R语言机器学习与临床预测模型19--生存分析之Fine-Gray

本内容为【科研私家菜】R语言机器学习与临床预测模型系列课程

R小盐准备介绍R语言机器学习与预测模型的学习笔记

你想要的R语言学习资料都在这里， 快来收藏关注【科研私家菜】

---

R语言机器学习与临床预测模型19--生存分析之Fine-Gray检验

01 Fine-Gray检验

存在竞争风险的情况下，Kaplan-Meier的方法是不准确的，因为我们不能假定如果随访时间足够长，受试者将会发生感兴趣的事件。累积发生率（CIF）是给定事件发生的子分布，被广泛应用于竞争风险分析。 Fine和Gray（1999）提出的分布的比例风险模型旨在拟合感兴趣事件的累积发生率。关于Fine & Gray 模型，可以参考文献：“A Proportional Hazards Model for the Subdistribution of a Competing Risk. Jason P. Fine and Robert J. Gray,Journal of the American Statistical AssociationVol. 94, No. 446 (Jun., 1999), pp. 496-509”.

在分析某事件发生时间时，如果该事件被其他事件阻碍，即存在竞争风险。
使用R的cmprsk程辑包进项Fine-Gray检验与竞争风险模型。笔者认为读者在具体应用过程中要注意两点：

第一，有选择性的使用Fine-Gray检验与竞争风险模型，如果终点事件存在竞争风险事件，而且极有可能对结论产生影响，那采用这个模型才是合适的，这个模型并非一定比Cox模型更优，这两个模型应该互为补充；

第二，竞争风险考虑的竞争风险事件也是有限的，目前仅是把Cox模型的二分类终点扩展为三分类，即结局事件，删失和竞争风险事件，即便如此，结果解读也变得很困难。读者在方法选择的时候应该做出更充分的评估和尝试。

# Examples
# simulated data to test 
set.seed(10)
ftime <- rexp(200)
fstatus <- sample(0:2,200,replace=TRUE)
cov <- matrix(runif(600),nrow=200)
dimnames(cov)[[2]] <- c('x1','x2','x3')
print(z <- crr(ftime,fstatus,cov))
summary(z)
z.p <- predict(z,rbind(c(.1,.5,.8),c(.1,.5,.2)))
plot(z.p,lty=1,color=2:3)
crr(ftime,fstatus,cov,failcode=2)
# quadratic in time for first cov
crr(ftime,fstatus,cov,cbind(cov[,1],cov[,1]),function(Uft) cbind(Uft,Uft^2))
#additional examples in test.R

crr Package

02 模型评估

library(aod)
wt <- wald.test(mod1$var,mod1$coef,Terms = 4:6)
# Wald test:
#   ----------
#   
#   Chi-squared test:
#   X2 = 14.0, df = 3, P(> X2) = 0.0029

wald.test

Examples
  data(orob2)
  fm <- quasibin(cbind(y, n - y) ~ seed * root, data = orob2)
  # Wald test for the effect of root
  wald.test(b = coef(fm), Sigma = vcov(fm), Terms = 3:4)

---

关注R小盐，关注科研私家菜(VX_GZH: SciPrivate)，有问题请联系R小盐。让我们一起来学习 R语言机器学习与临床预测模型