<think>我们收到了用户的查询，要求使用timeROC包计算AUC并绘制生存分析中的ROC曲线。根据用户提供的引用内容，我们可以总结出以下步骤：
1. 准备数据：需要包含时间（T）、事件状态（delta）、标记物（marker）等数据。
2. 使用`timeROC()`函数计算特定时间点的AUC值。
3. 使用`plot()`函数绘制ROC曲线，并使用`add=TRUE`参数在同一图中添加多条曲线。
4. 添加图例（legend）说明每条曲线对应的AUC值。
根据引用[2]和引用[4]，我们注意到在无竞争风险的情况下，计算的是多个时间点的ROC曲线。引用[5]提供了timeROC函数的基本参数说明。
具体步骤：
步骤1：安装并加载timeROC包（如果尚未安装，先安装）
步骤2：准备数据，至少包含时间、事件状态（0表示删失，1表示事件发生）和标记物（例如预测分数）
步骤3：使用timeROC函数计算多个时间点的AUC
步骤4：使用plot函数绘制第一个时间点的ROC曲线，然后使用add=TRUE参数添加其他时间点的曲线
步骤5：添加图例，显示每个时间点的AUC值
示例代码（参考引用[2]和引用[4]）：
假设我们有一个数据框df，包含三列：
T：生存时间
delta：事件状态（1表示发生事件，0表示删失）
marker：标记物（如预测值）
注意：在无竞争风险的情况下，事件状态只有事件发生和删失。
根据引用[5]，timeROC函数的参数说明：
T：生存时间向量
delta：事件状态向量（1表示感兴趣的事件，0表示删失）
marker：标记物向量（用于预测的连续变量）
cause：感兴趣的事件（在无竞争风险的情况下，通常设为1）
weighting：权重方法，默认为"marginal"（使用边际加权）
times：要计算AUC的时间点向量
示例代码：
```r
# 安装包（如果需要）
# install.packages("timeROC")
library(timeROC)
# 假设df是数据框，包含T（时间）、delta（事件状态）和marker（标记物）
# 设定要计算的时间点（例如：1年，2年，3年，这里的时间单位与生存时间单位一致）
times <- c(365, 730, 1095) # 假设时间单位是天
# 计算timeROC
ROC_result <- timeROC(T = df$T,
delta = df$delta,
marker = df$marker,
cause = 1, # 感兴趣的事件
weighting = "marginal", # 使用边际加权
times = times,
ROC = TRUE)
# 绘制第一个时间点的ROC曲线（红色）
plot(ROC_result, time = times[1], col = "red", lwd=2, title = "")
# 添加第二个时间点的ROC曲线（蓝色）
plot(ROC_result, time = times[2], col = "blue", add=TRUE, lwd=2)
# 添加第三个时间点的ROC曲线（橙色）
plot(ROC_result, time = times[3], col = "orange", add=TRUE, lwd=2)
# 添加图例
legend("bottomright",
c(paste0("AUC at 1 year: ", round(ROC_result$AUC[1], 2)),
paste0("AUC at 2 year: ", round(ROC_result$AUC[2], 2)),
paste0("AUC at 3 year: ", round(ROC_result$AUC[3], 2))),
col = c("red", "blue", "orange"),
lty = 1, lwd = 2, bty = "n")
```
注意：时间点的设定需要根据实际数据情况，比如如果生存时间的单位是年，那么时间点可能是1,2,3等。
另外，引用[4]中显示的结果包含了多个时间点的AUC值，我们可以通过ROC_result$AUC来获取。
如果用户需要绘制多个标记物在同一时间点的ROC曲线，可以分别计算每个标记物的ROC_result，然后在同一图中绘制（注意使用不同的颜色），并在图例中区分。
但是，用户的问题只要求一个标记物在多个时间点的ROC曲线。因此，上述代码即可满足。
注意：在计算时，函数要求事件状态中1表示事件发生，0表示删失。如果有竞争风险，则需要使用不同的方法（本例是无竞争风险）。
用户提供的引用[3]和引用[4]分别展示了有竞争风险和无竞争风险情况下的输出，但用户明确要求无竞争风险（引用[1]和[4]），所以我们按照无竞争风险来处理。
如果用户需要更详细的计算置信区间等，可以参考引用[5]提到的confint函数，但用户问题中未要求。
因此，我们按照上述步骤提供代码和说明。
</think>以下是使用 R 语言的 `timeROC` 包计算生存分析中时间依赖性 AUC 值并绘制 ROC 曲线的完整方法，整合了引用中的关键技术和最佳实践：
### 操作步骤
1. **安装加载包**
```r
install.packages("timeROC")
library(timeROC)
```
2. **数据准备**
数据需包含三列：
- `time`：生存时间（数值型）
- `status`：事件状态（1=事件发生，0=删失）
- `marker`：预测标记物值（数值型）
3. **计算时间依赖性 AUC**
```r
# 设置多个时间点（单位需与生存时间一致）
times <- c(999.2, 1307.4, 1839.5) # 示例时间点
# 核心计算函数
ROC_result <- timeROC(
T = df$time, # 生存时间向量
delta = df$status, # 事件状态向量
marker = df$marker, # 预测标记物向量
cause = 1, # 感兴趣的事件类型
weighting = "marginal", # 加权方法（可选"marginal"或"cox"）
times = times, # 评估时间点
ROC = TRUE # 返回ROC曲线数据
)
```
4. **查看各时间点 AUC**
```r
print(ROC_result) # 输出类似：
# Time-dependent-Roc curve estimated using IPCW
# Cases Survivors Censored AUC (%)
# t=999.2 53 249 10 83.96
# t=1307.4 68 218 26 85.66
# t=1839.5 86 156 70 88.03
```
5. **绘制多时间点 ROC 曲线**
```r
# 初始化画布
plot(ROC_result, time = times[1], col = "red", lwd = 2,
xlab = "1 - Specificity", ylab = "Sensitivity")
# 添加后续曲线
plot(ROC_result, time = times[2], col = "blue", add = TRUE, lwd = 2)
plot(ROC_result, time = times[3], col = "orange", add = TRUE, lwd = 2)
# 添加图例
legend("bottomright",
legend = c(
paste0("AUC at ", times[1], ": ", round(ROC_result$AUC[1], 2)),
paste0("AUC at ", times[2], ": ", round(ROC_result$AUC[2], 2)),
paste0("AUC at ", times[3], ": ", round(ROC_result$AUC[3], 2))
),
col = c("red", "blue", "orange"),
lty = 1, lwd = 2, bty = "n")
```
*图：不同时间点的ROC曲线可视化（红色/蓝色/橙色分别对应三个时间点）[^2][^4]*
### 关键参数说明
1. **`weighting`** 选择：
- `"marginal"`：标准加权（无竞争风险时推荐）
- `"cox"`：使用Cox模型加权（存在竞争风险时使用）
2. **时间点选择原则**：
- 覆盖研究的主要时间节点（如1/3/5年）
- 确保每个时间点有足够事件数（AUC计算需≥10个事件）
- 通过 `quantile(df$time[df$status==1], probs=c(0.3,0.6,0.9))` 选取分位数点
3. **曲线解读**：
- X轴：1-特异性（假阳性率）
- Y轴：敏感性（真阳性率）
- 曲线越靠近左上角说明诊断效能越好
- 不同时间点的AUC比较需谨慎（样本量可能变化）
> **注意**：当存在竞争风险（如死亡和其他事件共存）时，需使用`cause`参数指定目标事件，并使用`weighting="cox"`进行校正[^3][^5]。
本文介绍了如何利用R语言的timeROC包处理有竞争风险的生存数据，计算并可视化多时间AUC值，以评估模型在不同事件预测上的准确性。通过实例展示了数据准备、计算和绘图的过程，强调了timeROC包在生存分析中的应用价值。
订阅专栏 解锁全文
扫一扫
515
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
