多因素Cox回归
单因素cox回归分析得到的是多个自变量与生存之间的关系，但并没有排除其他因素这个结果是否有作用。一般多因素Cox回归分析就是用来矫正其它因素的，也可以用作某变量是否能作为独立因子的评估方法。
多因素cox回归案例展示
下图展示了多因素COX回归，评估KIF20A表达状态与总生存和无病生存之间的相关性，并矫正了其他因素对其影响，评估KIF20A能否作为独立因子!（这里其实是将KIF20A这个因素构建成两种不同的分类体系，一种为连续性数值变量；一种为二分类型变量。两者形式的变量进行多因素cox回归分析，发现都显著，进一步证明了KIF20A作为独立因子的可靠性！）
image
很多时候，为了单因素和多因素COX回归结果看起来更连贯，经常也会把两种cox回归结果整理在一起进行展示，如下图：分别在两组独立数据集中做单因素和多因素Cox回顾分析。解释如下：以TESTING数据集结果为例，单因素cox分析了10个变量与生存之间的关系，发现有5个变量结果显著。接下来对这5个变量进行多因素分析，发现有两个变量显著，可作为独立因子！
image
多因素cox回归结果解释
多因素cox回归结果
image
从上图中可以看出来，单因素cox和多因素cox的结果属性值都是一样的，只是前者的变量为一个（对应一组结果值），后者变量可以有多个（对应多组结果值）。
多因素cox回归结果关键之处****：在多因素cox回归分析中，可以评估各个自变量的相对效应，比较各个自变量的回归p值。若性别（sex）更为显著的，****表明性别是患者之间生存期不同的主要因素，患者年龄次之，但作为协变量的情况下表现不明显（p>0.05）。也可以查偏回归系数等指标，关注exp(coef)信息，和上文中分别使用性别（sex）和年龄（age）的单变量Cox回归具有一致的趋势。性别（sex）的exp(coef)<1（即HR<1）, 年龄的exp(coef)>1（即HR>1），表明男性肺癌患者比女性肺癌患者具有更差的预后，高龄人群可能存在更高的风险。
多因素cox回归分析如何做？
——适用于数值型变量,即多因素cox结果只有一行。（自变量可以是连续性变量，也可以是数值化后的分类变量）
rm(list = ls())
library("survival")
library("survminer")
#载入并查看数据集
data("lung")
head(lung)
str(lung)#该数据将所有变量都转换为数值型，包括性别(1,2表示)，分期(1,2,3,4表示)等。若是字符型的话，结果会有所不同！
#cox 回归分析（多因素）
res.cox <- coxph(Surv(time, status) ~ age+sex+ph.ecog+ph.karno+pat.karno, data = lung)
res.cox
summary(res.cox)
——适用于分类变量，同时展示所有协变量的结果
rm(list = ls())
library("survival")
library("survminer")
#载入并查看数据集
data("lung")
head(lung)
str(lung)#该数据都为数值型，如性别(1,2表示)。要分类展示cox回归需要将分类变量因子化
#将分类变量从数值型改为因子
lung <- within(lung, {
sex <- factor(sex, labels = c('female', 'male'))})# female为对照
#cox回归分析(多因素)
res.cox <- coxph(Surv(time, status) ~ age+sex+ph.ecog+ph.karno+pat.karno, data = lung)
res.cox
summary(res.cox)
##是否分开展示看结果，整体展示和分开展示哪个好说明好解释用哪个！！
往期回顾
TCGA+biomarker——常见结果展示
TCGA+biomarker——Sample基线表
TCGA+biomarker——单因素Cox回归
更多内容可关注公共号“YJY技能修炼”~~~
网友评论