Nomogram，中文常稱(chēng)為諾莫圖或者列線圖，簡(jiǎn)單的說(shuō)是將Logistic回歸或Cox回歸的結(jié)果進(jìn)行可視化呈現(xiàn)。它根據(jù)所有自變量回歸系數(shù)的大小來(lái)制定評(píng)分標(biāo)準(zhǔn)，給每個(gè)自變量的每種取值水平一個(gè)評(píng)分，對(duì)每個(gè)患者，就可計(jì)算得到一個(gè)總分，再通過(guò)得分與結(jié)局發(fā)生概率之間的轉(zhuǎn)換函數(shù)來(lái)計(jì)算每個(gè)患者的結(jié)局時(shí)間發(fā)生的概率。

## 繪制nomogram圖

## 第一步 讀取rms程序包及輔助程序包

library(Hmisc); library(grid); library(lattice);library(Formula); library(ggplot2) 

library(rms)



## 第二步 讀取數(shù)據(jù)，以survival程序包的lung數(shù)據(jù)來(lái)進(jìn)行演示

## 列舉survival程序包中的數(shù)據(jù)集

library(survival)

data(package = "survival")



## 讀取lung數(shù)據(jù)集

data(lung)



## 顯示lung數(shù)據(jù)集的前6行結(jié)果

head(lung)



## 顯示lung數(shù)據(jù)集的變量說(shuō)明

help(lung)



## 添加變量標(biāo)簽以便后續(xù)說(shuō)明

lung$sex <- 

??factor(lung$sex,

? ?? ?? ?levels = c(1,2),

? ?? ?? ?labels = c("male", "female"))



## 第三步 按照nomogram要求“打包”數(shù)據(jù)，繪制nomogram的關(guān)鍵步驟,??datadist查看詳細(xì)說(shuō)明

dd=datadist(lung)

options(datadist="dd") 



## 第四步 構(gòu)建模型

## 構(gòu)建logisitc回歸模型

f1 <- lrm(status~ age + sex, data = lung) 



## 繪制logisitc回歸的風(fēng)險(xiǎn)預(yù)測(cè)值的nomogram圖

nom <- nomogram(f1, fun= function(x)1/(1+exp(-x)), # or fun=plogis

? ?? ?? ?? ?? ? lp=F, funlabel="Risk")

plot(nom)





## 構(gòu)建COX比例風(fēng)險(xiǎn)模型

f2 <- psm(Surv(time,status) ~ age+sex, data =??lung, dist='lognormal') 

med <- Quantile(f2) # 計(jì)算中位生存時(shí)間

surv <- Survival(f2) # 構(gòu)建生存概率函數(shù)



## 繪制COX回歸中位生存時(shí)間的Nomogram圖

nom <- nomogram(f2, fun=function(x) med(lp=x),

? ?? ?? ?funlabel="Median Survival Time")

plot(nom)



## 繪制COX回歸生存概率的Nomogram圖

## 注意lung數(shù)據(jù)的time是以”天“為單位

nom <- nomogram(f2, fun=list(function(x) surv(365, x),

? ?? ?? ?? ?? ?? ?? ?? ?? ???function(x) surv(730, x)),

? ?? ?? ?? ?? ? funlabel=c("1-year Survival Probability",

? ?? ?? ?? ?? ?? ?? ?? ?? ?"2-year Survival Probability"))

plot(nom, xfrac=.6)



## 評(píng)價(jià)COX回歸的預(yù)測(cè)效果

## 第一步 計(jì)算c-index

rcorrcens(Surv(time,status) ~ predict(f2), data =??lung)



## 第二步 繪制校正曲線

## 參數(shù)說(shuō)明：

## 1、繪制校正曲線前需要在模型函數(shù)中添加參數(shù)x=T, y=T，詳細(xì)參考幫助

## 2、u需要與之前模型中定義好的time.inc一致，即365或730；

## 3、m要根據(jù)樣本量來(lái)確定，由于標(biāo)準(zhǔn)曲線一般將所有樣本分為3組（在圖中顯示3個(gè)點(diǎn)）

## 而m代表每組的樣本量數(shù)，因此m*3應(yīng)該等于或近似等于樣本量；

## 4、b代表最大再抽樣的樣本量



## 重新調(diào)整模型函數(shù)f2，也即添加x=T, y=T

f2 <- psm(Surv(time,status) ~ age+sex, data =??lung, x=T, y=T, dist='lognormal') 

## 構(gòu)建校正曲線

cal1 <- calibrate(f2, cmethod='KM', method="boot", u=365, m=76, B=228)



## 繪制校正曲線，??rms::calibrate查看詳細(xì)參數(shù)說(shuō)明

par(mar=c(8,5,3,2),cex = 1.0)

plot(cal1,lwd=2,lty=1,

? ???errbar.col=c(rgb(0,118,192,maxColorValue=255)),

? ???xlim=c(0.25,0.6),ylim=c(0.15,0.70),

? ???xlab="Nomogram-Predicted Probability of 1-Year DFS",

? ???ylab="Actual 1-Year DFS (proportion)",

? ???col=c(rgb(192,98,83,maxColorValue=255)))



## rms::nomogram的完整示例詳見(jiàn)rms程序包的幫助文件

## rms程序包的幫助文件下載網(wǎng)址：https://cran.r-project.org/web/packages/rms/rms.pdf