Question

我使用R中的以下代码设置了Cox比例风险模型，用于预测死亡率。协变量A，B和C的添加只是为了避免混淆（即年龄，性别，种族），但我们真的对预测X感兴趣.X是连续变量。

java.lang.NoClassDefFoundError: Could not initialize class weblogic.servlet.Env 
at weblogic.servlet.CGIServlet.init(CGIServlet.java:72)

现在，我正在为此绘制Kaplan-Meier曲线。我一直在寻找如何创造这个数字，但我没有太多运气。我不确定是否可以为Cox模型绘制Kaplan-Meier？ Kaplan-Meier是否适合我的协变量或不需要它们？

我尝试过的是下面的内容，但我被告知这是不对的。

cox.model <- coxph(Surv(time, dead) ~ A + B + C + X, data = df)

我还尝试绘制一个显示死亡累积危险的数字。我不知道我是否正确行事，因为我尝试了几种不同的方式并获得了不同的结果。理想情况下，我想绘制两条线，一条显示X的第75百分位的死亡风险，另一条显示X的第25百分位。我怎么能这样做？

我可以列出我尝试过的所有其他内容，但我不想让任何人感到困惑！

非常感谢。

Answer 1

以下是this paper。

的示例

url <- "http://socserv.mcmaster.ca/jfox/Books/Companion/data/Rossi.txt"
Rossi <- read.table(url, header=TRUE)
Rossi[1:5, 1:10]

#   week arrest fin age  race wexp         mar paro prio educ
# 1   20      1  no  27 black   no not married  yes    3    3
# 2   17      1  no  18 black   no not married  yes    8    4
# 3   25      1  no  19 other  yes not married  yes   13    3
# 4   52      0 yes  23 black  yes     married  yes    1    5
# 5   52      0  no  19 other  yes not married  yes    3    3

mod.allison <- coxph(Surv(week, arrest) ~ 
                        fin + age + race + wexp + mar + paro + prio,
                        data=Rossi)
mod.allison

# Call:
# coxph(formula = Surv(week, arrest) ~ fin + age + race + wexp + 
#    mar + paro + prio, data = Rossi)
#
#
#                   coef exp(coef) se(coef)      z      p
# finyes         -0.3794     0.684   0.1914 -1.983 0.0470
# age            -0.0574     0.944   0.0220 -2.611 0.0090
# raceother      -0.3139     0.731   0.3080 -1.019 0.3100 
# wexpyes        -0.1498     0.861   0.2122 -0.706 0.4800
# marnot married  0.4337     1.543   0.3819  1.136 0.2600
# paroyes        -0.0849     0.919   0.1958 -0.434 0.6600
# prio            0.0915     1.096   0.0286  3.194 0.0014
#
# Likelihood ratio test=33.3  on 7 df, p=2.36e-05  n= 432, number of events= 114

请注意，该模型使用fin, age, race, wexp, mar, paro, prio来预测arrest。如this document中所述，survfit()函数使用Kaplan-Meier估计存活率。

plot(survfit(mod.allison), ylim=c(0.7, 1), xlab="Weeks",
     ylab="Proportion Not Rearrested")

我们得到了生存率的图（置信区间为95％）。对于你可以做的累积危险率

# plot(survfit(mod.allison)$cumhaz)

但这不会给出置信区间。但是，不用担心！我们知道H（t）= -ln（S（t））并且我们对S（t）有置信区间。我们需要做的就是

sfit <- survfit(mod.allison)
cumhaz.upper <- -log(sfit$upper)
cumhaz.lower <- -log(sfit$lower)
cumhaz <- sfit$cumhaz # same as -log(sfit$surv)

然后只绘制这些

plot(cumhaz, xlab="weeks ahead", ylab="cumulative hazard",
     ylim=c(min(cumhaz.lower), max(cumhaz.upper)))
lines(cumhaz.lower)
lines(cumhaz.upper)

您需要使用survfit(..., conf.int=0.50)来获得75％和25％的乐队，而不是97.5％和2.5％。

Answer 2

对于X的第25和第75百分位的估计生存曲线的请求首先要求确定那些百分位数并指定数据帧中所有其他协变量的值，以用作生存的新数据参数。：

可以使用福克斯网站上其他重建人员建议的数据，虽然在我的机器上需要建立一个url - 对象：

 url <- url("http://socserv.mcmaster.ca/jfox/Books/Companion/data/Rossi.txt")
 Rossi <- read.table(url, header=TRUE)

这可能不是这个问题的最好例子，但它确实有一个我们可以计算四分位数的数值变量：

> summary(Rossi$prio)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   1.000   2.000   2.984   4.000  18.000

所以这将是模型拟合和幸存者调用：

 mod.allison <- coxph(Surv(week, arrest) ~ 
                         fin + age + race + prio ,
                         data=Rossi)
 prio.fit <- survfit(mod.allison, 
                     newdata= data.frame(fin="yes", age=30, race="black", prio=c(1,4) ))
 plot(prio.fit, col=c("red","blue"))

绘制Kaplan-Meier用于Cox回归

2 个答案: