimation)
plot(ROC.bili.marginal,
time=999.2, col="red", lwd=2, title = "") #time是时间点，col是线条颜色
plot(ROC.bili.marginal,
time=1307.4, col="blue", add=TRUE, lwd=2) #add指是否添加在上一张图中
plot(ROC.bili.marginal,
time=1839.5, col="orange", add=TRUE, lwd=2)
#添加标签信息
legend("bottomright",
c(paste0("AUC at 1 year: ",round(ROC.bili.marginal[["AUC"]][1],2)),
paste0("AUC at 2 year: ",round(ROC.bili.marginal[["AUC"]][2],2)),
paste0("AUC at 3 year: ",round(ROC.bili.marginal[["AUC"]][3],2))),
col=c("red", "blue", "orange"),
lty=1, lwd=2,bty = "n")
安利一个R语言的优秀博主及其CSDN专栏：
博主R语言专栏地址（R语言从入门到机器学习、持续输出已经超过1000篇文章）
参考：R
参考：timeROC: Time-dependent ROC curve estimation
参考：R|timeROC-TimeDependent ROC分析
参考：R语言画多个时间点和多变量ROC曲线
参考：R语言多个时间点及多指标ROC曲线
Original: https://blog.csdn.net/sdgfbhgfj/article/details/123644742
Author: sdgfbhgfj
Title: R语言使用timeROC包计算无竞争情况下的生存资料多时间AUC值、R语言使用timeROC包可视化无竞争情况下的生存资料多时间ROC曲线
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/618801/
转载文章受原作者版权保护。转载请注明原作者出处！