欢迎光临散文网 会员登陆 & 注册

R语言生存分析模型因果分析：非参数估计、IP加权风险模型、结构嵌套加速失效(AFT)模型

2022-05-23 20:47 作者:拓端tecdat  | 我要投稿

原文链接：http://tecdat.cn/?p=26632

原文出处：拓端数据部落公众号

理解世界，我们可以从相关性的角度去描述，统计，机器学习，很多问题都是从相关的角度去描述的。我们去构建一个模型，不管是统计机器学习模型，还是深度学习模型，本质上是构建一个复杂映射。从特征到标签的一个映射，这个映射是有用的，但不完全有用。

因果分析

我们在这里用一个隐喻，下雨，来描述causal 和relevance。我们可以构建一个关于预测明天是否下雨的模型，从搜集到的大量特征，以及历史的下雨结果最为标签，构建模型。不管准确率多少，我们用这样一个模型能够预测明天是否能够下雨。

但是，我们很多时候要的不仅仅是预测，而是需要改变现状，例如沙漠中，我们想要哪些因素改变了，能够导致下雨。这就涉及到因果推断， causal inference 。

因果生存分析

在报告随机实验的结果时，除了意向治疗效应外，研究人员通常选择呈现符合方案效应。然而，这些符合方案的影响通常是回顾性描述的，例如，比较在整个研究期间坚持其指定治疗策略的个体之间的结果。这种对符合方案效应的回顾性定义经常被混淆，并且无法进行因果解释，因为它遇到了治疗混杂因素。

我们的目标是概述使用逆概率加权对生存结果的因果推断。这里描述的基本概念也适用于其他类型的暴露策略，尽管这些可能需要额外的设计或分析考虑。

生存曲线的非参数估计


  2. # 对数据进行一些预处理

  3. ifelse(nes$death==0, 120,

  4. (ns$yrh-83)*12+nhefs$moh) # yrt从83到92不等

summary(survtime)

survdiff(Surv(srtm, dah) ~ qmk, data=nes)

  1. fit <- survfit(Surv(rvie, dth) ~ sk, data=ns)

  2. ggsurvplot(fit

通过风险模型对生存曲线进行参数化估计

  1. # 创建月数据


  3. efsurv$ent <- ifelse(nhfs.rv$time==nhfs.urv$srvme-1 &

  4. nhf.srv$death==1, 1, 0)



  7. # 拟合参数性风险模型

  8. haads.el <- glm(event==0 ~ qs


  2. #对每个人月的估计（1-风险）的分配 */

  3. qk0$pnoevt0 <- predict(hardoel, mk0, type="response")


  5. # 计算每个人月的生存率

  6. qm0$uv0 <- cumprod(qm0$pnoet0)


  8. # 一些数据管理来绘制估计的生存曲线

  9. hadgrh$suvdff <- haardsgph$suv1-hardgrph$srv0


  11. # 绘制

  12. ggplot(hads.aph

通过IP加权风险模型估计生存曲线

  1. # 估计ip权重的分母


  3. nef$p.mk <- predict(enm, nes, type="response")


  5. # 估计ip权重的分子

  6. p.m <- glm(qk ~ 1, data=nefs, family=binomial() )

  7. hfs$pnsm <- predict(p.m, nes, type="response")


  9. # 估计权重的计算

  10. nef$s.<- ifelse(hes$qsk==1, nefs$pqmk/nhes$d.qmk,

  11. (1-nfs$p.smk)/(1-nef$pdqk))

  12. summary(nhs$swa)

  1. # 创建人月数据

  2. nhfsw <- exnRos(nhfs, "srvtime", drop=F)

  3. nh.pw$ime <- sqee(rle(nefs.ipw$seqn)$lengths)-1

  4. nhfipw$evnt <- ifele(nhf.iw$tie=nhefs.i$rv1 &)

  5. nhfs.w$eath==1, 1, 0)

  6. nhefpw$tmesq <- nhfs.pw$me^2


  8. # 拟合加权风险模型

  9. imel <- glm(eve

  1. # 创建生存曲线

  2. ipw.k0 <- data.frame(cbind(seq(0, 119),0, (seq(0, 119))^2))




  6. # 对每个人月的估计（1-危险）的分配 */

  7. iwqk0$p.nvnt0 <- predict(ipwdl, pwm0, type="response")

  8. iwsk1$povt1 <- predict(ip.el, ipmk1, type="response")


  10. # 计算每个人月的生存率

  11. ip.qs0$srv0 <- cumprod(ipwsk0$p.nevnt0)

  12. ip.qm1$suv1 <- cumprod(iwqsk1$p.nvent1)


  14. # 一些数据管理来绘制估计的生存曲线

  15. ipwgph <- merge(ip.qmk0,pwsm1, by=c("time", "timesq") )

  16. ipw.aph$surff <-ipw.ah$sv1-pwgrph$surv0


  18. # 绘制

  19. ggplot(ip.gph, ae

通过g-formula估计生存曲线

  1. #  带有协变量的风险模型的拟合情况


  3. g.mo <- glm(event==0 ~ qsm

  1. # 创建数据集，包括每个治疗水平下的所有时间点

  2. # 每个人在每个治疗水平下的所有时间点

  3. gf.qmk <- exanos(nfs, cunt=120, cotis.cl=F)

  4. gf.qm0$te <- rep(q(0, 119), now(nhf))

  5. gqm0$tesq <- gqk0$tie^2

  6. gqsk0$qmk <- 0


  8. gfqsk1 <- gf.qm0

  9. gf.sk1$mk <- 1


  11. gfqk0$p.vnt0 <- predict(g.mdel, g.qk0, type="response")

  12. gfqk1$p.eent1 <- predict(gf.mol, gf.mk1, type="response")


  2. # 绘图

  3. ggplot(gf.graph

通过结构嵌套AFT模型估计中位生存时间比率

  1. # 对数据进行一些预处理



  4. #

  5. modelA <- glm(qsmk ~ sex +

  6. nhs$pqsk <- predict(moeA, nhe, type="response")

  7. d <- nes[!is.na(hf$surve),] # 只选择有观察到的死亡时间的人



  10. # 定义需要被最小化的估计函数

  11. smf <- function(pi){


  13. # 创建delta指标

  14. if (psi>=0){

  15. delta <- ifelse

  16. 1, 0)

  17. } else if (psi < 0) {

  18. dlta <- ifelse

  19. }



  22. # 协方差

  23. sgma <- t(at) %*% smat

  24. if (sa == 0){

  25. siga <- 1e-16

  26. }

  27. etm <- svl*solve(sia)*t(sal)

  28. return(etmeq)

  29. }


  31. res <- optimize

  32. # 使用简单的分割法找到95%置信度下限和上限的估计值

  33. frcf <- function(x){

  34. return(smef(x) - 3.84)

  35. }


  37. if (bfuc < 3.84){

  38. # 找到sumeef(x)>3.84的估计值


  40. # 95%CI的下限


  42. while (tetlw < 3.84 & cnlow < 100){

  43. psl <- pilw - incre

  44. teslow <- sumeef(pslw)

  45. cunlow <- cunlow + 1

  46. }


  48. # 95%CI的上限值


  50. while (tsigh < 3.84 & onhih < 100){

  51. phigh <- pshih + inrem

  52. testig <- sumeef(pihigh)

  53. cunhgh <- cuntigh + 1

  54. }


  56. # 使用分切法进行更好的估计

  57. if ((tstig > 3.84) & (tslw > 3.84)){


  59. # 分割法


  61. cont <- 0

  62. dif <- right - left


  64. while {

  65. test <- fmiddle * fleft

  66. if (test < 0){

  67. } else {

  68. }


  70. diff <- right - left

  71. }


  73. psi_high <- middle

  74. objfunc_high <- fmiddle + 3.84


  76. # 95%CI的下限

  77. left <- psilow



  80. while(!){

  81. test <- fmiddle * fleft

  82. if (test < 0)

最受欢迎的见解

1.R语言绘制生存曲线估计|生存分析|如何R作生存曲线图

2.R语言生存分析可视化分析

3.R语言如何在生存分析与Cox回归中计算IDI，NRI指标

4.r语言中使用Bioconductor 分析芯片数据

5.R语言生存分析数据分析可视化案例

6.r语言ggplot2误差棒图快速指南

7.R 语言绘制功能富集泡泡图

8.R语言如何找到患者数据中具有差异的指标？（PLS—DA分析）

9.R语言中的生存分析Survival analysis晚期肺癌患者4例


标签：

R语言生存分析模型因果分析：非参数估计、IP加权风险模型、结构嵌套加速失效(AFT)模型的评论 (共 条)

分享到微博请遵守国家法律