weixin_47855187的博客

批量计算cox回归

预测模型的样本量计算一直都是困扰笔者很久的问题一般临床预测模型常见的有两类：非时间因素/包含时间因素举例来说，非时间因素建模常见于logistic/lasso等回归模型之后，时间因素相关的结局变量常见于cox等模型建模后。如果选用logistic模型，可使用的思路为：1、根据自变量数目进行预测，根据自变量（即构建模型的自变量）数量，10-20倍区间的样本量均可。具体理论后续补充或完善。2、将预测模型视为临床研究的思路，即A模型比B模型能提高结局的预测能力，即在某一类人群中（高危？or 低危？）模型

目前比较好用的主流包有两个1、twogrps {CBCgrps}，可以比较两个亚组分析，同时可以生成总的比例分布以及亚族的比例及比较，缺点：比例显示无法精确到小数点2、package {tableOne} tableone包可以通过分层变量的设置来进行总体描述及亚组分析，也很好用。通过addoveral来获取总体的column值，就很完美可以精确到小数点后1位。Reference for twogrps{CBCgrps}Zhang Z. Univariate description and b

高低危分两组library("survival")library("survminer") # best cutoff res.cut <- surv_cutpoint(RC_N, time = "time", event = "event", variables = c("value")) res.cat <- surv_categorize(res.cut) fit <- survfit(Surv(time, event) ~ value

计算COX模型的cindex以及两个cox模型的假设检验方法1：基于cox直接生成系数以及计算的C-index值library("survminer")library("survival")######### 生成COX模型cox_model <- coxph()####直接查看coxphsummary(cox_model)########## call之后： Concordance= 0.735 (se = 0.035 ) 即是C-index########## 查看cind