图片
1. 摘要背景：恶性骨肿瘤（MBT）是老年患者死亡的原因之一。我们研究的目的是建立一个列线图来预测老年MBT患者的总生存期（OS）。方法：从SEER数据库下载了2004年至2018年所有老年MBT患者的临床病理数据。他们被随机分配到训练集（70%）和验证集（30%）。采用单因素和多因素Cox回归分析确定老年MBT患者的独立危险因素。基于这些危险因素构建列线图，以预测老年MBT患者的1年，3年和5年OS。然后，利用一致性指数（C指数）、校准曲线和受试者工作曲线下面积（AUC）来评价预测模型的准确性和判别力。决策曲线分析（DCA）用于评估列线图的临床潜在应用价值。根据列线图上的分数，将患者分为高风险组和低风险组。Kaplan-Meier（K-M）曲线用于测试两名患者之间的生存差异。结果：从SEER数据库下载了2004年至2018年所有老年MBT患者的临床病理数据。他们被随机分配到训练集（70%）和验证集（30%）。采用单因素和多因素Cox回归分析确定老年MBT患者的独立危险因素。基于这些危险因素构建列线图，以预测老年MBT患者的1年，3年和5年OS。然后，利用一致性指数（C指数）、校准曲线和受试者工作曲线下面积（AUC）来评价预测模型的准确性和判别力。决策曲线分析（DCA）用于评估列线图的临床潜在应用价值。根据列线图上的分数，将患者分为高风险组和低风险组。Kaplan-Meier（K-M）曲线用于测试两名患者之间的生存差异。结论：我们建立了一个新的列线图来预测老年MBT患者的1年，3年，5年的OS。该预测模型可以帮助医生和患者制定治疗计划和后续策略。、2. 数据介绍文献共纳入1641名2004-2018诊断的老年MBT患者的临床病理数据。暴露因素包括年龄、种族、性别、诊断年份、组织学类型、分级、分期、原发位置、TNM分期、肿瘤大小、是否化疗、是否放疗及手术方式。图片
3.研究结果这篇文献通过绘制两个模型的DCA曲线来评估模型的临床决策实际需求，一个是列线图模型，包括纳入列线图的全部变量，一个是TNM模型，只纳入TNM分期3个变量。A图是训练集1年、3年、5年患者的总生存期的DCA曲线；B图是训练集1年、3年、5年患者的总生存期的DCA曲线，红色线条代表列线图模型（包括构建模型的10个变量），黄色线条代表TNM模型（仅纳入TNM分期3个变量），两个模型对比，线条越靠上说明在实际临床中的应用价值越大，可参考性越强。图片
二、利用R语言复现下面我们利用从SEERStat中提取的相关数据进行复现。根据文献中的纳入排除标准，提取涉及的相关数据，最终共纳入1，574名患者（原文献1，641）。介于SEERStat数据库会有更新，因此提取的样本量与原文会有所出入，这里请大家多关注统计方法的运用！本次用到的是R版本是4.3.1。1. 安装加载R包这里主要用到以下两个包，"dcurves"包负责构建，"ggplot2"包负责绘图。除了"dcurves"包外，还有"ggDCA"包可以完成DCA曲线的绘制，更为便捷，但对R版本有点要求，这里不作展示。if(!require("dcurves")) install.packages("dcurves")if(!require("ggplot2")) install.packages("ggplot2")library("dcurves")library("ggplot2")2.完成前期准备工作在绘制DCA曲线之前，必须要完成数据的导入、拆分数据集的工作、预测因子的筛选，校准图的绘制是分别在训练集与验证集独立进行的。以上这些内容可参见：Cox构建预测模型（2）：如何用R语言拆分数据集并作均衡性检验Cox构建预测模型（3）：如何用R语言做cox先单后多回归分析！（附全套代码）Cox构建预测模型（4）:如何用R语言绘制cox预测模型列线图？（附全套代码）Cox构建预测模型（5）：如何用R语言绘制校准曲线（附全套代码）Cox构建预测模型（6）：如何用R语言绘制ROC曲线？（附全套代码）3. 绘制DCA曲线原文中的DCA曲线是列线图模型与TNM分期模型进行的对比，因此我们首先需要构建两个模型，模型1纳入列线图中的9个变量，模型2仅纳入TNM分期3个变量。train_model1 <- cph(Surv(months,status)~age + Race + Sex + Histologic.type + Grade + Stage + Primary.Site + m_stage +Tumor_size + Surgery, data = train,surv = T,x=T,y=T)train_model2 <- cph(Surv(months,status)~t_stage + n_stage + m_stage, data = train,surv = T,x=T,y=T)受篇幅限制，下面仅展示1年的DCA曲线绘制代码，3年、5年的代码只需在此基础上稍作修改。如修改计算生存概率中的时间为times=12*3以及绘制曲线代码中的时间time=12*3，变量名dca1。(因此这里只是1/6的代码量哦！）#计算生存概率train$prob1 <- c(1-(summary(survfit(train_model1, newdata=train), times=12)$surv))train$prob2 <- c(1-(summary(survfit(train_model2, newdata=train), times=12)$surv))#绘制DCA曲线dca1 <- dcurves::dca(Surv(months,status) ~ prob1 + prob2, data = train, time = 12, label = list(prob1 = "Namogram", prob2 = "TNM")) %>% dcurves::as_tibble()ggplot(dca1,aes(x=threshold, y=net_benefit,color=variable))+ stat_smooth(method = "loess", se = FALSE, formula = "y ~ x", span = 0.2) + coord_cartesian(ylim = c(0, 0.2)) + scale_x_continuous(labels = scales::label_percent(accuracy = 1)) + labs(x = "Risk Threshold", y = "Net Benefit", color = "") + theme_bw()代码解读：“method=loess”指使用平滑函数，“formula = "y ~ x"”是用于平滑函数的公式，“span”是控制线条平滑度的平滑量，数字越大，线条越平滑，“ylim”设置y轴的范围。R语言复现得到DCA曲线如下：图片
三、利用在线网站复现如果没有代码基础，或者希望通过更便捷的方式完成统计分析，推荐使用这个智能在线统计分析平台——风暴统计。一键成三线表，便捷又快速。网址：www.medsta.cn（电脑端浏览器打开）或medsta.cn（medical statistics缩写）1.进入网站分析模块电脑端打开风暴统计平台——“风暴智能统计”模块，点击“临床预测模型（最新）”，进入“cox预测模型”页面。图片
2.完成前期的准备工作利用风暴统计平台进行DCA的绘制之前，也需要完成数据导入、拆分数据集的工作哦！3.绘制ROC曲线完成前期准备工作之后，进入“Cox预测模型”模块，根据提示选入回归因变量与回归自变量。最最重要的是多因素回归设置，也就是你所期望的自变量筛选方式，可以是先单后多，也可以是逐步回归法，阈值也可以进行调节，十分灵活。图片
选中之后，下方就直接给出DCA曲线结果，同样包括训练集与验证集在3个不同时间点的6张DCA曲线图。在左侧可以调整线条的粗细、虚实以及X轴的最大刻度值，可以下载图片的PDF或PNG，对新手小白十分友好！图片
四、小结通过对比网站与R语言绘制的列线图，可以发现两者的曲线相同，只是网站暂不具备绘制不同模型在同一时间点的DCA图形，从这一点来看，R语言是给更加灵活的。但是相比于R语言的几十行代码，网站显得十分便捷快速，如果仅在DCA曲线中展示一个模型，那风暴统计绝对值得一试！ 本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。