关于算法:R语言生存分析可视化分析

生存剖析 指的是一系列用来探索所感兴趣的事件的产生的工夫的统计办法。

生存剖析 被用于各种畛域，例如：

癌症钻研为患者生存工夫剖析，

“事件历史剖析”的社会学

在工程的“故障工夫剖析”。

在癌症钻研中，典型的钻研问题如下：

某些临床特色对患者的生存有何影响？

集体三年存活的概率是多少？

各组患者的生存率有差别吗？

在这里，咱们从定义生存剖析的根本术语开始，包含：

生存工夫和事件

生存函数和危险函数

癌症钻研中的生存工夫和事件类型

有不同类型的事件，包含：

复发

死亡

察看开始到察看终止的 \_工夫 \_通常称为 \_生存工夫 \_（或事件产生的工夫）。

癌症钻研中两个最重要的评估办法包含：i）死亡工夫; 和 ii）无 \_复发存活工夫 \_，其对应于医治反馈与疾病复发之间的工夫。它也被称为无 \_病生存工夫 \_和无 \_事件生存工夫 \_。

如上所述，生存剖析侧重于直到产生感兴趣事件（复发或死亡）的冀望持续时间。

Kaplan-Meier（KM）办法是一种非参数办法，用于预计察看到的生存工夫的生存概率（Kaplan 和 Meier，1958）。

生存曲线是治理生存概率与工夫的关系曲线，它提供了一个有用的数据总结，能够用来预计诸如中位生存工夫之类的掂量指标。

生存剖析总结和可视化生存剖析后果

咱们将应用生存包中提供的肺癌数据。

head(lung)

  inst time status age sex ph.ecog ph.karno pat.karno meal.cal wt.loss
1    3  306      2  74   1       1       90       100     1175      NA
2    3  455      2  68   1       0       90        90     1225      15
3    3 1010      1  56   1       0       90        90       NA      15
4    5  210      2  57   1       1       90        60     1150      11
5    1  883      2  60   1       0      100        90       NA       0
6   12 1022      1  74   1       1       50        80      513       0

inst：机构代码

工夫：以天为单位的生存工夫

状态：状态 1 = 审查，2 = 死亡

年龄：年龄

性别：男 = 1 女 = 2

ph.ecog：ECOG 体现评分（0 = 失常 5 = 死亡）

ph.karno：Karnofsky 体现评分（差 = 0 失常 = 100）由医师评定

pat.karno：Karnofsky 体现评分由患者评估

膳食：餐时耗费的卡路里

wt.loss：过来六个月的体重降落

计算生存曲线：survfit（）

咱们要按性别来计算生存概率。

函数 \_survfit\_（）能够被用来计算 Kaplan-Meier 生存预计。

要计算生存曲线，请输出以下内容：

print(fit)

       n events median 0.95LCL 0.95UCL
sex=1 138    112    270    212    310
sex=2  90    53    426    348    550

默认状况下，函数 print（）显示生存曲线的摘要。它显示察看数，事件数量，中位数生存和中位数的置信区间。

如果要显示生存曲线的更残缺摘要，请输出以下内容：

# 生存曲线摘要
summary(fit)# 
summary(fit)$table

咱们生成两组受试者的生存曲线。

ggplot(fit,
          pval = TRUE, conf.int = TRUE,
          risk.table = TRUE, # 增加危险表
          risk.table.col = "strata", # 按组更改危险表色彩

\_legend.labs\_更改图例标签。

ggplot(
   fit,                     # 具备计算统计信息的 survfit 对象。pval = TRUE,             # 显示对数秩测验的 p 值。conf.int = TRUE,         # 显示生存曲线点估计的置信区间。conf.int.style = "step",  # 自定义置信区间款式
   xlab = "Time in days",   # 自定义 X 轴标签。break.time.by = 200,     # 以 200 的工夫距离打断 X 轴。ggtheme = theme_light(), # 应用主题自定义绘图和危险表。risk.table = "abs_pct",  # 相对数值

每组的中位生存工夫示意生存概率 S（t）为 0.5 的工夫。

应用参数 \_xlim\_能够缩短生存曲线范畴，如下所示：

请留神，能够应用参数 \_fun\_指定三个常常应用的转换：

累积危险是罕用来预计危险概率。

、

Kaplan-Meier 生命表：生存曲线的总结

如上所述，您能够应用函数 \_summary\_（）来取得生存曲线的残缺摘要：

summary(fit)

对 \_数秩测验 \_是比拟两条或更多条生存曲线的最宽泛应用的办法。零假如是两组在生存期间没有差别。

能够应用 survdiff（）如下：

 surv_diff


N Observed Expected (O-E)^2/E (O-E)^2/V
sex=1 138      112    91.6      4.55      10.3
sex=2  90      53    73.4      5.68      10.3
Chisq= 10.3  on 1 degrees of freedom, p= 0.00131

存活率差别的对数秩测验给出 p = 0.0013 的 p 值，表明性别组在存活方面差别显着。

在本节中，咱们将应用多个因素的组合计算生存曲线。接下来，咱们将应用 ggsurvplot（）输入后果

ggplot(fit,
          conf.int = TRUE,
          risk.table.col = "strata", # 按组更改危险表色彩
          ggtheme = theme_bw(), # 更改 ggplot2 主题

可视化输入。上面的图显示了性别变量依据 rx&adhere 的值的生存曲线。

生存剖析是一组数据分析的统计办法，其中感兴趣的后果变量是事件产生之前的工夫。

在这篇文章中，咱们演示了如何应用两个 R 软件包来执行和可视化生存剖析）。

- –

最受欢迎的见解

1.R 语言绘制生存曲线预计 | 生存剖析 | 如何 R 作生存曲线图

2.R 语言生存剖析可视化剖析

3.R 语言如何在生存剖析与 Cox 回归中计算 IDI，NRI 指标

4.r 语言中应用 Bioconductor 剖析芯片数据

5.R 语言生存剖析数据分析可视化案例

6.r 语言 ggplot2 误差棒图疾速指南

7.R 语言绘制性能富集泡泡图

8.R 语言如何找到患者数据中具备差别的指标？（PLS—DA 剖析）

9.R 语言中的生存剖析 Survival analysis 早期肺癌患者 4 例

关于算法:R语言生存分析可视化分析

残缺原文链接：http://tecdat.cn/?p=5438

基本概念

Kaplan-Meier 生存评估

R 生存剖析

示例数据集

应用函数 \_Surv\_（）创立的生存对象

可视化生存曲线

Log-Rank 测验比拟生存曲线：survdiff（）

简单的生存曲线

概要