欢迎大家关注我的公众号：一只勤奋的科研喵

有没有一次性输出单因素和多因素Cox回归结果的代码？？

一般情况下，我们取单因素Cox结果中p<0.05的变量进行多因素分析。这样可能就导致了单因素和多因素分析的变量数目不一致。因此，按照通常做法是很难实现合并的。 参考文献：Lewis GD, et al. Prognosis of lymphotropic invasive micropapillary breast carcinoma analyzed by using data from the National Cancer Database. Cancer Commun (Lond)

今天，小编终于解决了这个问题。在导入任意数据后，只需简单修改3处代码，即可轻松输出单因素合并多因素Cox回归三线表！！！

最终结果： 运行代码后的三线表

---

载入R包和数据

#1.载入R包
library(survival)
library(plyr)
#2.清理工作环境
rm(list = ls()) 
#3.读入数据
aa<- read.csv('20210207.csv')
#4.查看数据数据性质
str(aa)
#5.查看结局，0=复发，1未复发
aa$status<-factor(aa$status)
summary(aa$status)

为展示各种情况，数据中age为连续变量，而分类变量有2分类，也有多分类。

2.png

---

一、批量单因素回归

只需改第1步和第3-(2)步。
第1步中换成你数据的随访时间名字、结局的名字以及感兴趣的事件，这里练习数据为以及 , 0为复发；
第3-(2)步，选择你的数据中想要做分析的变量的序号，即绿色部分。
其余代码均不动。

#1.构建模型的y
y<- Surv(time=aa$time,event=aa$status==0)#0为复发

#2.批量单因素回归模型建立：Uni_cox_model
Uni_cox_model<- function(x){
  FML <- as.formula(paste0 ("y~",x))
  cox<- coxph(FML,data=aa)
  cox1<-summary(cox)
  HR <- round(cox1$coefficients[,2],2)
  PValue <- round(cox1$coefficients[,5],3)
  CI5 <-round(cox1$conf.int[,3],2)
  CI95 <-round(cox1$conf.int[,4],2)
  Uni_cox_model<- data.frame('Characteristics' = x,
                             'HR' = HR,
                             'CI5' = CI5,
                             'CI95' = CI95,
                             'p' = PValue)
  return(Uni_cox_model)}  

#3.将想要进行的单因素回归变量输入模型
#3-(1)查看变量的名字和序号
names(aa)
#3-(2)输入变量序号
variable.names<- colnames(aa)[c(3:10)] #例：这里选择了3-10号变量

#4.输出结果
Uni_cox <- lapply(variable.names, Uni_cox_model)
Uni_cox<- ldply(Uni_cox,data.frame)

#5.优化表格，这里举例HR+95% CI+P 风格
Uni_cox$CI<-paste(Uni_cox$CI5,'-',Uni_cox$CI95)
Uni_cox<-Uni_cox[,-3:-4]

#查看单因素cox表格
View(Uni_cox)

3.png

---

二、单因素回归p<0.05做多因素回归

一个代码都不需要改

#1.提取单因素p<0.05变量
Uni_cox$Characteristics[Uni_cox$p<0.05]

#2.多因素模型建立
mul_cox_model<- as.formula(paste0 ("y~",
                                   paste0(Uni_cox$Characteristics[Uni_cox$p<0.05],
                                          collapse = "+")))
mul_cox<-coxph(mul_cox_model,data=aa)
cox4<-summary(mul_cox) 

#3.提取多因素回归的信息
mul_HR<- round(cox4$coefficients[,2],2) 
mul_PValue<- round(cox4$coefficients[,5],4) 
mul_CI1<-round(cox4$conf.int[,3],2)
mul_CI2<-round(cox4$conf.int[,4],2)

#4.多因素结果优化并成表：mul_cox1
mul_CI<-paste(mul_CI1,'-',mul_CI2)
mul_cox1<- data.frame("HR"=mul_HR,"CI"=mul_CI, "P"=mul_PValue)

4.png

三、两表整合成一个表

只需按自己数据，修改第1步的绿色部分即可完成最终的三线表：

、
、
、
本文参考文章：https://t.1yb.co/h8Gh